【技术实现步骤摘要】
本专利技术涉及生物信息学与人工智能交叉相关，具体地说，是涉及一种基于多模态特征融合的药物靶标相互作用预测方法及系统。
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。
2、在药物研发和精准医疗领域，准确预测药物与靶标之间的相互作用（drug-targetinteraction, dti）对于新药发现和药物重定位具有重要意义。传统的dti预测方法多依赖于药物和蛋白质靶标的序列或结构等单一模态信息进行建模，难以全面刻画两者之间复杂的作用机制，限制了预测结果的准确性和模型的泛化能力。随着深度学习技术的发展，融合多模态信息、从多视角挖掘潜在交互规律，成为提升dti预测性能的重要研究方向。
3、现有的基于深度学习的dti预测方法，主要包括基于transformer的自监督序列建模和图神经网络对结构信息的表示方法。基于transformer结构的自监督学习策略能够有效地从序列数据中学习上下文相关的特征表示。例如，有研究提出利用频繁连续子序列（frequent consecutive...
【技术保护点】
1.基于多模态特征融合的药物靶标相互作用预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多模态特征融合的药物靶标相互作用预测方法，其特征在于，药物与靶标的子序列特征的提取方法，包括如下步骤：
3.如权利要求2所述的基于多模态特征融合的药物靶标相互作用预测方法，其特征在于：
4.如权利要求1所述的基于多模态特征融合的药物靶标相互作用预测方法，其特征在于，构建药物的二维分子图和靶标的三维结构图，分别通过基于图结构的Transformer模型提取药物和靶标的图结构特征，包括以下步骤：
5.如权利要求4所述的基于...
【技术特征摘要】
1.基于多模态特征融合的药物靶标相互作用预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多模态特征融合的药物靶标相互作用预测方法，其特征在于，药物与靶标的子序列特征的提取方法，包括如下步骤：
3.如权利要求2所述的基于多模态特征融合的药物靶标相互作用预测方法，其特征在于：
4.如权利要求1所述的基于多模态特征融合的药物靶标相互作用预测方法，其特征在于，构建药物的二维分子图和靶标的三维结构图，分别通过基于图结构的transformer模型提取药物和靶标的图结构特征，包括以下步骤：
5.如权利要求4所述的基于多模态特征融合的药物靶标相互作用预测方法，其特征在于，基于图结构的transformer模型，包括多层堆叠的transformer编码器，每层transformer编码器连接设置多个注意力头；每层输出端连接设置dropout正则化模块。
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。