[发明专利]基于多通道图卷积网络的药物靶标相互作用预测方法

说明书

基于多通道图卷积网络的药物靶标相互作用预测方法，它属于药物与靶标关系预测技术领域。本发明解决了现有方法依赖于手工所提取的特征不准确，导致的对药物靶标相互作用预测的准确性差的问题。本发明根据获得的药物特征矩阵和蛋白质特征矩阵构建药物蛋白对网络，并采用多通道图卷积网络对药物蛋白对网络中药物蛋白对之间的拓扑关系和药物蛋白对特征之间的邻近关系进行特征提取，得到拓扑关系嵌入和特征邻近关系嵌入，再对拓扑关系嵌入和特征邻近关系嵌入进行处理得到共同嵌入，最后使用注意力机制将拓扑关系嵌入、特征邻近关系嵌入和共同嵌入融合，将融合结果输入多层感知机对药物靶标关系进行预测。本发明可以应用于药物与靶标关系的预测。

技术领域

本发明属于药物与靶标关系预测技术领域，具体涉及一种基于多通道图卷积网络的药物靶标相互作用预测方法。

背景技术

药物靶点是能够与药物结合并在细胞内发挥特殊作用的分子，蛋白质是药物的主要分子靶点。

我们需要对数千种化合物进行测试和实验，以找到安全有效的药物。因此，药物发现是一个费时费力的过程，有失败的风险。但通过计算药物与靶点相互作用的概率，可以减少药物发现过程中昂贵的损失。

为了实现这一目标，越来越多的研究者正在探索其他方法来预测药物与靶点之间的关系。药物靶向关系预测不仅可以减少药物发现过程中的损失，而且对药物迁移、多药药理学、耐药性预测、副作用预测等都具有指导作用。

传统的预测已知药物新靶点的方法是基于小分子、蛋白质靶点或表型特征。现有的药物-蛋白质关系预测方法有基于机器学习的方法、基于二部局部模型的方法、基于结构的方法、基于深度学习的方法等。

对于结构未知的蛋白质，使用基于结构的预测方法得到的回报往往很小，而许多蛋白质的回报却很小。

近年来，充分利用药物和靶点的特点，利用基于深度学习和机器学习的方法对药物和靶点的性能进行预测。虽然越来越多的研究表明深度学习可以用来预测药物靶向关系，但是现有的预测方法需要依赖于手工进行特征的提取，这种特征提取的方式必然会受到人为主观因素的影响，导致对特征的提取不准确，进而影响药物靶标相互作用预测的准确性。

发明内容

本发明的目的是为解决现有方法依赖于手工所提取的特征不准确，导致的对药物靶标相互作用预测的准确性差的问题，而提出了一种基于多通道图卷积网络的药物靶标相互作用预测方法。

本发明为解决上述技术问题所采取的技术方案是：一种基于多通道图卷积网络的药物靶标相互作用预测方法，所述方法具体包括以下步骤：

步骤一、从数据库中提取出药物信息、蛋白质信息、疾病信息以及药物副作用信息，并根据提取出的信息构建异构网络；

再采用Jaccard相似度方法和随机重启游走方法对构建的异构网络进行处理，得到药物扩散状态矩阵和蛋白质扩散状态矩阵；

步骤二、分别对药物扩散状态矩阵和蛋白质扩散状态矩阵进行降噪降维，得到药物特征矩阵和蛋白质特征矩阵；

步骤三、将步骤二得到的药物特征矩阵和蛋白质特征矩阵拼接，在拼接得到的各个药物蛋白对中，已知存在关系的药物和蛋白质形成的药物蛋白对是正确的，其余的药物蛋白对是不正确的；

步骤四、在正确的药物蛋白对中随机选取出一部分药物蛋白对，作为训练集正例，在剩余的正确药物蛋白对中再随机选取出一部分，作为测试集正例；

在不正确的药物蛋白对中随机选取出与训练集正例数量相等的药物蛋白对，作为训练集负例，在剩余的不正确药物蛋白对中再随机选取出与测试集正例数量相等的药物蛋白对，作为测试集负例；

若两个药物蛋白对之间共用药物或共用蛋白质，则认为两个药物蛋白对之间有关联，否则两个药物蛋白对之间没有关联，根据训练集正例和训练集负例来构建第一药物蛋白对网络，根据测试集正例和测试集负例来构建第二药物蛋白对网络；