【技术实现步骤摘要】
本专利技术属于药物与靶标关系预测技术，具体涉及一种图神经网络辅助的药物-靶标相互作用预测方法。
技术介绍
1、药物-靶标相互作用(drug-target interaction，dti)预测在药物研发中具有重要意义，因为它能够帮助发现新靶点、提高研发效率并降低风险。然而，传统的高通量筛选技术耗时且昂贵，这使得借助人工智能技术辅助dti预测成为一种高效且经济的选择。近年来，图神经网络(gnn)在分析和理解图结构数据方面展现出卓越性能，其能够有效捕捉节点之间的复杂关系，被广泛应用于多个领域，包括社交网络、生物医学等。在生物医学领域，gnn特别适用于建模药物分子与蛋白质靶标的三维结构及其交互模式，为药物设计提供了全新视角和技术手段。
2、近年来，针对dti预测问题，研究人员已提出多种方法。例如，基于片段的dti预测方法利用卷积神经网络学习药物与靶标的多种片段之间的协同作用，从而降低训练成本并提升泛化能力；例如，基于深度学习的多特征融合方法，使用bpe算法与多注意力框架进行多粒度编码，实现对多字符原子与化学官能团的编码学习，从而提高...
【技术保护点】
1.一种图神经网络辅助的药物-靶标相互作用预测方法，其特征在于，包括步骤：
2.根据权利要求1所述的药物-靶标相互作用预测方法，其特征在于，步骤S1进一步包括：
3.根据权利要求1所述的药物-靶标相互作用预测方法，其特征在于，步骤S12进一步包括：
4.根据权利要求2所述的药物-靶标相互作用预测方法，其特征在于，步骤S13进一步包括：
5.根据权利要求4所述的药物-靶标相互作用预测方法，其特征在于，所述最终的药物分子表示的表达式为：
6.根据权利要求1所述的药物-靶标相互作用预测方法，其特征在于，采用图神经网...
【技术特征摘要】
1.一种图神经网络辅助的药物-靶标相互作用预测方法，其特征在于，包括步骤：
2.根据权利要求1所述的药物-靶标相互作用预测方法，其特征在于，步骤s1进一步包括：
3.根据权利要求1所述的药物-靶标相互作用预测方法，其特征在于，步骤s12进一步包括：
4.根据权利要求2所述的药物-靶标相互作用预测方法，其特征在于，步骤s13进一步包括：
5.根据权利要求4所述的药物-靶标相互作用预测方法，其特征在于，所述最终的药物分子表示的表达式为：
6.根据权利要求1所述的药物-靶标相互作用预测方法，其特征在于，采用...
【专利技术属性】
技术研发人员：琚玮，陈峻堃，邓又夫，唐精虹，田明宇，陈海帆，
申请(专利权)人：四川大学，
类型：发明
国别省市：
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。