CN103902848A - 基于药物相互作用相似性识别药物靶标的系统及方法 - Google Patents

Abstract

本发明提供了一种基于药物相互作用相似性识别药物靶标的系统及方法，所述方法包括S1、采集若干小分子化合物的药物相互作用的数据；S2、根据数据建立包含各个小分子化合物的药物相互作用信息的靶标数据库；S3、选取待测药物，建立待测药物与靶标数据库中各小分子化合物的药物相互作用标记；S4、计算待测药物的药物相互作用标记与靶标数据库中各小分子化合物的药物相互作用标记的欧氏距离；S5、计算欧氏距离的预测概率值；S6、将预测概率值按大小进行药物相互作用标记相似度的排序，并列出相似小分子化合物之靶标，得到待测药物的靶标。基于以上系统和方法，不仅能降低靶标预测的成本，也能方便实现中药标准化。

Description

基于药物相互作用相似性识别药物靶标的系统及方法

技术领域

本发明涉及计算机辅助药物设计领域，尤其涉及一种基于药物相互作用相似性识别药物靶标的系统及方法。

背景技术

鉴于开发全新药物的成功率低且成本高昂，制药公司日益转向药物重新定位的方法，即寻找旧药新的靶标及其新应用。相比开发全新药物，药物重新定位可以大幅降低成本，加快监管审批。中药具有悠长历史，千年的传承积累了很多有效的中药。在中药现代化的过程中，识别中药的靶标是最为重要。可惜，中药的成分复杂多样，且在很大程度上不为人知，这使预测中药靶标十分困难。

申请号为201210140708.8的专利申请提出了一种利用蛋白质晶体结构数据库中的小分子化学结构构建的预测药物靶标方法。但这种基于化学结构的预测方法,并不适用于化学结构可能因代谢而改变的药物或化学成分很大程度上不为人知的中药。申请号为201110396287.0的专利申请提出了一种基于基因组学的预测药物靶标方法，但这种基于基因组学的研究成本非常高昂。

发明内容

本发明的目的是提供一种基于药物相互作用相似性识别药物靶标的系统及方法，不仅能降低靶标预测的成本，也能方便实现中药标准化。

为了达到上述目的，本发明提供了一种基于药物相互作用相似性识别药物靶标的方法，包括以下步骤：

S1、采集若干小分子化合物的药物相互作用的数据；

S2、根据数据建立包含各个小分子化合物的药物相互作用信息的靶标数据库；

S3、选取待测药物，建立待测药物与靶标数据库中各小分子化合物的药物相互作用标记；

S4、计算待测药物的药物相互作用标记与靶标数据库中各小分子化合物的药物相互作用标记的欧氏距离；

S5、计算欧氏距离的预测概率值；

S6、将预测概率值按大小进行药物相互作用标记相似度的排序，并列出相似小分子化合物之靶标，得到待测药物的靶标。

优选的，在S1中，采集药物银行数据库中具有药物相互作用的全部小分子化合物之数据。

优选的，所述S2包括以下步骤：

S21、建立各小分子化合物的药物相互作用标记；

S22、对应标记收集各小分子化合物的药物靶标，建立靶标数据库。

优选的，在S21中，药物相互作用标记由二进制数据构成，其中1或0表示小分子化合物存在或不存在与另一小分子化合物的药物相互作用。

优选的，在S22中，对应标记收集各个小分子化合物的药物靶标、结构名称、生物功能类别、相关疾病以及药物研发信息，建立靶标数据库。

优选的，在S5中，从靶标数据库中建立一个随机模型，计算其欧氏距离分布，采用卡方适合度及皮尔森相关系数检验欧氏距离的分布是否符合极值理论分布，并计算预测概率值。

为了达到上述目的，本发明还提供了一种基于药物相互作用相似性识别药物靶标的系统，包括：

采集模块，用于采集数据；

标记模块，用于根据数据进行药物相互作用标记的格式化和存储；

计算模块：用于计算药物相互作用标记的欧氏距离和欧氏距离的预测概率值，并将预测概率值进行排序。

本发明提供了一种基于药物相互作用相似性识别药物靶标的系统及方法，用以预测药物靶标。本发明的优点是不需要先前对化学结构或成分的知识，并利用现正迅速累积的药物相互作用数据，为药物设计者提供低成本的预测方法，推动了中药标准化和现代化的发展。

附图说明

图1为本发明的流程示意图。

图2为本发明的系统示意图。

具体实施方式

本发明揭示了一种基于药物相互作用（Drug-Drug Interaction）相似性识别药物靶标的系统及方法。药物相互作用是指两种或两种以上的药物同时应用时所发生的药效变化，即产生协同（增效）、拮抗（减效）作用。合理的药物相互作用可以增强疗效或降低药物不良反应，反之可导致疗效降低或毒性增加，还可能发生一些异常反应，干扰治疗，加重病情。药物相互作用的重要性，造成了临床数据的迅速累积，例如：药物银行（Drug Bank）数据库。药物银行数据库是阿尔伯塔大学提供的一个生物信息学和化学信息学数据库，它提供了众多药物的详细资料。

在下面一个具体的实施例中，是以药物银行数据库为基础进行说明的，下面将结合附图以及具体实施例来对本发明作进一步详细说明。

请参考图1，本实施例中，提供了一种基于药物相互作用相似性识别药物靶标的方法，包括以下步骤：

S1、采集若干小分子化合物的药物相互作用的数据；

在S1中，分析药物银行数据库，摘录出关于全部1045个具有药物相互作用的小分子化合物之数据，总计27020对药物相互作用数据。

S2、根据数据建立包含各个小分子化合物的药物相互作用信息的靶标数据库；

所述S2具体包括以下步骤：

S21、建立各小分子化合物的药物相互作用标记；

S22、对应标记收集各小分子化合物的药物靶标，建立靶标数据库。

在S21中，药物相互作用标记由二进制数据构成，其中1或0表示小分子化合物存在或不存在与另一小分子化合物的药物相互作用，具体示例请参见表1。在S22中，对应标记收集各个小分子化合物的药物靶标、结构名称、生物功能类别、相关疾病以及药物研发信息，建立药物靶标基本信息数据库，为靶

标预测提供相关信息。

表1

S3、选取待测药物，建立待测药物与靶标数据库中各小分子化合物的药物相互作用标记；

在S3中，从公共数据库或文献摘录出或实验得出待测药物与靶标数据库中各小分子化合物的药物相互作用信息，构建待测药物的药物相互作用标记，标记由1045位二进制数据构成，其中1和0表示待测药物存在或不存在与靶标数据库中的小分子化合物之间的药物相互作用，具体请参见表2。

表2

S4、计算待测药物的药物相互作用标记与靶标数据库中各小分子化合物的药物相互作用标记的欧氏距离；

在S4中，计算待测药物的药物相互作用标记（A）与靶标数据库中小分子化合物的药物相互作用标记（B）之欧氏距离，假设：

A=待测药物之药物相互作用标记=a[1]，a[2]，a[3]，…a[n]；

B=靶标数据库中的小分子化合物之药物相互作用标记=b[1]，b[2]，b[3]，…b[n]；

欧氏距离（d（A，B））之公式为：

$d(A,B)=\sqrt{\mathrm{\Σ}\left({\left(a\right[i]-b[i\left]\right)}^2\right)},$ 其中，i=1，2，3，…n。

假设待测药物的药物相互作用标记与1号小分子化合物的药物相互作用标记完全一样，它们的欧氏距离为0；待测药物的药物相互作用标记与1045号小分子化合物的药物相互作用标记不一样，有三个差异之处，它们的欧氏距离为1.7。欧氏距离之数值越小，药物相互作用标记越相似，具体请参见表3。

表3

S5、计算欧氏距离的预测概率值；

在S5中，利用引导重采样（Bootstrapping Resampling）方法，从标靶数据库中建立一个随机模型，计算其欧氏距离分布，采用极值理论（Extreme ValueTheory），寻求极值分布的参数，

以广义极值（Generalized Extreme Value Distribution）为例，其分布的累积分布函数（G（x））是：

G(x)=exp{〖-[1+s((x-b)/a)]〗^(-1/s)}，其参数为a=loc，b=scale，s=shape；采用卡方适合度（Goodness offit test）及皮尔森（Pearson）相关系数确认欧氏距离的分布是否符合极值分布，并以R软件-EVD包计算预测概率值。

S6、将预测概率值按大小进行药物相互作用标记相似度的排序，并列出相似小分子化合物之靶标，得到待测药物的靶标。

在S6中，按预测概率值大小进行药物相互作用标记相似度的排序，列出相似小分子化合物之靶标，待测药物之预测靶标结果，请参考表4，由于1号小分子化合物之预测概率值最小，拓扑异构酶预测为待测药物之靶标。

表4

本实施例中，步骤S1的方法适用于其他的公共资源中的药物相互作用的信息，并不限于药物银行数据中的信息。步骤S3的方法适用于任何药物，包括中药。

请参考图2，本发明还提供了一种基于药物相互作用相似性识别药物靶标的系统，包括：

采集模块，用于采集数据，所述数据包括小分子化合物的药物相互作用信息，也包括各个小分子化合物的药物相互作用的靶标信息，还包括待测药物的信息；

标记模块，用于根据数据进行药物相互作用标记的格式化和存储，不仅可以标记药物银行数据中的小分子化合物，也可以建立待测药物与靶标数据库中各小分子化合物的药物相互作用标记；

计算模块：用于计算药物相互作用标记的欧氏距离和其预测概率值，并将预测概率值进行排序。具体来说，可以计算待测药物的药物相互作用标记与靶标数据库中各小分子化合物的药物相互作用标记的欧氏距离；进一步可以计算欧氏距离的预测概率值；更进一步的，将预测概率值按大小进行药物相互作用标记相似度的排序，并列出相似小分子化合物之靶标，得到待测药物的靶标。

本发明提供了一种基于药物相互作用相似性识别药物靶标的系统及方法，用以预测药物靶标。本发明的优点是不需要先前对化学结构或成分的知识，并利用现正迅速累积的药物相互作用数据，为药物设计者提供低成本的预测方法，推动了中药标准化和现代化的发展。

可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其他各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。

Claims (7)

1.一种基于药物相互作用相似性识别药物靶标的方法，其特征在于，包括以下步骤：

S1、采集若干小分子化合物的药物相互作用的数据；

S2、根据数据建立包含各个小分子化合物的药物相互作用信息的靶标数据库；

S3、选取待测药物，建立待测药物与靶标数据库中各小分子化合物的药物相互作用标记；

S4、计算待测药物的药物相互作用标记与靶标数据库中各小分子化合物的药物相互作用标记的欧氏距离；

S5、计算欧氏距离的预测概率值；

S6、将预测概率值按大小进行药物相互作用标记相似度的排序，并列出相似小分子化合物之靶标，得到待测药物的靶标。

2.根据权利要求1所述的方法，其特征在于：在S1中，采集药物银行数据库中具有药物相互作用的全部小分子化合物之数据。

3.根据权利要求1所述的方法，其特征在于：所述S2包括以下步骤：

S21、建立各小分子化合物的药物相互作用标记；

S22、对应标记收集各小分子化合物的药物靶标，建立靶标数据库。

4.根据权利要求3所述的方法，其特征在于：在S21中，药物相互作用标记由二进制数据构成，其中1或0表示小分子化合物存在或不存在与另一小分子化合物的药物相互作用。

5.根据权利要求3所述的方法，其特征在于：在S22中，对应标记收集各个小分子化合物的药物靶标、结构名称、生物功能类别、相关疾病以及药物研发信息，建立靶标数据库。

6.根据权利要求1所述的方法，其特征在于：在S5中，从靶标数据库中建立一个随机模型，计算其欧氏距离分布，采用卡方适合度及皮尔森相关系数检验欧氏距离的分布是否符合极值理论分布，并计算预测概率值。

7.一种基于药物相互作用相似性识别药物靶标的系统，其特征在于，包括：

采集模块，用于采集数据；

标记模块，用于根据数据进行药物相互作用标记的格式化和存储；

计算模块：用于计算药物相互作用标记的欧氏距离和欧氏距离的预测概率值，并将预测概率值进行排序。

Images