[发明专利]一种基于多源数据融合和网络结构扰动的药物靶标预测方法

权利要求书

1.一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法，其特征在于实施步骤为：

(1)收集已知药物靶标相互作用数据、药物化学结构信息、靶标氨基酸序列信息、靶蛋白GO信息；

(2)进行药物相似性分析，得到药物化学结构相似性和药物高斯相互作用谱剖面相似性；

(3)进行靶标相似性分析，得到靶标序列相似性和靶标GO功能相似性；

(4)建立非线性多源数据融合模型，分别扩散融所有的合药物相似性和所有的靶标相似性；

(5)构建药物靶标双层网络模型；

(6)建立药物靶标网络结构扰动模型，预测潜在的药物靶标相互作用，得到最终结果。

2.根据权利要求1所述的一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法，其特征在于数据收集阶段：

(1)从Yamanishi数据库中下载被实验验证的药物靶标相互作用数据，将其作为分析数据的主体以及度量药物的高斯相互作用谱剖面相似性，它包含核受体(NR)数据集、酶(E)数据集、离子通道(IC)数据集和G蛋白偶联受体(GPCR)数据集；

(2)从KEGG配体数据库中提取药物的化学结构信息，以度量药物的化学结构相似性；

(3)从KEGG基因数据库中收集靶标的氨基酸序列信息，以度量靶标的序列相似性；

(4)从GOA数据库中提取出靶蛋白的GO数据，以度量靶标的GO功能相似性。

3.根据权利要求1所述的一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法，其特征在于药物相似性分析阶段：

(1)利用药物的化学结构信息，使用SIMCOMP算法计算两种药物之间的化学结构相似性，采用图对齐方法，根据药物间最大公共子结构的大小来反映整体相似度得分；

(2)利用已知的药物靶标相互作用信息，通过构建二进制向量来编码药物d_i与所考虑的DTI网络中各靶标的相互作用谱，计算出药物对之间的高斯相互作用谱剖面相似性。

4.根据权利要求1所述的一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法，其特征在于靶标相似性分析阶段：

(1)根据化学上相似的药物倾向于与相似的目标蛋白质相互作用的想法，使用归一化的Smith-Waterman得分计算靶标序列相似度；

(2)功能相似的基因更有可能调节相似的疾病，并且倾向于用相似的药物治疗，因此，我们使用基因的GO功能信息来构建靶标的GO功能相似性。

5.根据权利要求1所述的一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法，其特征在于多源数据扩散阶段：

(1)对所获得的药物化学结构相似性矩阵，药物高斯相互作用谱剖面相似性矩阵分别定义一个完整核和一个稀疏核，利用k最近邻居算法度量局部亲和度，使用图扩散得到非邻域的相似度，通过对完整核和稀疏核的迭代运算，在多次扩散和传播过程中得到最终的药物多源信息扩散矩阵；

(2)对所获得的靶标序列结构相似性矩阵，靶标GO功能相似性矩阵分别定义一个完整核和一个稀疏核，利用k最近邻居算法度量局部亲和度，使用图扩散得到非邻域的相似度，通过对完整核和稀疏核的迭代运算，在多次扩散和传播过程中得到最终的靶标多源信息扩散矩阵。

6.根据权利要求1所述的一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法，其特征在于构建药物靶标双层网络模型，构建表示实验验证的药物靶标相互作用网络的邻居矩阵，利用获得的药物多源信息扩散矩阵，靶标多源信息扩散矩阵和被实验验证的药物靶标相互作用零阶矩阵构造一个药物靶标双层网络。

7.根据权利要求1所述的一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法，其特征在于用结构微扰法预测潜在的药物靶标相互作用，根据药物靶标双层网络的实对称特点和量子力学中的一阶微扰哈密顿算法，将结构微扰理论应用于我们的网络，构建关于药物靶标网络的结构扰动模型；通过一阶近似法构造扰动矩阵求解结构扰动模型得到最终扰动后恢复的网络；对所有未观测到的链路根据其在扰动后恢复的网络中的相应分数按降序排序，得分越高的越可能是潜在的药物靶标相互作用。