一种药靶互作预测模型的表征优化与软标签构建方法技术

本发明专利技术公开一种药靶互作预测模型的表征优化与软标签构建方法，包括以下步骤：(1)基于Molformer预训练模型构建分子表征空间，采用K‑Means聚类算法对负样本进行特征空间相似性分析，通过设定动态阈值剔除冗余样本，实现正负样本均衡化；(2)设计基于对数函数的软标签优化机制，将DAVIS数据集中pKd值转化为(0,1)区间连续分布的软标签，保留结合强度梯度信息以增强模型对弱结合化合物的敏感性；(3)集成上述数据增强策略，通过五折交叉验证法训练药靶互作预测模型，以提升模型预测性能。本发明专利技术验证了其在缓解数据偏置与信息损失问题上的显著优势，本方法也为深度学习的药物虚拟筛选提供了高鲁棒性数据处理框架。

【技术实现步骤摘要】

本专利技术涉及生物医药与人工智能交叉领域，具体是一种药靶互作预测模型的表征优化与软标签构建方法，以提升药物与靶点互作用预测模型的性能。

技术介绍

1、在药物研发领域，靶点蛋白与配体分子的相互作用机制研究是发现先导化合物的关键环节。尽管分子对接技术和分子动力学模拟等计算方法已显著提升了化合物筛选效率，但受限于庞大化合物空间的搜索问题，传统方法仍存在计算资源消耗高、筛选周期长(通常需数月至数年)的局限性。

2、近年来，深度学习技术通过将药物-靶点相互作用(drug-target interaction,dti)预测建模为二分类任务，或将药物-靶点亲和力(drug-target affinity,dta)预测转化为回归问题，为虚拟药物筛选提供了高效解决方案。有学者提出类视觉问答框架，将靶点蛋白距离图映射为图像特征，结合配体smiles(simplified molecularinput line entrysystem)字符串实现互作预测；还有学者借鉴机器翻译范式，利用一维卷积网络编码靶点氨基酸序列，并通过图卷积网络(graph convolutio本文档来自技高网...

【技术保护点】

1.一种药靶互作预测模型的表征优化与软标签构建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种药靶互作预测模型的表征优化与软标签构建方法，其特征在于，在步骤S1中，所述对数变换公式为：

3.根据权利要求1所述的一种药靶互作预测模型的表征优化与软标签构建方法，其特征在于，步骤S2、负样本优化采样：针对DAVIS数据集中冗余负样本问题，分别采用以下两种策略生成优化数据集D1和优化数据集D2，包括以下步骤：

4.根据权利要求3所述的一种药靶互作预测模型的表征优化与软标签构建方法，其特征在于，步骤S2(b)中，所述分子表征向量由基于Transfo...

【技术特征摘要】

1.一种药靶互作预测模型的表征优化与软标签构建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种药靶互作预测模型的表征优化与软标签构建方法，其特征在于，在步骤s1中，所述对数变换公式为：

3.根据权利要求1所述的一种药靶互作预测模型的表征优化与软标签构建方法，其特征在于，步骤s2、负样本优化采样：针对davis数据集中冗余负样本问题，分别采用以下两种策略生成优化数据集d1和优化数据集d2，包括以下步骤：

4.根据权利要求3所述的一种药靶互作预测模型的表征优化与软标签构建方法，其特征在于，步骤s2(b)中，所述分子表征向量由基于transformer架构的molformer模型生成，用于捕捉化合物结构信息；剔除负样本的标准为：其与正样本聚类中心之间的最小欧氏距离超过设定阈值。

5.根据权利要求1所述的一种药靶互作预测模型的表征优化与...

【专利技术属性】
技术研发人员：王卓，赵一鸣，邓谟平，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：