【技术实现步骤摘要】
药物与靶标的相互作用预测方法、装置、设备及存储介质
本申请涉及智能决策
，尤其涉及一种药物与靶标的相互作用预测方法、装置、设备及存储介质。
技术介绍
药物发现是确定具有潜在治疗作用的新候选化合物的过程，而药物与靶标相互作用的预测是药物发现过程中必不可少的一步。药物的疗效取决于它们对靶标蛋白或受体的亲和力。对靶标蛋白没有任何相互作用或亲和力的药物将不能提供治疗反应。在某些情况下，开发出的药物可能与非预期的蛋白质或受体相互作用，导致毒性。所以，药物与靶标的相互作用(drug-targetinteractions，DTI)预测具有重要的意义。然而，而生物实验验证DTI既费时又耗费资源。相关技术中采用传统的机器学习方法实现DTI预测，但该方式以分子描述符作为特征输入，需要进行繁复、耗时的特征工程，同时不同的分子描述符的选择对机器学习模型的性能影响较大，因此该方式效率低下，准确性也并不理想。相关技术中还采用深度学习方法实现DTI预测，深度学习模型的性能与训练数据的质量呈正相关，要求训练数据满足体量大、多样性、携带...
【技术保护点】
1.一种药物与靶标的相互作用预测方法，其特征在于，所述方法包括以下步骤：/n根据基于无标签药物分子的简化分子线性输入规范SMILES序列数据建立的第一预训练集预训练得到预训练分子图模型，以及根据基于无标签蛋白序列数据建立的第二预训练集训练得到预训练蛋白序列语言模型；/n获取有标签药物-靶标对的训练集，并根据所述训练集中的药物-靶标对和表示所述药物-靶标对相互作用信息的信息标签，结合所述预训练分子图模型和所述预训练蛋白序列语言模型，训练药物-靶标相互作用的预测模型，得到目标预测模型；/n获取待预测药物分子的SMILES序列数据与目标靶标的蛋白序列数据，通过所述目标预测模型对所...
【技术特征摘要】
1.一种药物与靶标的相互作用预测方法，其特征在于，所述方法包括以下步骤：
根据基于无标签药物分子的简化分子线性输入规范SMILES序列数据建立的第一预训练集预训练得到预训练分子图模型，以及根据基于无标签蛋白序列数据建立的第二预训练集训练得到预训练蛋白序列语言模型；
获取有标签药物-靶标对的训练集，并根据所述训练集中的药物-靶标对和表示所述药物-靶标对相互作用信息的信息标签，结合所述预训练分子图模型和所述预训练蛋白序列语言模型，训练药物-靶标相互作用的预测模型，得到目标预测模型；
获取待预测药物分子的SMILES序列数据与目标靶标的蛋白序列数据，通过所述目标预测模型对所述待预测药物分子的SMILES序列数据和所述目标靶标的蛋白序列数据进行分析，以预测所述待预测药物分子与所述目标靶标的相互作用结果。
2.根据权利要求1所述的药物与靶标的相互作用预测方法，其特征在于，所述根据所述训练集中的药物-靶标对和表示所述药物-靶标对相互作用信息的信息标签，结合所述预训练分子图模型和所述预训练蛋白序列语言模型，训练药物-靶标相互作用的预测模型，得到目标预测模型，包括:
将神经网络、所述预训练分子图模型和所述预训练蛋白序列语言模型进行组合，得到药物-靶标相互作用的预测模型；
将所述训练集中的药物-靶标对和所述信息标签输入至所述药物-靶标相互作用的预测模型中进行训练，以计算损失；
根据计算的所述损失对所述神经网络的权重进行更新，得到目标预测模型。
3.根据权利要求1所述的药物与靶标的相互作用预测方法，其特征在于，所述通过所述目标预测模型对所述待预测药物分子的SMILES序列数据和所述目标靶标的蛋白序列数据进行分析，以预测所述待预测药物分子与所述目标靶标的相互作用结果，包括：
分别对所述待预测药物分子的SMILES序列数据和所述目标靶标的蛋白序列数据进行预处理，得到所述待预测药物分子的图结构数据和所述目标靶标的蛋白序列组；
将所述待预测药物分子的图结构数据和所述目标靶标的蛋白序列组输入至所述目标预测模型中进行分析，得出所述目标预测模型输出的布尔值；
根据所述布尔值确定所述待预测药物分子与所述目标靶标的相互作用结果。
4.根据权利要求1所述的药物与靶标的相互作用预测方法，其特征在于，所述根据基于无标签药物分子的SMILES序列数据建立的第一预训练集预训练得到预训练分子图模型，包括：
获取无标签药物分子的SMILES序列数据，并对所述无标签药物分子的SMILES序列数据进行预处理，得到无标签药物分子的图结构样本；
根据所述无标签药物分子的图结构样本建立第一预训练集，并根据所述第一预训练集对图神经网络GNN进行预训练...
【专利技术属性】
技术研发人员：王俊，高鹏，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。