基于三维空间生物反应的药物靶标亲和度预测方法及系统技术方案

本申请公开了基于三维空间生物反应的药物靶标亲和度预测方法及系统，其中方法步骤包括：获取蛋白质三维结构信息和化合物三维结构信息；并对蛋白质三维结构信息进行CASTp聚类，得到蛋白质口袋结构信息；对蛋白质口袋结构信息和化合物三维结构信息分别进行嵌入编码和位置编码，得到蛋白质编码结果和化合物编码结果；将蛋白质编码结果和化合物编码结果分别输入至三维等变图神经网络进行特征提取，得到蛋白质特征和化合物特征；基于蛋白质特征和化合物特征，构建蛋白质口袋

【技术实现步骤摘要】
基于三维空间生物反应的药物靶标亲和度预测方法及系统


[0001]本申请涉及生物分子领域，具体涉及基于三维空间生物反应的药物靶标亲和度预测方法及系统。

技术介绍

[0002]预测药物和靶点之间的相互作用关系及强度在药物发现过程中起着关键作用。该方向的研究大致可分为药物
‑
靶标相互作用(Drug
‑
Target Interaction，DTI)预测和药物
‑
靶标亲和度(Drug
‑
target affinity，DTA)预测。DTI预测属于二分类预测问题，更多关注药物与靶标之间是否存在相互作用关系。DTA预测属于回归预测问题，更多关注药物与靶标结合的紧密程度。近年来，基于计算机的DTI、DTA预测方法因其耗时短、成本低等优势而备受关注。
[0003]当前基于机器学习的DTA预测方法主要基于分子序列或二级结构特征进行研究，缺少对蛋白质三维结构的考虑，容易丢失药物
‑
靶标空间生物反应过程中的重要信息。另外，现有DTA预测方法只研究了分子序列或二级结构信息的特征提取问题。然而，面向基于三维结构的DTA预测研究，有必要分析药物
‑
靶标空间生物作用特点，提取蛋白质表面口袋和化合物的三维结构特征，并要求这些特征不受旋转、平移和反射等空间变换的影响。针对这些问题，本研究从蛋白质和药物的三维结构信息出发，分析药物
‑
靶标的三维空间结合特性，提出一种基于三维空间生物反应建模的药物靶标亲和度预测方法，以提高DTA预测方法的可解释性和可信度。

技术实现思路

[0004]为解决上述背景中的技术问题，本申请提出一种基于三维空间生物反应建模的药物靶标亲和度预测方法及系统，主要基于蛋白质与药物结构信息，构建具有生物可解释性的DTA预测模型。
[0005]为实现上述目的，本申请提供了基于三维空间生物反应的药物靶标亲和度预测方法，步骤包括：
[0006]获取蛋白质三维结构信息和化合物三维结构信息；并对所述蛋白质三维结构信息进行CASTp聚类，得到蛋白质口袋结构信息；
[0007]对所述蛋白质口袋结构信息和所述化合物三维结构信息分别进行嵌入编码和位置编码，得到蛋白质编码结果和化合物编码结果；
[0008]将所述蛋白质编码结果和所述化合物编码结果分别输入至三维等变图神经网络进行特征提取，得到蛋白质特征和化合物特征；
[0009]基于所述蛋白质特征和所述化合物特征，构建蛋白质口袋
‑
化合物二分图；
[0010]基于所述蛋白质口袋
‑
化合物二分图，对三维结构特征进行融合与交互学习，得到交互融合结果；
[0011]将所述交互融合结果馈入全连接神经网络，得到预测结果。
[0012]优选的，获取所述化合物三维结构信息和所述蛋白质口袋结构信息的方法包括：从PubChem、ChEMBL、KIBA、Davis、PDBbind和BindingDB数据库搜集、下载蛋白质氨基酸序列和化合物SMILES序列；将所述蛋白质氨基酸序列输入至AlphaFold2软件，生成所述蛋白质三维结构信息；利用CASTp聚类算法，获得所述蛋白质口袋结构信息；将所述化合物SMILES序列输入RDKit软件，生成所述化合物三维结构信息。
[0013]优选的，所述嵌入编码为线性转换过程，且嵌入层具有可训练权重；所述位置编码对每个所述蛋白质氨基酸序列的相对位置信息、绝对位置信息以及三维结构的空间相对位置信息进行编码；所述位置编码还对所述化合物SMILES序列的相对位置信息、绝对位置信息以及三维结构的空间相对位置信息进行编码。
[0014]优选的，进行所述特征提取的方法包括：采用三维等变图神经网络，分别以蛋白质口袋和化合物内部各原子相对位置为基础，提取不受空间变换影响的分子结构特征。
[0015]优选的，得到所述交互融合结果的方法包括：利用Graphormer图注意力网络全局关注分子间相互作用结构特征，实现蛋白质口袋与化合物结构信息的可解释性交互学习，得到所述交互融合结果。
[0016]本申请还提供了基于三维空间生物反应的药物靶标亲和度预测系统，包括：获取模块、编码模块、提取模块、构建模块、交互模块和预测模块；
[0017]所述获取模块用于获取蛋白质三维结构信息和化合物三维结构信息；并对所述蛋白质三维结构信息进行CASTp聚类，得到蛋白质口袋结构信息；
[0018]所述编码模块用于对所述蛋白质口袋结构信息和所述化合物三维结构信息分别进行嵌入编码和位置编码，得到蛋白质编码结果和化合物编码结果；
[0019]所述提取模块用于对所述蛋白质编码结果和所述化合物编码结果分别输入至三维等变图神经网络进行特征提取，得到蛋白质特征和化合物特征；
[0020]所述构建模块用于基于所述蛋白质特征和所述化合物特征，构建蛋白质口袋
‑
化合物二分图；
[0021]所述交互模块用于基于所述蛋白质口袋
‑
化合物二分图，对三维结构特征进行融合与交互学习，得到交互融合结果；
[0022]所述预测模块用于将所述交互融合结果馈入全连接神经网络，得到预测结果。
[0023]优选的，所述获取模块的工作流程包括：从PubChem、ChEMBL、KIBA、Davis、PDBbind和BindingDB数据库搜集、下载蛋白质氨基酸序列和化合物SMILES序列；将所述蛋白质氨基酸序列输入至AlphaFold2软件，生成所述蛋白质三维结构信息；利用CASTp聚类算法，获得所述蛋白质口袋结构信息；将所述化合物SMILES序列输入RDKit软件，生成所述化合物三维结构信息。
[0024]优选的，所述提取模块的工作流程包括：采用三维等变图神经网络，分别以蛋白质口袋和化合物内部各原子相对位置为基础，提取不受空间变换影响的分子结构特征。
[0025]优选的，所述交互模块的工作流程包括：利用Graphormer图注意力网络全局关注分子间相互作用结构特征，实现蛋白质口袋与化合物结构信息的可解释性交互学习，得到所述交互融合结果。
[0026]与现有技术相比，本申请的有益效果如下：
[0027]不同于现有基于分子序列或二级结构信息的DTA预测方法，本申请利用蛋白质和
化合物三维结构信息表达药物
‑
靶标空间生物反应过程，提出蛋白质口袋三维结构信息表示方法，基于分子间相互作用机制，设计药物
‑
靶标三维空间结构深度特征提取与融合交互网络模型，以获得高准确度、高可信度的DTA预测结果，解决传统DTA预测模型因缺乏蛋白质三维结构信息而导致的模型生物可解释性不足、预测结果可信度不高的问题。
附图说明
[0028]为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于三维空间生物反应的药物靶标亲和度预测方法，其特征在于，步骤包括：获取蛋白质三维结构信息和化合物三维结构信息；并对所述蛋白质三维结构信息进行CASTp聚类，得到蛋白质口袋结构信息；对所述蛋白质口袋结构信息和所述化合物三维结构信息分别进行嵌入编码和位置编码，得到蛋白质编码结果和化合物编码结果；将所述蛋白质编码结果和所述化合物编码结果分别输入至三维等变图神经网络进行特征提取，得到蛋白质特征和化合物特征；基于所述蛋白质特征和所述化合物特征，构建蛋白质口袋
‑
化合物二分图；基于所述蛋白质口袋
‑
化合物二分图，对三维结构特征进行融合与交互学习，得到交互融合结果；将所述交互融合结果馈入全连接神经网络，得到预测结果。2.根据权利要求1所述的基于三维空间生物反应的药物靶标亲和度预测方法，其特征在于，获取所述化合物三维结构信息和所述蛋白质口袋结构信息的方法包括：从PubChem、ChEMBL、KIBA、Davis、PDBbind和BindingDB数据库搜集、下载蛋白质氨基酸序列和化合物SMILES序列；将所述蛋白质氨基酸序列输入至AlphaFold2软件，生成所述蛋白质三维结构信息；利用CASTp聚类算法，获得所述蛋白质口袋结构信息；将所述化合物SMILES序列输入RDKit软件，生成所述化合物三维结构信息。3.根据权利要求1所述的基于三维空间生物反应的药物靶标亲和度预测方法，其特征在于，所述嵌入编码为线性转换过程，且嵌入层具有可训练权重；所述位置编码对每个所述蛋白质氨基酸序列的相对位置信息、绝对位置信息以及三维结构的空间相对位置信息进行编码；所述位置编码还对所述化合物SMILES序列的相对位置信息、绝对位置信息以及三维结构的空间相对位置信息进行编码。4.根据权利要求1所述的基于三维空间生物反应的药物靶标亲和度预测方法，其特征在于，进行所述特征提取的方法包括：采用三维等变图神经网络，分别以蛋白质口袋和化合物内部各原子相对位置为基础，提取不受空间变换影响的分子结构特征。5.根据权利要求1所述的基于三维空间生物反应的药物靶标亲和度预测方法，其特征在于，得到所述交互融合结果的方法包括：利用Graphormer图注意力网络...

【专利技术属性】
技术研发人员：左海维，周鹏程，杨洋，董浩，马金凤，
申请(专利权)人：徐州医科大学，
类型：发明
国别省市：