【技术实现步骤摘要】
本专利技术涉及药物研究，具体来说，涉及基于等级多模态自注意力图神经网络的dti预测方法。
技术介绍
1、药物-靶点相互作用(drug-target interactions，dtis)预测是药物研发过程中的关键步骤，传统的筛选实验需要耗费大量的人力物力，导致药物研发成本高昂，随着化合物库和靶点库的日益增长，利用计算方法预测dti已成为一种切实可行的方法，可以有效地提高药物研发效率，降低研发成本。基于计算方法预测dti主要分为两类：基于机器学习的dti预测和基于深度学习的dti预测；基于机器学习的dti预测方法利用随机森林、支持向量机和逻辑回归等算法在已知的药物-靶点相互作用数据集进行训练，学习药物和靶点之间的关联规律。
2、基于深度学习的dti预测方法将dti预测建模成二分类任务，此类方法采用深度学习模型自动学习药物和靶点的特征表示，并捕捉它们之间的复杂关系，随着深度学习技术的快速发展，已有大量的模型被提出用于dti预测。例如，将分子特征和反应特征作为模型输入，引入特征核函数，通过计算特征空间中的相似度来进行dti预测，以及...
【技术保护点】
1.基于等级多模态自注意力图神经网络的DTI预测方法，其特征在于，该基于等级多模态自注意力图神经网络的DTI预测方法包括以下步骤：
2.根据权利要求1所述的基于等级多模态自注意力图神经网络的DTI预测方法，其特征在于，所述利用卷积模块提取蛋白质序列特征及蛋白质2-mer序列特征包括以下步骤：
3.根据权利要求2所述的基于等级多模态自注意力图神经网络的DTI预测方法，其特征在于，所述利用卷积模块并结合图神经网络提取药物SMILES特征及药物分子图特征包括以下步骤：
4.根据权利要求3所述的基于等级多模态自注意力图神经网络的DTI预测方...
【技术特征摘要】
1.基于等级多模态自注意力图神经网络的dti预测方法，其特征在于，该基于等级多模态自注意力图神经网络的dti预测方法包括以下步骤：
2.根据权利要求1所述的基于等级多模态自注意力图神经网络的dti预测方法，其特征在于，所述利用卷积模块提取蛋白质序列特征及蛋白质2-mer序列特征包括以下步骤：
3.根据权利要求2所述的基于等级多模态自注意力图神经网络的dti预测方法，其特征在于，所述利用卷积模块并结合图神经网络提取药物smiles特征及药物分子图特征包括以下步骤：
4.根据权利要求3所述的基于等级多模态自注意力图神经网络的dti预测方法，其特征在于，所述基于节点的初始特征及边的初始特征，利用有向消息传递网络提取药物分子图特征包括以下步骤：
5.根据权利要求4所述的基于等级多模态自注意力图神经网络的dti预测方法，其特征在于，所述对蛋白质序列特征、蛋白质2-mer序列特征、药物smiles特征及药物分子图特征进行多模态特征融合包括以下步骤：
6.根据权利要求5所述的基于等级多模态自注意力图神经网络...
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。