一种基于深度学习的化合物-蛋白质相互作用预测方法技术

本发明专利技术公开了一种基于深度学习的化合物

【技术实现步骤摘要】
一种基于深度学习的化合物
‑
蛋白质相互作用预测方法


[0001]本专利技术涉及药物设计以及图像处理
，特别是涉及一种结合CNN和Transformer学习化合物图片特征来预测化合物
‑
蛋白质相互作用的方法。

技术介绍

[0002]药物发现是生物信息学的一个领域，其目的在于发现具有期望药理性质的新分子结构，涉及广泛的科学学科，包括生物学、化学和药理学。新药物分子通过与目标蛋白相互作用，从而为患者的治疗带来益处。
[0003]近年来，在计算机辅助药物设计的背景下，人们开始对开发自动化的机器学习技术产生了极大的兴趣，从而在广阔和非结构化的分子空间中发现了大量可信的、多样的和新颖的候选分子。准确的预测化合物和蛋白质之间的相互作用关系，不仅可以减少一些疾病的产生，还可以降低药物开发成本，对患者和社会都至关重要。

技术实现思路

[0004]本专利技术的目的是根据化合物分子图片的信息，提出一种结合CNN和Transformer学习化合物图片特征来预测化合物
‑
蛋白质相互作用的方法。该方法能够显著的提高化合物和蛋白质相互作用预测的准确度。
[0005]实现本专利技术目的的具体技术方案是：
[0006]一种基于深度学习的化合物
‑
蛋白质相互作用预测方法，所述方法包括以下步骤：
[0007]1)获得化合物分子的特征图，具体包括：
[0008]1.1)根据化合物分子的SMILES序列，通过RDkit软件生成化合物分子图片；
[0009]1.2)将生成的化合物分子图片输入到CNN模块中学习特征，其中图片大小为H
×
W
×
3，H和W分别代表图片的长和宽，3代表图片的颜色通道；使用CNN模块学习化合物分子图片的局部特征，CNN模块的组成为：卷积层、BatchNormalization层、LeakyReLU函数激活层、卷积层、BatchNormalization层、LeakyReLU函数激活层及最大池化层；通过CNN学习后的特征图的大小为m和n分别代表通过CNN学习后化合物分子特征图的长和宽，c代表该特征图的通道；
[0010]1.3)根据获得的特征图X
CNN
，按照其通道维度展平作为Transformer的输入token，新的特征图大小为其中m
·
n为化合物分子特征图的长和宽相乘，c为该特征图的通道；
[0011]1.4)将新的特征图X
token
作为Transformer编码器的输入，然后通过数个Transformer编码器学习特征图中的语义关系，每一个Transformer编码器的组成如下：
[0012]1.4.1)LayerNormalization层对不同长度的数据做处理；
[0013]1.4.2)多头注意力层将输入向量转换为三个不同的向量，其维度都为d：查询向量q、关键向量k、值向量v，将所述向量压缩到对应的矩阵Q、K、V中，其计算过程为：计算查询矩
阵Q与关键矩阵K的分数为：S＝Q
·
K
T
，规范化梯度稳定性分数为：使用softmax函数将分数转化为概率：P＝softmax(S
n
)，获得加权值矩阵：Attention＝V
·
P；整个过程的公式为：其中softmax代表softmax激活函数，Q和V代表查询向量q和值向量v压缩的对应矩阵，K
T
代表关键向量压缩的对应矩阵的转置，d
k
代表当前的输入维度；然后，为了解决自注意力对位置信息不敏感的问题，将相同维度的位置编码添加到原始输入嵌入中，其公式为：pos表示单词在句子中的位置，i表示位置编码的当前维度，d是输入向量的维度；总注意力由多个头注意力组合而成：MultiHead(Q
′
，K
′
，V
′
)＝concat(head1，...，head
h
)W
O
，concat表示拼接操作，W
O
为可学习的特征转换矩阵，head
i
代表了每一个注意力头的Attention的值，h代表了总共有h个注意力头；
[0014]1.4.3)再经过多层感知机层获得最后的语义信息特征图；多层感知机层的流程为：全连接层，GELU激活层，DropPath层，全连接层，DropPath层；
[0015]1.5)通过数个Transformer编码器的学习表示，获得了最终的化合物分子的特征图X
C
；
[0016]2)获得蛋白质序列的特征图，具体包括：
[0017]2.1)蛋白质序列为FASTA格式，其中序列由氨基酸组合而成并且氨基酸均以单个字母来表示；采用k
‑
gram方法，对蛋白质序列进行单词划分，每个单词的长度都为k；
[0018]2.2)对划分的单词建立字典，按照最先出现的单词进行升序排序，使用字典的序号来代替原蛋白质序列的表示单词，然后再对每个单词所表示的序号进行嵌入表示；
[0019]2.3)加入原单词在蛋白质序列中的位置信息，经过数个Transformer编码器模块，学习蛋白质序列中各个单词之间的语义信息；
[0020]2.4)通过数个Transformer编码器模块学习后，获得了蛋白质序列的最终特征图X
P
；
[0021]3)对化合物分子的特征图X
C
和蛋白质序列的特征图X
P
进行进一步学习并预测最终结果，具体包括：
[0022]3.1)将所述特征图X
C
和所述特征图X
P
通过多层感知机进行特征的浅层次学习；
[0023]3.2)将两张特征图进行叠加处理，再使用一个CNN模块进行深层次的特征学习；CNN的模块设计为：卷积层，BatchNormalization层，LeakyReLU函数激活层，最大池化层，卷积层，BatchNormalization层，LeakyReLU函数激活层，最大池化层；
[0024]3.3)将特征图展平，通过一个全连接层获得最终的预测结果，结果表示为0或1，其中0代表化合物和蛋白质没有相互作用，1则代表有相互作用。
[0025]本专利技术的技术构思为：首先化合物分子图片包含了更多的分子信息。其原子信息以及空间结构都很好的呈现在图片上。通过CNN对化合物分子图片进行局部特征学习，可以有效捕获每块像素中包含的分子信息。再通过Transformer对全局特征的学习能力，构建数个Transformer编码器学习特征图的语义关系。其次，对于蛋白质氨基酸种类只有20种的表
示不足缺陷，通过k
‑
gram分词划分，可以将组合的氨基酸种类扩展更多种类，有利于对蛋白质的表示学习。最后，根据化合物和蛋白质的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的化合物
‑
蛋白质相互作用预测方法，其特征在于：该方法包括以下具体步骤：1)获得化合物分子的特征图，具体包括：1.1)根据化合物分子的SMILES序列，通过RDkit软件生成化合物分子图片；1.2)将生成的化合物分子图片输入到CNN模块中学习特征，其中图片大小为H
×
W
×
3，H和W分别代表图片的长和宽，3代表图片的颜色通道；使用CNN模块学习化合物分子图片的局部特征，CNN模块的组成为：卷积层、BatchNormalization层、LeakyReLU函数激活层、卷积层、BatchNormalization层、LeakyReLU函数激活层及最大池化层；通过CNN学习后的特征图的大小为m和n分别代表通过CNN学习后化合物分子特征图的长和宽，c代表该特征图的通道；1.3)根据获得的特征图X
CNN
，按照其通道维度展平作为Transformer的输入token，新的特征图大小为其中m
·
n为化合物分子特征图的长和宽相乘，c为该特征图的通道；1.4)将新的特征图X
token
作为Transformer编码器的输入，然后通过数个Transformer编码器学习特征图中的语义关系，每一个Transformer编码器的组成如下：1.4.1)LayerNormalization层对不同长度的数据做处理；1.4.2)多头注意力层将输入向量转换为三个不同的向量，其维度都为d：查询向量q、关键向量k、值向量v，将所述向量压缩到对应的矩阵Q、K、V中，其计算过程为：计算查询矩阵Q与关键矩阵K的分数为：S＝Q
·
K
T
，规范化梯度稳定性分数为：使用softmax函数将分数转化为概率：P＝softmax(S
n
)，获得加权值矩阵：Attention＝V
·
P；整个过程的公式为：其中softmax代表softmax激活函数，Q和V代表查询向量q和值向量v压缩的对应矩阵，K
T
代表关键向量压缩的对应矩阵的转置，d
k
代表当前的输入维度；然后，为了解决自注意力对位置信息不敏感的问题，将相同维度的位置编码添加到原始输入嵌入中，其公式为：添加到原始输入嵌入中，其公式为：pos表示单词在句子中的...

【专利技术属性】
技术研发人员：吴坚，钱莹，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：