一种基于多机制融合的药物靶标亲和力预测方法技术

本发明专利技术涉及一种基于多机制融合的药物靶标亲和力预测方法，包括如下步骤：数据预处理与伪领域构建、基于深度学习的特征表示学习、特征交互、引入泛化机制、模型训练、模型评估以及推理应用阶段。预测模型采用的药物‑靶标相互作用泛化预测方法中融合伪领域的连续嵌入、MMD分布对齐以及Mixup数据增强策略，有效实现大规模多领域分布下的泛化建模，能够自动识别并适应数据潜在领域结构，从而提高模型在未知数据上的预测准确性和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及人工智能、生物学信息与药物发现交叉领域，尤其涉及一种基于多机制融合的药物靶标亲和力预测方法。

技术介绍

1、药物与靶标之间的亲和力预测(drug-targetbindingaffinityprediction)是药物虚拟筛选中的关键任务。随着深度学习的发展，许多方法尝试对药物分子和靶标分别进行建模，并通过特征交互机制(如cross-attention)对其亲和力进行建模预测。然而，在实际药物开发中，不同来源的化合物(如天然产物、小分子库)和靶标(如gpcr、激酶、酶类)存在显著分布差异，这种领域偏移(domainshift)会使模型在训练集上表现良好，但在测试集(或新药新靶)上的预测能力明显下降。鉴于现有药物-靶标亲和力预测方法在面对领域偏移(即不同数据分布)时泛化能力不足的问题，有必要开发一种无需领域先验、能自动提取潜在分布差异并进行有效泛化建模的方法，以提升药物靶标亲和力预测模型在真实应用中的鲁棒性与可推广性。

技术实现思路

1、为了解决上述问题，本专利技术的目的在于提供一种基于多机制融合的本文档来自技高网...

【技术保护点】

1.一种基于多机制融合的药物靶标亲和力预测方法，其特征在于，包括：收集并清洗药物-靶标对的亲和力数据，得到每个药物-靶标训练样本(ci,pj)；构建药物伪领域，根据药物所属的簇，为每个药物分配一个伪领域标签Dd；构建靶标伪领域，根据靶标所属的簇，为每个靶标分配一个伪领域标签Dt；对于每个药物-靶标训练样本(ci,pj)，其伪领域标签Dsample为药物伪领域标签和靶标伪领域标签的组合；

2.根据权利要求1所述的一种基于多机制融合的药物靶标亲和力预测方法，其特征在于：

3.根据权利要求1所述的一种基于多机制融合的药物靶标亲和力预测方法，其特征在于：

4....

【技术特征摘要】

1.一种基于多机制融合的药物靶标亲和力预测方法，其特征在于，包括：收集并清洗药物-靶标对的亲和力数据，得到每个药物-靶标训练样本(ci,pj)；构建药物伪领域，根据药物所属的簇，为每个药物分配一个伪领域标签dd；构建靶标伪领域，根据靶标所属的簇，为每个靶标分配一个伪领域标签dt；对于每个药物-靶标训练样本(ci,pj)，其伪领域标签dsample为药物伪领域标签和靶标伪领域标签的组合；

2.根据权利要求1所述的一种基于多机制融合的药物靶标亲和力预测方法，其特征在于：

3.根据权利要求1所述的一种基于多机制融合的药物靶标亲和力预测方法，其特征在于：

4.根据权利要求1所述...

【专利技术属性】
技术研发人员：魏乐松，邹权，吕科，
申请(专利权)人：电子科技大学长三角研究院衢州，
类型：发明
国别省市：