【技术实现步骤摘要】
本专利技术涉及生物信息学和深度学习，具体是一种融合门控机制与对比学习的化合物-蛋白质相互作用（compound-protein interaction, cpi）预测模型。该模型旨在解决现有cpi预测方法在特征提取和信息融合方面的局限性，通过引入门控机制和对比学习技术，提高cpi预测的准确性和可靠性，从而加速新药研发进程，降低药物研发成本。本专利技术所涉及的涵盖了化合物与蛋白质相互作用的计算预测，包括但不限于生物化学实验方法、基于结构的计算方法以及基于机器学习的预测方法。在此基础上，本专利技术提出了一种新的计算模型，该模型结合了深度学习中的门控机制和对比学习技术，能够更有效地提取和融合化合物与蛋白质的特征信息，实现对cpi的精确预测。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，并不必然构成在先技术。在生物医药和药物研发领域，化合物-蛋白质相互作用（compound-proteininteraction, cpi）的预测是药物发现过程中的一个关键环节。cpi的准确预测有助于科研人员快速筛选潜在的药物候选分子，从...
【技术保护点】
1.一种融合门控机制与对比学习的化合物-蛋白质相互作用预测方法，其特征是，包括如下过程：
2.如权利要求1所述的一种融合门控机制与对比学习的化合物-蛋白质相互作用预测方法，其特征是，所述编码层对氨基酸序列进行特征提取时，采用n-gram方法对其进行分割，并通过长短期记忆网络（LSTM）捕捉序列中的有序性和长期依赖性。
3.如权利要求1所述的一种融合门控机制与对比学习的化合物-蛋白质相互作用预测方法，其特征是，所述编码层对化合物分子进行特征提取时，利用图神经网络（GNN）提取其原子特征和分子结构信息，充分捕捉分子图中的拓扑关系和局部结构。
...【技术特征摘要】
1.一种融合门控机制与对比学习的化合物-蛋白质相互作用预测方法，其特征是，包括如下过程：
2.如权利要求1所述的一种融合门控机制与对比学习的化合物-蛋白质相互作用预测方法，其特征是，所述编码层对氨基酸序列进行特征提取时，采用n-gram方法对其进行分割，并通过长短期记忆网络（lstm）捕捉序列中的有序性和长期依赖性。
3.如权利要求1所述的一种融合门控机制与对比学习的化合物-蛋白质相互作用预测方法，其特征是，所述编码层对化合物分子进行特征提取时，利用图神经网络（gnn）提取其原子特征和分子结构信息，充分捕捉分子图中的拓扑关系和局部结构。
4.如权利要求1所述的一种融合门控机制与对比学习的化合物-蛋白质相互作用预测方法，其特征是，所述门控机制通过sigmoid激...
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。