靶点蛋白分子与药物分子之间相互作用强度的预测方法技术

本发明专利技术所提供的靶点蛋白分子与药物分子之间相互作用强度的预测方法，包括：获取待预测的目标靶点蛋白分子与药物分子的复合物；对所述复合物进行图构建处理，得到目标分子图；将所述目标分子图输入预先训练的图神经网络，得到所述目标靶点蛋白分子与所述药物分子之间的相互作用强度预测值；其中，所述图神经网络中包括边的自注意力机制图网络。本发明专利技术通过使用边的自注意力机制图网络对复合物的目标分子图上边的信息进行更新，进而提高了图神经网络预测两个分子之间相互作用强度的准确率。网络预测两个分子之间相互作用强度的准确率。网络预测两个分子之间相互作用强度的准确率。

【技术实现步骤摘要】
靶点蛋白分子与药物分子之间相互作用强度的预测方法


[0001]本专利技术涉及人工智能
，尤其涉及的是一种靶点蛋白分子与药物分子之间相互作用强度的预测方法。

技术介绍

[0002]随着AI（Artificial Intelligence）技术和理论的日益成熟以及数据量的不断增长，AI算法被越来越多地运用到药物发现中。在AI算法中，图神经网络能够能很好地建模药物分子，在药物发现的任务中得到了广泛的应用。在药物开发中，需要找出与靶点蛋白分子结合强度高的药物分子，进入下一步开发，为了更有效地对候选药物分子进行筛选，需要通过计算对药物分子和靶点蛋白分子之间的结合强度做出预测。特别的，在知道候选药物分子和靶点蛋白分子结合构象的情况下，利用AI来预测药物分子和靶点蛋白分子之间的相互作用强度可以大大提高药物筛选的效率。
[0003]在预测药物分子和靶点蛋白分子之间的相互作用强度时，现有的图神经网络都是针对两个分子构建的图的节点进行运算，边的信息作为辅助，难以对边的信息进行有效更新，导致对药物分子和靶点蛋白分子之间的相互作用强度的预测并不准确。
[0004]因此，现有技术存在缺陷，有待改进与发展。

技术实现思路

[0005]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种靶点蛋白分子与药物分子之间相互作用强度的预测方法，旨在解决现有技术中现有的图神经网络难以对边的信息进行有效更新，导致对药物分子和靶点蛋白分子之间的相互作用强度的预测并不准确的问题。
[0006]本专利技术解决技术问题所采用的技术方案如下：一种靶点蛋白分子与药物分子之间相互作用强度的预测方法，所述方法包括：获取待预测的目标靶点蛋白分子与药物分子的复合物；对所述复合物进行图构建处理，得到目标分子图；将所述目标分子图输入预先训练的图神经网络，得到所述目标靶点蛋白分子与所述药物分子之间的相互作用强度预测值；其中，所述图神经网络中包括边的自注意力机制图网络。
[0007]在一种实现方式中，所述获取待预测的目标靶点蛋白分子与药物分子的复合物，包括：获取待预测的目标靶点蛋白分子和药物分子候选集合；利用计算化学方法或者机器学习方法计算得到所述目标靶点蛋白分子与所述药物分子候选集合中各个药物分子的复合物。
[0008]在一种实现方式中，对所述复合物进行图构建处理，得到目标分子图，包括：将所述复合物中的原子构建为节点；
若两个原子之间存在化学键，则在两个原子之间构建一条边；若两个原子之间的距离小于预设距离阈值，则在两个原子之间构建一条边；根据构建的节点和边得到所述复合物对应的目标分子图。
[0009]在一种实现方式中，根据构建的节点和边得到所述复合物对应的目标分子图，包括：根据构建的节点和边得到所述复合物的初始分子图；截取所述初始分子图中的药物分子结合部位作为目标分子图；其中，所述药物分子结合部位上的目标靶点蛋白分子与药物分子之间的距离处于预设范围内。
[0010]在一种实现方式中，将所述目标分子图输入预先训练的图神经网络，得到所述目标靶点蛋白分子与所述药物分子之间的相互作用强度预测值，包括：将所述目标分子图上的节点特征和边特征共同输入预先训练的图神经网络，所述图神经网络中还包括：节点自注意力机制图网络以及池化和全连接神经网络；所述目标分子图上的节点特征经所述节点自注意力机制图网络处理后得到新的节点特征，所述目标分子图上的边特征经所述节点自注意力机制图网络及所述边的自注意力机制图网络处理后得到新的边特征；从新的边特征中提取相互作用的边，将提取的相互作用的边和新的节点特征共同输入到所述池化和全连接神经网络，得到所述复合物中目标靶点蛋白分子与药物分子之间的相互作用强度预测值。
[0011]在一种实现方式中，将所述目标分子图输入预先训练的图神经网络，得到所述目标靶点蛋白分子与所述药物分子之间的相互作用强度预测值之后，还包括：获取预测得到的各个所述复合物对应的相互作用强度预测值；按照相互作用强度预测值由大到小的顺序对所述药物分子候选集合中的各个药物分子进行排序。
[0012]在一种实现方式中，所述图神经网络的训练步骤包括：获取训练数据集，所述训练数据集中包括训练复合物，以及所述训练复合物中目标靶点蛋白分子与训练药物分子的相互作用强度训练值；对所述训练复合物进行图构建处理，得到目标训练分子图；将所述目标训练分子图输入初始图神经网络，以所述相互作用强度训练值为优化目标对所述初始图神经网络进行训练；训练完成后，得到已训练的图神经网络；其中，所述初始图神经网络中包括边的自注意力机制图网络。
[0013]在一种实现方式中，所述训练复合物的获取步骤包括：获取目标靶点蛋白分子和训练药物分子候选集合；利用分子对接方法或自由能微扰方法得到所述目标靶点蛋白分子和所述训练药物分子候选集合中各个训练药物分子的训练复合物。
[0014]在一种实现方式中，所述训练药物分子候选集合为随机选取预设候选分子库中的药物分子得来。
[0015]在一种实现方式中，所述相互作用强度训练值是利用分子对接方法或者自由能微
扰方法计算得到。
[0016]在一种实现方式中，对所述训练复合物进行图构建处理，得到目标训练分子图，包括：将所述训练复合物中的原子构建为节点；若两个原子之间存在化学键，则在两个原子之间构建一条边；若两个原子之间的距离小于预设距离阈值，则在两个原子之间构建一条边；根据构建的节点和边得到所述训练复合物对应的目标训练分子图。
[0017]在一种实现方式中，根据构建的节点和边得到所述训练复合物对应的目标训练分子图，包括：根据构建的节点和边得到所述训练复合物的初始训练分子图；截取所述初始训练分子图中的药物分子结合部位作为目标训练分子图；其中，所述药物分子结合部位上的目标靶点蛋白分子与训练药物分子之间的距离处于预设范围内。
[0018]在一种实现方式中，将所述目标训练分子图输入初始图神经网络，以所述相互作用强度训练值为优化目标对所述初始图神经网络进行训练，包括：将所述目标训练分子图上的节点特征和边特征共同输入初始图神经网络，所述初始图神经网络中还包括：节点自注意力机制图网络以及池化和全连接神经网络；所述目标训练分子图上的节点特征经所述节点自注意力机制图网络处理后得到新的节点特征，所述目标训练分子图上的边特征经所述节点自注意力机制图网络及所述边的自注意力机制图网络处理后得到新的边特征；从新的边特征中提取相互作用的边，将提取的相互作用的边和新的节点特征共同输入到所述池化和全连接神经网络，得到所述训练复合物中目标靶点蛋白分子与训练药物分子之间的相互作用强度预测值；利用计算损失函数或者梯度下降方法对所述初始图神经网络进行训练，以使所述相互作用强度预测值接近所述相互作用强度训练值。
[0019]本专利技术还提供一种靶点蛋白分子与药物分子之间相互作用强度的预测装置，所述装置包括：获取模块，用于获取待预测的目标靶点蛋白分子与药物分子的复合物；构建模块，用于对所述复合物进行图构建处理，得到目标分子图；预测模块，用于将所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种靶点蛋白分子与药物分子之间相互作用强度的预测方法，其特征在于，所述方法包括：获取待预测的目标靶点蛋白分子与药物分子的复合物；对所述复合物进行图构建处理，得到目标分子图；将所述目标分子图输入预先训练的图神经网络，得到所述目标靶点蛋白分子与所述药物分子之间的相互作用强度预测值；其中，所述图神经网络中包括边的自注意力机制图网络。2.根据权利要求1所述的靶点蛋白分子与药物分子之间相互作用强度的预测方法，其特征在于，所述获取待预测的目标靶点蛋白分子与药物分子的复合物，包括：获取待预测的目标靶点蛋白分子和药物分子候选集合；利用计算化学方法或者机器学习方法计算得到所述目标靶点蛋白分子与所述药物分子候选集合中各个药物分子的复合物。3.根据权利要求1所述的靶点蛋白分子与药物分子之间相互作用强度的预测方法，其特征在于，对所述复合物进行图构建处理，得到目标分子图，包括：将所述复合物中的原子构建为节点；若两个原子之间存在化学键，则在两个原子之间构建一条边；若两个原子之间的距离小于预设距离阈值，则在两个原子之间构建一条边；根据构建的节点和边得到所述复合物对应的目标分子图。4.根据权利要求3所述的靶点蛋白分子与药物分子之间相互作用强度的预测方法，其特征在于，根据构建的节点和边得到所述复合物对应的目标分子图，包括：根据构建的节点和边得到所述复合物的初始分子图；截取所述初始分子图中的药物分子结合部位作为目标分子图；其中，所述药物分子结合部位上的目标靶点蛋白分子与药物分子之间的距离处于预设范围内。5.根据权利要求1所述的靶点蛋白分子与药物分子之间相互作用强度的预测方法，其特征在于，将所述目标分子图输入预先训练的图神经网络，得到所述目标靶点蛋白分子与所述药物分子之间的相互作用强度预测值，包括：将所述目标分子图上的节点特征和边特征共同输入预先训练的图神经网络，所述图神经网络中还包括：节点自注意力机制图网络以及池化和全连接神经网络；所述目标分子图上的节点特征经所述节点自注意力机制图网络处理后得到新的节点特征，所述目标分子图上的边特征经所述节点自注意力机制图网络及所述边的自注意力机制图网络处理后得到新的边特征；从新的边特征中提取相互作用的边，将提取的相互作用的边和新的节点特征共同输入到所述池化和全连接神经网络，得到所述复合物中目标靶点蛋白分子与药物分子之间的相互作用强度预测值。6.根据权利要求2所述的靶点蛋白分子与药物分子之间相互作用强度的预测方法，其特征在于，将所述目标分子图输入预先训练的图神经网络，得到所述目标靶点蛋白分子与所述药物分子之间的相互作用强度预测值之后，还包括：获取预测得到的各个所述复合物对应的相互作用强度预测值；
按照相互作用强度预测值由大到小的顺序对所述药物分子候选集合中的各个药物分子进行排序。7.根据权利要求1所述的靶点蛋白分子与药物分子之间相互作用强度的预测方法，其特征在于，所述图神经网络的训练步骤包括：获取训练数据集，所述训练数据集中包括训练复合物，以及所述训练复合物中目标靶点蛋白分子与训练药物分子的相互作用强度训练值；对所述训练复合物进行图构建处理，得到目标训练分子图；将所述目标训练分子图输入初始图神经网络，以所述相互作用强度训练值为优化目标对所述初始图神经网络进行训练；训练完成后，得到已训练的图神经网络；其中，所述初始图神经网络中包括边的自注意力机制图网络。8.根据权利要求7所述的靶点蛋白分子与药物分子之间相互作用强度的预测方法，其特征在于，所述训练复合物的获取...

【专利技术属性】
技术研发人员：刘子敬，熊袁鹏，幺宝刚，
申请(专利权)人：粤港澳大湾区数字经济研究院福田，
类型：发明
国别省市：