[发明专利]一种基于药物多维相似度的药物交互作用预测方法

说明书

本发明公开了一种基于药物多维相似度的药物交互作用预测方法，该方法包括：基于药物在化合物分子描述符、药物靶标、ATC编码、通路及靶标在蛋白质交互作用网络中邻居节点多个方面的特性计算两个药物间的多维度相似性；基于所述多维度药物相似性特征构建基于马氏距离的SVM分类器用于区分协同、拮抗、独立的药物交互作用。

技术领域

本发明涉及生物信息学领域，特别涉及利用计算机技术预测药物交互作用的领域。

背景技术

传统药物研发主要针对作用于单一靶标的单一化合物，而复杂疾病往往对应着复杂的生物过程，一对一的药物-靶标作用模式在很多疾病的治疗中无法达到显著疗效。临床发现合理的药物联用不仅可以提高药物疗效，还可以降低毒副作用，为复杂疾病的治疗提供了新方式：组合药物。组合药物由两种或者两种以上活性药物成分组成，不同成分通常作用于不同靶标，调控不同病理过程，以较低的量达到更高疗效并且降低药物毒副作用。目前，组合药物正愈来愈多地用于复杂疾病，如：癌症、艾滋病、高血压、肺结核等疾病的治疗中。

不同于随机组合的药物，组合药物的不同药物间存在着协同交互作用。协同交互的药物组合具有有增效减毒的作用，即药物组合产生的药效大于各个药物单独使用时产生的药效的加和。与之对应的另外一种药物交互作用为拮抗交互，拮抗交互的药物组合会降低疗效，增加药物毒副作用。无论拮抗交互还是协同交互，药物间均存在着药理、药代方面的关联关系。针对复杂疾病的治疗，合理设计组合药物，有效地利用协同交互的药物组合同时避免拮抗交互的药物组合，将极大提高疾病的治疗效果。

现有的组合药物主要来自于临床经验，而药物组合的情况随着药物个数呈指数级增加，其组合爆炸的问题使得临床或实验研究几乎无法实现。因此，发展有效的计算机预测方法成为组合药物发现研究的必然趋势，通过计算预测出药物组合的类型，能够为实验研究提供指导，有利于组合药物研发工作的推进。

目前，已有研究者提出了多种计算方法用于分析药物组合或药物交互作用。其中一种比较常用的方法是基于药物间各种类型的相似性度量构建分类模型。例如，Zou等分析药物靶标在蛋白质交互作用 (Protein Protein Interaction:PPI)网络中的邻近社区的拓扑特性及相关基因本体(Gene Ontology:GO)语义相似性，构建SVM分类器，从而对药物组合是否可以作为有效的组合药物进行预测。然而，仅仅通过药物靶标间的特性分析药物组合，会忽略很多药物相关信息。 Gottlieb等则考虑了更为全面的药物特性，整合利用药物ATC编码、药物靶标在PPI网络上的距离、靶标的GO术语、靶标序列、化合物结构、药物副作用、配体结构共7个不同方面的药物相似度度量，构建药物交互作用分类模型。但是，现有的分类模型存在一些局限，其一是没有考虑到不同药物在通路方面的关联关系，而有效的组合药物通常是通过干预相关联的通路实现协同增效的作用。其二，这些分类模型主要针对有无交互作用或者是否作为组合药物进行分类，这两种模型均没有对协同交互和拮抗交互进行很好的区分。

在分类器的构建方面，针对于高维特征的数据集通常需要先通过特征的降维，再进行分类。2008年，向世明等提出一种马氏距离矩阵的启发式学习方法，学习获得的马氏距离矩阵用于分类和聚类方法中可以有效提高原有方法的精度，这种降维的方法为预测药物交互作用的类别提供有利参考。

发明内容

(一)要解决的技术问题

本发明的目的在于提出一种基于药物多维相似度的药物交互作用预测方法，整合药物多个方面特性计算药物相似性，并构建基于马氏距离的SVM分类器对协同、拮抗以及独立三种类型的药物交互作用进行分类。

(二)技术方案

为了解决上述技术问题，本发明提供了一种基于药物多维相似度的药物交互作用预测包括：

一、基于所述多维度药物相似性特征构建基于马氏距离的SVM 分类器；

步骤1：获取已知药物交互作用类型的药物对；