【技术实现步骤摘要】
本专利技术涉及药物组合研发，尤其涉及一种基于多模态深度学习的抗癌药物组合作用预测方法。
技术介绍
1、癌症、心血管疾病和其他很多疾病存在异质性，具有不同的病理特征和表观遗传变异，导致不同个体对药物的反应和耐药性也各有不同，又由于其生物学复杂性涉及多个靶基因，单一药物治疗通常无法完全起效。因此近些年来，传统医学和现代医学都利用了多种药物联合使用的优势来治疗疾病。当患者在同一时间段内使用两种或多种药物时，受机体复杂因素的影响，这些药物间会产生交互作用。与“单一药物、单一疾病、单一靶点”的传统治疗模式相比，联合用药可以作用于组织细胞的不同分子靶点，从而提高疗效，减少副作用，克服耐药性。这种联合用药所带来的综合效果，往往超过单独使用每种药物的作用总和，此现象被称为药物的协同作用。药物组合治疗可以通过同时作用于不同的靶点或不同的生物过程，越来越多地用于治疗如高血压、传染病和癌症等各种复杂的疾病。
2、然而在现有情况下，伴随药物组合种类的急剧增多，医药研发和临床试验成本的急剧上升，即便借助高通量筛选技术，识别药物间的协同作用关系仍是一项...
【技术保护点】
1.一种基于多模态深度学习的抗癌药物组合作用预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模态深度学习的抗癌药物组合作用预测方法，其特征在于，在步骤S1中，药物多个模态包括代表一维结构的Morgan指纹、代表二位信息的序列和分子图、代表三维的原子点云；其中序列用于表示分子的结构和组成，分子图用于描述分子的连接方式和拓扑结构，原子点云用于提供分子的立体构象和原子位置。
3.根据权利要求2所述的一种基于多模态深度学习的抗癌药物组合作用预测方法，其特征在于，使用RDKit提取药物组合一维Morgan指纹特征；为每种药物生成半...
【技术特征摘要】
1.一种基于多模态深度学习的抗癌药物组合作用预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模态深度学习的抗癌药物组合作用预测方法，其特征在于，在步骤s1中，药物多个模态包括代表一维结构的morgan指纹、代表二位信息的序列和分子图、代表三维的原子点云；其中序列用于表示分子的结构和组成，分子图用于描述分子的连接方式和拓扑结构，原子点云用于提供分子的立体构象和原子位置。
3.根据权利要求2所述的一种基于多模态深度学习的抗癌药物组合作用预测方法，其特征在于，使用rdkit提取药物组合一维morgan指纹特征；为每种药物生成半径为2的morgan指纹，并将其表示为256维二进制值向量，即：
4.根据权利要求3所述的一种基于多模态深度学习的抗癌药物组合作用预测方法，其特征在于，通过bilstm-gmlp网络提取单药物序列特征，再利用多头注意力机制对两种特征做融合降维得到药物组合序列特征；
5.根据权利要求4所述的一种基于多模态深度学习的抗癌药物组合作用预测方法，其特征在于，在分子图特征提取中，对于单个药物以及药物组合分别从一阶幂图、二阶幂图、三阶幂图三个层面上利用图卷积神经网络模块进行特征提取和融合最终得到药物组合分子图特征，再将其与序列特征结合得到药物组合二维特征。
6.根...
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。