基于深度神经网络的药物-靶标相互作用预测方法及装置制造方法及图纸

本申请提供一种基于深度神经网络的药物‑靶标相互作用预测方法及装置，涉及药物‑靶标相互作用预测技术领域。该方法包括：计算药物相关网络、蛋白质相关网络中不同元素间的相似性，得到初始药物相似性矩阵和初始蛋白质相似性矩阵；对初始药物相似性矩阵和初始蛋白质相似性矩阵进行预处理，得到目标药物相似性矩阵和目标蛋白质相似性矩阵；将目标药物相似性矩阵和目标蛋白质相似性矩阵进行拼接，得到DPP；根据DPP确定DPP的特征邻接矩阵、DPP的拓扑邻接矩阵；根据初始药物相似性矩阵和初始蛋白质相似性矩阵，得到特征矩阵；根据特征邻接矩阵、拓扑邻接矩阵、特征矩阵得到预测结果。本申请能提升网络学习效果，更好的预测药物‑靶标相互作用。

【技术实现步骤摘要】

本专利技术涉及药物-靶标相互作用预测，具体而言，涉及一种基于深度神经网络的药物-靶标相互作用预测方法及装置。

技术介绍

1、确定已知药物与靶点之间的相互作用是医学领域的重要内容，它有助于药物的发现和重新定位。然而，通过体外和体内实验来鉴定药物-靶标相互作用(dti)耗时且昂贵。因此，越来越多的研究人员开始探索dti预测的计算方法，这不仅可以减少药物发现过程中的损失，还可以为药物重新定位、耐药性和副作用预测的研究提供指导。

2、近年来相继有不错的药物-靶标结合亲和力预测相关的成果出现，比如deepdta(ozturk et al.2018)、deepaffinity(karimi et al.2019)、graphdta(nguyen etal.2021)、deepdtaf(wang et al.2021)等。其中deepdta采用两个深度卷积神经网络(convolutional neural network，cnn)分别对药物和蛋白质序列进行编码，在当时取得了不错的效果；deepaffinity利用cnn对蛋白质序列进行编码，用无监督的序列到序本文档来自技高网...

【技术保护点】

1.一种基于深度神经网络的药物-靶标相互作用预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述初始药物相似性矩阵和所述初始蛋白质相似性矩阵进行预处理，得到目标药物相似性矩阵和目标蛋白质相似性矩阵，包括：

3.根据权利要求1所述的方法，其特征在于，所述预设规则为：如果两个DPP有相同的药物或者蛋白质，则认为所述两个DPP有同一条拓扑边。

4.根据权利要求1所述的方法，其特征在于，所述采用图嵌入模块对所述初始药物相似性矩阵和所述初始蛋白质相似性矩阵进行特征提取，得到多视图信息，包括：

5.根据权利要求4所述的方法...

【技术特征摘要】

1.一种基于深度神经网络的药物-靶标相互作用预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述初始药物相似性矩阵和所述初始蛋白质相似性矩阵进行预处理，得到目标药物相似性矩阵和目标蛋白质相似性矩阵，包括：

3.根据权利要求1所述的方法，其特征在于，所述预设规则为：如果两个dpp有相同的药物或者蛋白质，则认为所述两个dpp有同一条拓扑边。

4.根据权利要求1所述的方法，其特征在于，所述采用图嵌入模块对所述初始药物相似性矩阵和所述初始蛋白质相似性矩阵进行特征提取，得到多视图信息，包括：

5.根据权利要求4所述的方法，其特征在于，所述采用所述图嵌入模块对所述初始药物相似性矩阵和所述初始蛋白质相似性矩阵进行特征提取，得到嵌入矩阵，包括：

6.根据权利要求1所述的方法，其特征在于，所述根据所述特征邻接矩阵、所述拓扑邻接矩阵、所述特征矩阵，得到特征...

【专利技术属性】
技术研发人员：刘友发，张逸帆，杜博，
申请(专利权)人：武汉大学，
类型：发明
国别省市：