[发明专利]药物靶标相互作用预测模型训练方法、装置、设备和介质

说明书

本发明涉及人工智能技术领域，公开了一种药物靶标相互作用预测模型训练方法、装置、设备和介质，该方法包括：通过将源域训练样本输入源域预测模型的源特征提取单元，源域预测模型的源特征提取单元的输出为源域药物‑靶点作用向量；将目标域训练样本输入目标域预测模型的目标特征提取单元，目标特征提取单元的输出为目标域药物‑靶点作用向量；将源域药物‑靶点作用向量和目标域药物‑靶点作用向量分别输入源域预测模型的源分类器单元；将目标域药物‑靶点作用向量输入目标域预测模型的目标分类器单元，训练源域预测模型和目标域预测模型。提升药物靶标相互作用预测模型的准确度。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种药物靶标相互作用预测模型训练方法、装置、设备和介质。

背景技术

药物发现(drug discovery)是确定的新候选化合物(药物分子)具有潜在治疗作用的过程。药物发现过程中必不可少的一步是对药物分子和靶点蛋白的相互作用(drug-target interactions,DTI)的预测。因为药物分子的疗效取决于它们对靶点蛋白或受体的亲和力，对靶点蛋白没有任何相互作用或亲和力的药物分子将不能提供治疗反应。例如，在某些情况下，开发出的药物分子可能与非预期的蛋白质或受体相互作用，导致毒性。鉴于药物分子和靶点蛋白的相互作用(DTI)的实验测定，既费时又耗费资源。因此，目前借助于机器学习方法是一种辅助预测药物分子对靶点蛋白作用的重要手段。

发明人意识到，目前的通过机器学习方法训练药物靶标相互作用预测模型的方法，通常是通过大量的训练样本训练药物靶标相互作用预测模型，但是针对大多新药物分子对新靶点蛋白预测的任务中，只有少数的训练样本，同时，不同实验条件的多种药物靶点作用(DTI)测定数据，很难放到一起构建样本一起来有效训练。假设训练了一个深度学习模型，来执行某疾病的靶点A靶向药物预测，当有一个新疾病任务的靶点B靶向药物预测时，即使与A密切相关，也不能使用相同的模型。需要从头开始，为任务B收集大量的现实测定数据作为训练样本，去训练有效的B预测模型。也就是说，通常在AI药物研发的靶向药物预测领域，会使用某个场景(针对某靶点的靶向药物预测)的大量数据来训练模型；然而当场景发生改变(换一个新发现的疾病靶点)，尽管它们可能是相关的，模型需要重新从头训练。对于每项靶向药物预测任务，都需要从头开始训练模型，

总而言之，少数的训练样本往往会造成训练后的药物靶标相互作用预测模型的精度不理想，目前的预测模型的训练方法普适性和泛化性很有限。

发明内容

本发明提供一种药物靶标相互作用预测模型训练方法、装置、设备和介质，以解决由于预测模型的训练数据的数据量较少而造成训练后的预测模型的精度不够的技术问题。

第一方面，提供了一种药物靶标相互作用预测模型训练方法，用于训练源域预测模型和目标域预测模型，所述源域预测模型和所述目标域预测模型均包括特征提取单元和分类器单元，所述方法包括：

获取源域训练样本和目标域训练样本，所述源域训练样本包括源训练药物分子、源训练靶点蛋白和源训练药物分子对源训练靶点蛋白作用的源标注标签，所述目标域训练样本包括目标训练药物分子和目标训练靶点蛋白；

将所述源域训练样本输入所述源域预测模型的源特征提取单元，所述源域预测模型的源特征提取单元的输出为源域药物-靶点作用向量；将所述目标域训练样本输入所述目标域预测模型的目标特征提取单元，所述目标特征提取单元的输出为目标域药物-靶点作用向量；

将所述源域药物-靶点作用向量和所述目标域药物-靶点作用向量分别输入所述源域预测模型的源分类器单元，所述源分类器单元的输出分别为源训练药物分子与源训练靶点蛋白相互作用的源预测标签和目标训练药物分子与目标训练靶点蛋白相互作用的第一预测标签；将所述目标域药物-靶点作用向量输入目标域预测模型的目标分类器单元，所述目标分类器单元的输出为目标训练药物分子与目标训练靶点蛋白相互作用的第二预测标签；