[发明专利]一种基于异构信息的药物-靶标相互作用预测方法

权利要求书

1.一种基于异构信息的药物-靶标相互作用预测方法，其特征在于，包括以下步骤：

第一步，数据准备，将已知的药物和靶标的异构关系信息用矩阵表示：

将已知的m种药物和n种靶标的相互作用关系表示为矩阵A＝(a_ij)_m×n，矩阵A为非负矩阵，其中任一元素a_ij0时表示药物i和靶标蛋白质j之间有大小为a_ij的相互作用关系，a_ij＝0时表示药物i和蛋白质j之间尚未发现相互作用关系；

将已知的m种药物之间的关系矩阵表示为B＝(b_ij)_m×m，矩阵B中任一元素b_ij表示药物i和药物j之间的关系分数；

将已知的n种靶标之间的关系矩阵表示为C＝(c_ij)_n×n，矩阵C中任一元素c_ij表示靶标i和靶标j之间的关系分数；

第二步，构建元素值为变量的特征矩阵，用以表示药物和靶标的特征信息；构建元素值为变量的投影矩阵，用以对药物和靶标的特征进行映射：

构建表示药物特征的元素值为变量的矩阵D＝(d_ij)_m×k，矩阵D的任意第i行代表药物i的k维特征向量，D的转置矩阵为D^T，将矩阵D的元素随机初始化取值；

构建表示靶标特征的元素值为变量的矩阵F＝(f_ij)_n×s，矩阵F的任意第i行代表靶标i的s维特征向量，F的转置矩阵为F^T，将矩阵F的元素随机初始化取值；

构建元素值为变量的投影矩阵P_A＝(p_Aij)_k×s，作为药物和靶标的特征映射空间，并将矩阵P_A的元素随机初始化取值；

构建元素值为变量的投影矩阵P_B＝(p_Bij)_k×k，作为药物和药物的特征映射空间，并将矩阵P_B的元素随机初始化取值；

构建元素值为变量的投影矩阵P_C＝(p_Cij)_s×s，作为靶标和靶标的特征映射空间，并将矩阵P_C的元素随机初始化取值；

第三步，利用上一步构建的变量矩阵分别重建药物和靶标的各关系矩阵：

重建药物-靶标的关系矩阵：A₁＝D×P_A×F^T；

重建药物-药物的关系矩阵：B₁＝D×P_B×D^T；

重建靶标-靶标的关系矩阵：C₁＝F×P_C×F^T；

第四步，分别计算各重建关系矩阵与原关系矩阵的误差矩阵，将对应矩阵逐元素相减：

药物-靶标的重建关系矩阵与原关系矩阵的误差矩阵：A_loss＝A-A₁；

药物-药物的重建关系矩阵与原关系矩阵的误差矩阵：B_loss＝B-B₁；

靶标-靶标的重建关系矩阵与原关系矩阵的误差矩阵：C_loss＝C-C₁；

第五步，分别将各误差矩阵逐元素求平方后再逐元素加和，即先对矩阵A_loss、B_loss、C_loss分别求自身的哈达玛积，再对得出的矩阵分别逐元素加和，作为重建误差值：

矩阵A的重建误差值：loss_A＝∑∑(A_loss*A_loss)；

矩阵B的重建误差值：loss_B＝∑∑(B_loss*B_loss)；

矩阵C的重建误差值：loss_C＝∑∑(C_loss*C_loss)；

第六步，将各重建矩阵误差值加和，作为总误差：

总误差：loss＝loss_A+loss_B+loss_C；

第七步，同步更新各变量矩阵的元素值，使总误差最小化：

以最小化总误差loss的值为目标，将loss分别对矩阵D、F、P_A、P_B、P_C中的各元素变量求导，采用梯度下降的方法同步更新矩阵D、F、P_A、P_B、P_C的元素变量值，使loss的值逐渐收敛到最小，取出此时得到的矩阵A₁，并记为A_new；

第八步，从总误差最小化的药物-靶标重建关系矩阵中提取出潜在的药物-靶标相互作用关系：

将矩阵A_new与A进行对比，取出A_new中所有A_i,j＝0所对应位置的元素A_newi,j，则A_newi,j的数值即为新预测出的药物i与靶标j之间的相互作用关系大小，将A_newi,j按照数值从大到小排序，即可从中得到最有可能的若干药物-靶标相互作用关系。