[发明专利]基于超图神经网络的药物-标靶相互作用预测方法

说明书

本发明提供基于超图神经网络的药物‑标靶相互作用预测方法，首先从公开数据库上搜集药物‑标靶相互作用信息作为数据集，将获得的数据集分为训练集和测试集，利用训练集中的数据构建用于建模的异质生物网络，然后对异质生物网络进行建模获得异质生物超图，根据获得的异质生物超图生成其对偶超图，再利用超图神经网络进行药物、标靶特征提取，生成药物嵌入和标靶嵌入，最后计算药物和标靶之间相互作用的概率。本发明技术方案将异质生物网络建模为超图，可以充分学习药物和标靶间的高阶复杂关系，带来更好的预测效果。

技术领域

本发明属于计算生物学领域，尤其针对计算药物发现方法，具体涉及一种基于超图神经网络的药物-标靶相互作用预测方法。

背景技术

药物-靶标相互作用(DTIs)的识别是开发新药和了解其副作用的重要步骤。由于开发用于靶向大量蛋白质和疾病过程的合成化合物的数量不断增加，使用生物学实验鉴定药物-靶标相互作用既耗时又昂贵，这是传统药物发现方法面临的一大困境。近年来，为了减轻这些缺点，研究人员已尝试使用计算方法来识别药物-靶标相互作用。

计算方法中的深度学习方法在不同领域得到了很好的应用，如卷积神经网络应用于图像处理领域，长短期记忆网络应用于自然语言处理领域。针对不规则的图(如分子结构，社交网络等)这样的非欧数据结构时,也提出了图卷积算法以实现更好的预测性能。

但是，大多数现有方法都是基于药物和目标之间的已知关联来预测新型DTIs，这些已知关联都是低阶的成对关系。实际上，一种药物会和多种标靶产生相互作用关系，反之也是如此。所以基于网络或者普通图模型的方法难以捕获药物和标靶之间的高阶复杂关系。然后，我们提出了一种新颖的基于深度学习的框架，即超图卷积网络HGNN-DTI，用于药物-靶标相互作用识别。该模型首先使用超图卷积神经网络来学习每个药物和标靶的嵌入。其次，将这些嵌入作为输入，计算相似性，生成相互作用概率矩阵。

发明内容

本发明主要考虑随着更多新药物的合成和使用以及对更多标靶的深入了解，我们愈发需要对药物进行重定位，充分利用新药物。尤其是需要计算方法来进行药物发现，以避免在湿实验室中耗时又昂贵的生物实验。提供了一种基于超图神经网络的药物-标靶相互作用预测方法，结合了超图神经网络，孪生神经网络，提高了模型的预测性能和鲁棒性。

本发明针对多种不同类型标靶，如酶，离子通道，蛋白质偶联受体，核受体，预测其与药物间的相互作用。

基于超图神经网络的药物-标靶相互作用预测方法，步骤如下：

步骤1、从公开数据库上搜集药物-标靶相互作用信息作为数据集。

从公开数据库中搜集大量的药物-标靶相互作用信息，形成数据集，将获得的数据集分为训练集和测试集，利用训练集中的数据构建用于建模的异质生物网络。

步骤2、对异质生物网络进行建模获得异质生物超图。

步骤3、根据步骤2中获得的异质生物超图G生成其对偶超图。

步骤4、利用超图神经网络进行药物、标靶特征提取，生成药物嵌入和标靶嵌入。

步骤5、计算药物和标靶之间相互作用的概率。

步骤6、训练超图神经网络模型。

步骤1具体操作如下：