CN114360639A - 基于人工智能的药物靶点作用关系确定方法及装置 - Google Patents

基于人工智能的药物靶点作用关系确定方法及装置 Download PDF

Info

Publication number
CN114360639A
CN114360639A CN202210028223.3A CN202210028223A CN114360639A CN 114360639 A CN114360639 A CN 114360639A CN 202210028223 A CN202210028223 A CN 202210028223A CN 114360639 A CN114360639 A CN 114360639A
Authority
CN
China
Prior art keywords
target
drug
molecular structure
protein
representation information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210028223.3A
Other languages
English (en)
Inventor
王俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210028223.3A priority Critical patent/CN114360639A/zh
Publication of CN114360639A publication Critical patent/CN114360639A/zh
Priority to PCT/CN2022/089690 priority patent/WO2023134062A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
    • G16B15/30—Drug targeting using structural data; Docking or binding prediction
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Biomedical Technology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于人工智能的药物靶点作用关系确定方法及装置，涉及智能医疗处理技术领域，主要目的在于解决现有无法准确对药物靶点的作用关系确认的问题。包括：获取目标药物的药物分子图像数据、以及蛋白质序列数据；从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息；从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合；基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系。

Description

基于人工智能的药物靶点作用关系确定方法及装置
技术领域
本发明涉及一种智能医疗处理技术领域，特别是涉及一种基于人工智能的药物靶点作用关系确定方法及装置。
背景技术
近年来，智能医疗技术的应用领域已经从临床治疗逐步向药物研发方向发展，越来越多的人工智能技术涉足于药物对不同病症的适用情况的分析，从而准确找到药物靶点。尤其是针对药物的分子结构进行研究，从而基于药物特征来确定适合药物靶点与不同病症的作用关系，依次来作为治疗依据。
目前，现有药物靶点针对不同病症的作用关系的确定通常直接基于药物分子的化学性质进行确定，然而，基于化学性质确认的药物靶点对于病症的作用关系较为单一，且无法有效的适用于多病症的药物靶点确认中，从而使得药物靶点的作用关系的确认准确性较差，造成药物使用效率较低，因此，亟需一种基于人工智能的药物靶点作用关系确定方法来解决上述问题。
发明内容
有鉴于此，本发明提供一种基于人工智能的药物靶点作用关系确定方法及装置，主要目的在于解决现有无法准确对药物靶点的作用关系确认的问题。
依据本发明一个方面，提供了一种基于人工智能的药物靶点作用关系确定方法，包括：
获取目标药物的药物分子图像数据、以及蛋白质序列数据；
从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息；
从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合；
基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系。
进一步地，所述从所述药物分子图像数据中提取分子结构表征信息之前，所述方法还包括：
构建无标注化合物图同构网络模型；
以药物分子图训练数据中的邻接矩阵与属性信息、以及连接边作为所述所述无标注化合物图同构网络模型的输入参数进行模型训练，得到完成训练的分子特征预测模型；
所述从所述药物分子图像数据中提取分子结构表征信息包括：
基于已完成训练的所述分子特征预测模型对所述药物分子图像数据进行预测处理，得到分子结构表征信息。
进一步地，所述从所述蛋白质序列数据中提取蛋白质靶点表征信息之前，所述方法还包括：
构建无标注蛋白质序列语言网络模型；
以蛋白质序列训练数据进行词嵌入作为所述无标注蛋白质序列语言网络模型的输入参数进行模型训练，得到完成训练的蛋白质序列靶点预测模型；
所述从所述蛋白质序列数据中提取蛋白质靶点表征信息包括：
基于已完成训练的所述蛋白质序列靶点预测模型对所述蛋白质序列数据进行预测处理，得到蛋白质靶点表征信息。
进一步地，所述从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数之前，所述方法还包括：
基于磁共振弥散张量成像数据集构建知识图谱，所述知识图谱中包含有不同分子结构表征信息、不同蛋白质靶点表征信息分别对应的至少两个节点，其中，两个节点之间通过作用关系进行链接；
所述从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数包括：
从所述知识图谱中查找与所述分子结构表征信息、所述蛋白质靶点表征信息所对应的作用关系，并将所述作用关系转换为特征融合系数，所述特征融合系数包括分子结构与蛋白质靶点之间的相互作用关系系数以及亲和力系数。
进一步地，所述基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系之前，所述方法还包括：
构建两层前馈神经网络模型，并基于特征融合训练样本数据对所述两层前馈神经网络模型进行训练，得到完成训练的双任务预测模型，其中，所述双任务预测模型的输入参数为融合后的分子结构表征信息、以蛋白质靶点表征信息，所述双任务预测模型用于进行包含分类预测任务以及回归预测任务的双输出处理，以得到包含有相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系。
进一步地，所述基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系之后，所述方法还包括：
调取预设药物靶点关联结构图像数据库，所述预设药物靶点关联结构图像数据库存储有不同相互作用关系系数以及不同亲和力系数匹配的药物分子关联结构图像数据；
从所述预设药物靶点关联结构图像数据库查找与所述药物靶点作用关系匹配的药物分子关联结构图像数据，并进行输出。
进一步地，所述方法还包括：
若所述预设药物靶点关联结构图像数据库中未查找到与所述药物靶点作用关系匹配的药物分子关联结构图像数据，则输出所述包含有相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系，以指示进行人工药物靶点作用关系的匹配。
依据本发明另一个方面，提供了一种基于人工智能的药物靶点作用关系确定装置，包括：
获取模块，用于获取目标药物的药物分子图像数据、以及蛋白质序列数据；
提取模块，用于从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息；
确定模块，用于从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合；
处理模块，用于基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系。
进一步地，所述装置还包括：第一构建模块，第一训练模块，
所述第一构建模块，用于构建无标注化合物图同构网络模型；
所述第一训练模块，用于以药物分子图训练数据中的邻接矩阵与属性信息、以及连接边作为所述所述无标注化合物图同构网络模型的输入参数进行模型训练，得到完成训练的分子特征预测模型；
所述处理单元，用于基于已完成训练的所述分子特征预测模型对所述药物分子图像数据进行预测处理，得到分子结构表征信息。
进一步地，所述装置还包括：第二构建模块，第二训练模块，
所述第二构建模块，用于构建无标注蛋白质序列语言网络模型；
所述第二训练模块，用于以蛋白质序列训练数据进行词嵌入作为所述无标注蛋白质序列语言网络模型的输入参数进行模型训练，得到完成训练的蛋白质序列靶点预测模型；
所述处理单元，用于基于已完成训练的所述蛋白质序列靶点预测模型对所述蛋白质序列数据进行预测处理，得到蛋白质靶点表征信息。
进一步地，所述装置还包括：
第三构建模块，用于基于磁共振弥散张量成像数据集构建知识图谱，所述知识图谱中包含有不同分子结构表征信息、不同蛋白质靶点表征信息分别对应的至少两个节点，其中，两个节点之间通过作用关系进行链接；
所述确定模块，具体用于从所述知识图谱中查找与所述分子结构表征信息、所述蛋白质靶点表征信息所对应的作用关系，并将所述作用关系转换为特征融合系数，所述特征融合系数包括分子结构与蛋白质靶点之间的相互作用关系系数以及亲和力系数。
进一步地，所述装置还包括：
第三训练模块，用于构建两层前馈神经网络模型，并基于特征融合训练样本数据对所述两层前馈神经网络模型进行训练，得到完成训练的双任务预测模型，其中，所述双任务预测模型的输入参数为融合后的分子结构表征信息、以蛋白质靶点表征信息，所述双任务预测模型用于进行包含分类预测任务以及回归预测任务的双输出处理，以得到包含有相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系。
进一步地，所述装置还包括：
调取模块，用于调取预设药物靶点关联结构图像数据库，所述预设药物靶点关联结构图像数据库存储有不同相互作用关系系数以及不同亲和力系数匹配的药物分子关联结构图像数据；
输出模块，用于从所述预设药物靶点关联结构图像数据库查找与所述药物靶点作用关系匹配的药物分子关联结构图像数据，并进行输出。
进一步地，所述输出模块，还用于若所述预设药物靶点关联结构图像数据库中未查找到与所述药物靶点作用关系匹配的药物分子关联结构图像数据，则输出所述包含有相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系，以指示进行人工药物靶点作用关系的匹配。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于人工智能的药物靶点作用关系确定方法对应的操作。
根据本发明的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于人工智能的药物靶点作用关系确定方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种基于人工智能的药物靶点作用关系确定方法及装置，与现有技术相比，本发明实施例通过获取目标药物的药物分子图像数据、以及蛋白质序列数据；从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息；从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合；基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系，增加了对药物靶点对于病症作用关系确认的多样性，满足多病症药物靶点的去人，从而提高药物靶点作用关系的确认准确性，大大提高了药物使用效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种基于人工智能的药物靶点作用关系确定方法流程图；
图2示出了本发明实施例提供的一种双任务预测模型结构示意图；
图3示出了本发明实施例提供的另一种基于人工智能的药物靶点作用关系确定方法流程图；
图4示出了本发明实施例提供的又一种基于人工智能的药物靶点作用关系确定方法流程图；
图5示出了本发明实施例提供的一种蛋白质序列靶点预测模型结构示意图；
图6示出了本发明实施例提供的一种基于人工智能的药物靶点作用关系确定装置组成框图；
图7示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
基于此，在一个实施例中，如图1所示，提供了一种基于人工智能的药物靶点作用关系确定方法，以该方法应用于服务器等计算机设备为例进行说明，其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器，如智能医疗系统、数字医疗平台等。上述方法包括以下步骤：
101、获取目标药物的药物分子图像数据、以及蛋白质序列数据。
本发明实施例中，执行主体可以是带有数据处理功能的智能管理系统，例如，智能医疗系统、数据医疗平台等。示例性的，当前执行主体为智能医疗系统，目标药物为适用于待进行药物特征与蛋白质进行药物靶点作用关系匹配的相关药物，对应的，目标药物的药物分子结构图像数据为使用图结构表示目标药物的分子，其中，药物分子结构图像数据中的图像内容为目标药物分子的原子-化学键结构，从图像内容中可以抽象得到以节点-边形式的空间特征、原子序数、电荷数等分子结构的特征内容，蛋白质序列数据用于表征由20个不同的字母(氨基酸)排列组合而成的表征蛋白质的数据，且蛋白质序列的长度一般是上百或者上千，蛋白质序列数据为所有氨基酸所对应字母的排序内容，例如，甘氨酸-g、丙氨酸-b、缬氨酸-j等字母表示排序内容为b1-j2-g3-b4....，以基于药物分子图像数据以及蛋白质序列数据进行特征提取。
需要说明的是，本发明实施例中的药物分子结构图像数据为作为当前执行主体的智能医疗系统基于制作分子结构图的计算机软件生成目标药物的药物分子结构图像数据后进行加载得到的，此时，操作人员可以基于已经存储于当前智能医疗系统中的药物数据库获取与目标药物匹配的药物分子结构图像数据，也可以通过分子结构制作应用程序进行制作，并以智能医疗系统中的指定文件格式进行获取，本发明实施例不做具体限定。同时蛋白质序列数据可以为操作人员预先录入的，或者基于现有蛋白质序列数据直接进行加载得到，本发明实施例不做具体限定。
102、从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息。
为了提高基于药物分子图像数据与蛋白质序列数据之间的特征融合系数的匹配准确性，针对药物分子图像数据以及蛋白质序列数据分别进行提取特征，即从药物分子图像数据中提取分子结构表征信息，以及从蛋白质序列中提取蛋白质靶点表征信息。其中，分子结构表征信息为用于描述药物分子图像数据中主要或特定特征的分子结构的内容，蛋白质靶点表征信息为用于描述蛋白质序列数据中主要或特定特征的蛋白质靶点的内容，具体的，蛋白质靶点为药物预期与蛋白质序列的结合部位，以便与目标药物进行判断是否具有作用关系。
103、从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合。
本发明实施例中，为了提高药物与蛋白质靶点之间的作用关系确定准确性，在基于双任务预测模型进行处理之前，基于知识图谱分别确定进行特征提取后的分子结构表征信息、蛋白质靶点表征信息所对应的特征融合系数，以进行特征融合。具体的，知识图谱为基于磁共振弥散张量成像数据集DTI构建的，知识图谱中包含有不同分子结构表征信息、不同蛋白质靶点表征信息分别对应的至少两个节点，每两个节点之间通过链接表示存在作用关系，从而基于链接之间的作用关系计算得到特征融合系数，以根据此特征融合系数进行特征融合。此时，利用链接的长度表征作用关系的大小，如链接越长，对应的作用关系越小。同时，通过对链接的长度进行预先配置阈值，若链接长度为阈值的“几”倍数，则特征融合系数为十分之“几”，从而计算得到特征融合系数。当确定特征融合系数后，为了使分子结构表征信息、蛋白质靶点表征信息进行双任务预测模型的处理，则进行特征融合，即在将分子结构表征信息以及蛋白质靶点表征信息进行特征向量转换时，按照特征融合系数将两者的特征向量归一化值一个数值区间，从而得到可以用作双任务预测模型的输入参数进行预测处理。例如，分子结构表征信息与蛋白质靶点表征信息分别进行特征向量转换，即将文字或图像数据转换为向量矩阵，则在转换时，按照特征融合系数作为转换系数，对于各个向量矩阵进行相乘，得到处于一个数值范围内的分子结构表征信息以及蛋白质靶点表征信息的特征向量矩阵，从而以此特征向量矩阵作为双任务预测模型的输入参数，本发明实施例不做具体限定。
104、基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系。
本发明实施例中，双任务预测模型为两个输入参数、一个输出结果的混合神经网络模型，如图2所示，包含分子结构的分子结构表征信息Drug1，以及包含蛋白质序列的蛋白质靶点表征信息Target1分别进行特征向量转换后，作为2个输入参数进行模型输入，并基于已训练的双任务预测模型进行预测处理，从而得到预测结果作为药物靶点作用关系。此时，药物靶点作用关系表示为药物分子特征与蛋白质靶点特征之间的作用关系数值，例如，目标药物a的药物分子特征包括原子s-化学键2，与蛋白质靶点b4-j6(丙氨酸-b、缬氨酸-j，对应丙氨酸排序第四、缬氨酸排序第六)所具有的药物靶点作用关系为0.4，则说明此时药物靶点作用关系较差，或者可以通过预设药物靶点作用关系阈值来确定是否具有较强的药物靶点作用关系，本发明实施例不做具体限定。
在一个本发明实施例中，为了进一步限定及说明，如图3所示，步骤102中所述从所述药物分子图像数据中提取分子结构表征信息之前，还包括：
201、构建无标注化合物图同构网络模型；
202、以药物分子图训练数据中的邻接矩阵与属性信息、以及连接边作为所述所述无标注化合物图同构网络模型的输入参数进行模型训练，得到完成训练的分子特征预测模型；
对应的，从所述药物分子图像数据中提取分子结构表征信息，具体包括：
203、基于已完成训练的所述分子特征预测模型对所述药物分子图像数据进行预测处理，得到分子结构表征信息。
本发明实施例中，通过在大量无标签的药物分子图训练数据对图同构网络模型进行训练，从而得到通用的图同构网络模型进行迁移，以便支持不定数据的训练样本数据，本发明实施例构建无标注化合物图同构网络模型，即通过图同构网络GIN模型(GraphIsomorphism Network)构建无标注化合物GIN模型。其中，无标注化合物GIN模型输入参数是一个带图节点或连边属性的图像数据的结构内容，即为图像数据的邻接矩阵A和对应的属性信息X。同时，以药物的化学分子图训练数据作为模型训练的样本数据，GIN根据分子图像数据的邻接矩阵和每个图节点(如原子)的属性信息，以及它们之间的连接边(如化学键)的信息，在每一次迭代中，每一个图节点通过聚合邻居节点的特征及自己在上一层的特征来更新自己的信息，通常也会对聚合后的信息进行非线性变换。通过堆叠多层网络，每个图节点可以获取到相应跳数内的邻居节点信息。对于药物分子图像数据而言，单独的图节点的隐向量并不能很好地表示化学分子，为了能够从图像数据的拓扑结构上去表示分子的整体信息，最后通过池化方式，获取整个图像数据的信息向量表示，即用一个富含结构信息的隐向量来表示图像数据的整体信息表示，从而完成对无标注化合物图同构网络模型的模型训练得到分子特征预测模型，当得到分子特征预测模型后，基于需要进行处理的药物分子图像数据进行处理，得到特征提取的分子结构表征信息。
其中，分子特征预测模型的数据表达形式为：
Figure BDA0003465381820000111
其中，
Figure BDA0003465381820000112
为每个图节点的表征内容，hg为整个分子图的表征内容，K为模型迭代层数，V为图节点，G为图节点个数或连接边数，ε为图系数。
在一个本发明实施例中，为了进一步限定及说明，如图4所示，步骤102中所述从所述药物分子图像数据中提取分子结构表征信息之前，还包括：
301、构建无标注蛋白质序列语言网络模型；
302、以蛋白质序列训练数据进行词嵌入作为所述无标注蛋白质序列语言网络模型的输入参数进行模型训练，得到完成训练的蛋白质序列靶点预测模型；
对应的，从所述药物分子图像数据中提取分子结构表征信息，具体包括：
303、基于已完成训练的所述蛋白质序列靶点预测模型对所述蛋白质序列数据进行预测处理，得到蛋白质靶点表征信息。
本发明实施例中，通过在大量无标签的蛋白质序列训练数据对语言网络模型进行训练，从而得到通用的语言网络模型进行迁移，以便支持不定数据的训练样本数据，本发明实施例构建无标注蛋白质序列语言网络模型，即通过语言表征模型BERT(BidirectionalEncoder Representation from Transformer)构建无标注蛋白质序列语言网络模型。其中，经大量无标注蛋白质序列训练数据对无标注蛋白质序列语言网络模型BERT，由于蛋白质是由20个不同的字母(如氨基酸)排列组合而成的，且蛋白质序列的长度是上百或者上千，对每个蛋白序列数据进行词嵌入后作为无标注蛋白质序列语言网络模型Bert的输入参数进行训练，如图5所示，最终得到蛋白质序列靶点预测模型，并在获取蛋白质序列数据后，基于蛋白质序列靶点预测模型对蛋白质序列数据进行预测处理，得到蛋白质靶点表征信息。
在一个本发明实施例中，为了进一步限定及说明，步骤103从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数之前，所述方法还包括：基于磁共振弥散张量成像数据集构建知识图谱。
本发明实施例中，为了实现基于知识图谱进行特征融合系数的确定，预先基于磁共振弥散张量成像数据集构建知识图谱。其中，磁共振弥散张量成像数据集为基于核磁共振成像(MRI)对蛋白质细胞进行弥散张量成像(DTI)而得到的数据集，通过对分子、原子等进行扫描成像，得到包含有分子、原子之间的移动方向的图像内容，从而作为一种知识性信息为不同分子结构表征信息、蛋白质靶点表征信息的各个节点链接。具体的，知识图谱中包含有不同分子结构表征信息、不同蛋白质靶点表征信息分别对应的至少两个节点，其中，两个节点之间通过作用关系进行链接，以便通过链接确定作用关系以及对应的特征融合系数。
对应的，所述从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数包括：从所述知识图谱中查找与所述分子结构表征信息、所述蛋白质靶点表征信息所对应的作用关系，并将所述作用关系转换为特征融合系数。
本发明实施例中，由于药物分子结构图像数据表示为G＝(A,X)，其中，A和X分别表示邻接矩阵和特征矩阵，图像数据的图节点数为n，图节点特征维度为d，若分子特征预测模型GIN为每个图节点学习一个f维输出为：H1＝Pool(GIN(A,X))∈Rf×1。一个蛋白质序列数据为S，若蛋白质序列靶点预测模型Bert为每个序列学习一个f维输出为：H2＝Bert(S)∈Rf×1，在此基础上，知识图谱中各个分子结构表征信息、蛋白质靶点表征信息分别可以用H1与H2表示，从而查找到匹配的作用关系，此时，作用关系即为各个节点所对应的链接。当确定链接后，基于此链接的距离来转换为作用关系权值，所述特征融合系数包括分子结构与蛋白质靶点之间的相互作用关系系数以及亲和力系数，例如，通过对链接的长度进行预先配置相互作用关系阈值或亲和力阈值，若链接长度为阈值的“几”倍数，则特征融合系数中的相互作用关系系数或亲和力系数则转换为十分之“几”，从而作为相互作用关系系数以及亲和力系数，本发明实施例不做具体限定。
在一个本发明实施例中，为了进一步限定及说明，步骤基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系之前，所述方法还包括：构建两层前馈神经网络模型，并基于特征融合训练样本数据对所述两层前馈神经网络模型进行训练，得到完成训练的双任务预测模型。
为了实现通过双输入任务的预测模型对双目标进行预测，从而提高双目标的相互作用关系，如图2所示，构建两层前馈神经网络模型，以将特征融合训练样本数据中融合后的分子结构表征信息、以蛋白质靶点表征信息作为双任务预测模型的输入参数进行训练得到完成训练的双任务预测模型。其中，所述双任务预测模型用于进行包含分类预测任务以及回归预测任务的双输出处理，以得到包含有相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系，此时，相互作用关系预测结果则为分子结构与蛋白质靶点之间的相互作用关系系数，亲和力预测结果则为分子结构与蛋白质靶点之间的在不具有对抗性时的关系，即表示为分子结构与蛋白质靶点之间的亲和力系数，其中，对抗性为药物的分子结构对蛋白质靶点具有治疗或缓解作用，从而可以通过此药物来对蛋白质靶点进行治疗或者对抗，进而的，亲和力则表现为药物的分子结构与蛋白质靶点之间相互促进或有利作用，本发明实施例中相互作用关系预测结果以及亲和力预测结果均通过数值化进行表示，本发明实施例不做具体限定。此时，基于知识图谱确定与分子结构表征信息、蛋白质靶点表征信息匹配的包含有相互作用关系系数以及亲和力系数的特征融合系数的作用是用于特征融合，而预测得到的相互作用关系预测结果、亲和力预测结果是基于人工智能进行处理得到的，因此，特征融合系数与预测得到的相互作用关系预测结果、亲和力预测结果是不同的，本发明实施例不做具体限定。
在一个本发明实施例中，为了进一步限定及说明，步骤104基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系之后，所述方法还包括：调取预设药物靶点关联结构图像数据库；从所述预设药物靶点关联结构图像数据库查找与所述药物靶点作用关系匹配的药物分子关联结构图像数据，并进行输出。
为了满足操作人员获取其他与目标药物具有相互作用关系或亲和力关联的其他药物的需求，在处理得到药物靶点作用关系后，基于智能医疗系统中的预设药物靶点关联结构图像数据库进行匹配。其中，所述预设药物靶点关联结构图像数据库存储有不同相互作用关系系数以及不同亲和力系数匹配的药物分子关联结构图像数据，此时，通过将作为预测结果的药物靶点作用关系中的相互作用关系系数与、亲和力系数与预设药物靶点关联结构图像数据库中的各个相互作用关系系数、亲和力系数进行对比匹配，从而得到匹配的药物分子关联结构图像数据。此时，匹配得到的药物分子关联结构图像数据可以作为向操作用户推送的与目标药物具有关联作用的其他药物进行输出，以便操作人员基于此药物分子关联结构图像数据进行其他药物操作，本发明实施例不做具体限定。
在一个本发明实施例中，为了进一步限定及说明，还包括：若所述预设药物靶点关联结构图像数据库中未查找到与所述药物靶点作用关系匹配的药物分子关联结构图像数据，则输出所述包含有相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系，以指示进行人工药物靶点作用关系的匹配。
为了提高对药物靶点作用的确定有效性，并灵活为药物分子关联结构图像数据确定药物靶点作用关系，当在智能医疗系统的预设药物靶点关联结构图像数据库中未查找到与药物靶点作用关系匹配的药物分子关联结构图像数据时，说明智能医疗系统中没有与药物靶点作用关系系相关联的其他药物分子进行推送，因此，直接输出包含相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系，以便指示操作人员进行人工药物靶点作用关系的匹配。
本发明实施例提供了一种基于人工智能的药物靶点作用关系确定方法，与现有技术相比，本发明实施例通过获取目标药物的药物分子图像数据、以及蛋白质序列数据；从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息；从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合；基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系，增加了对药物靶点对于病症作用关系确认的多样性，满足多病症药物靶点的去人，从而提高药物靶点作用关系的确认准确性，大大提高了药物使用效率。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种基于人工智能的药物靶点作用关系确定装置，如图6所示，该装置包括：
获取模块41，用于获取目标药物的药物分子图像数据、以及蛋白质序列数据；
提取模块42，用于从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息；
确定模块43，用于从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合；
处理模块44，用于基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系。
进一步地，装置还包括：第一构建模块，第一训练模块，
所述第一构建模块，用于构建无标注化合物图同构网络模型；
所述第一训练模块，用于以药物分子图训练数据中的邻接矩阵与属性信息、以及连接边作为所述所述无标注化合物图同构网络模型的输入参数进行模型训练，得到完成训练的分子特征预测模型；
所述处理单元，用于基于已完成训练的所述分子特征预测模型对所述药物分子图像数据进行预测处理，得到分子结构表征信息。
进一步地，所述装置还包括：第二构建模块，第二训练模块，
所述第二构建模块，用于构建无标注蛋白质序列语言网络模型；
所述第二训练模块，用于以蛋白质序列训练数据进行词嵌入作为所述无标注蛋白质序列语言网络模型的输入参数进行模型训练，得到完成训练的蛋白质序列靶点预测模型；
所述处理单元，用于基于已完成训练的所述蛋白质序列靶点预测模型对所述蛋白质序列数据进行预测处理，得到蛋白质靶点表征信息。
进一步地，所述装置还包括：
第三构建模块，用于基于磁共振弥散张量成像数据集构建知识图谱，所述知识图谱中包含有不同分子结构表征信息、不同蛋白质靶点表征信息分别对应的至少两个节点，其中，两个节点之间通过作用关系进行链接；
所述确定模块，具体用于从所述知识图谱中查找与所述分子结构表征信息、所述蛋白质靶点表征信息所对应的作用关系，并将所述作用关系转换为特征融合系数，所述特征融合系数包括分子结构与蛋白质靶点之间的相互作用关系系数以及亲和力系数。
进一步地，所述装置还包括：
第三训练模块，用于构建两层前馈神经网络模型，并基于特征融合训练样本数据对所述两层前馈神经网络模型进行训练，得到完成训练的双任务预测模型，其中，所述双任务预测模型的输入参数为融合后的分子结构表征信息、以蛋白质靶点表征信息，所述双任务预测模型用于进行包含分类预测任务以及回归预测任务的双输出处理，以得到包含有相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系。
进一步地，所述装置还包括：
调取模块，用于调取预设药物靶点关联结构图像数据库，所述预设药物靶点关联结构图像数据库存储有不同相互作用关系系数以及不同亲和力系数匹配的药物分子关联结构图像数据；
输出模块，用于从所述预设药物靶点关联结构图像数据库查找与所述药物靶点作用关系匹配的药物分子关联结构图像数据，并进行输出。
进一步地，所述输出模块，还用于若所述预设药物靶点关联结构图像数据库中未查找到与所述药物靶点作用关系匹配的药物分子关联结构图像数据，则输出所述包含有相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系，以指示进行人工药物靶点作用关系的匹配。
本发明实施例提供了一种基于人工智能的药物靶点作用关系确定装置，与现有技术相比，本发明实施例通过获取目标药物的药物分子图像数据、以及蛋白质序列数据；从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息；从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合；基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系，增加了对药物靶点对于病症作用关系确认的多样性，满足多病症药物靶点的去人，从而提高药物靶点作用关系的确认准确性，大大提高了药物使用效率。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于人工智能的药物靶点作用关系确定方法。
图7示出了根据本发明一个实施例提供的一种计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。
如图7所示，该计算机设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述基于人工智能的药物靶点作用关系确定方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
获取目标药物的药物分子图像数据、以及蛋白质序列数据；
从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息；
从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合；
基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的药物靶点作用关系确定方法，其特征在于，包括：
获取目标药物的药物分子图像数据、以及蛋白质序列数据；
从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息；
从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合；
基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系。
2.根据权利要求1所述的方法，其特征在于，所述从所述药物分子图像数据中提取分子结构表征信息之前，所述方法还包括：
构建无标注化合物图同构网络模型；
以药物分子图训练数据中的邻接矩阵与属性信息、以及连接边作为所述所述无标注化合物图同构网络模型的输入参数进行模型训练，得到完成训练的分子特征预测模型；
所述从所述药物分子图像数据中提取分子结构表征信息包括：
基于已完成训练的所述分子特征预测模型对所述药物分子图像数据进行预测处理，得到分子结构表征信息。
3.根据权利要求1所述的方法，其特征在于，所述从所述蛋白质序列数据中提取蛋白质靶点表征信息之前，所述方法还包括：
构建无标注蛋白质序列语言网络模型；
以蛋白质序列训练数据进行词嵌入作为所述无标注蛋白质序列语言网络模型的输入参数进行模型训练，得到完成训练的蛋白质序列靶点预测模型；
所述从所述蛋白质序列数据中提取蛋白质靶点表征信息包括：
基于已完成训练的所述蛋白质序列靶点预测模型对所述蛋白质序列数据进行预测处理，得到蛋白质靶点表征信息。
4.根据权利要求2或3所述的方法，其特征在于，所述从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数之前，所述方法还包括：
基于磁共振弥散张量成像数据集构建知识图谱，所述知识图谱中包含有不同分子结构表征信息、不同蛋白质靶点表征信息分别对应的至少两个节点，其中，两个节点之间通过作用关系进行链接；
所述从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数包括：
从所述知识图谱中查找与所述分子结构表征信息、所述蛋白质靶点表征信息所对应的作用关系，并将所述作用关系转换为特征融合系数，所述特征融合系数包括分子结构与蛋白质靶点之间的相互作用关系系数以及亲和力系数。
5.根据权利要求4所述的方法，其特征在于，所述基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系之前，所述方法还包括：
构建两层前馈神经网络模型，并基于特征融合训练样本数据对所述两层前馈神经网络模型进行训练，得到完成训练的双任务预测模型，其中，所述双任务预测模型的输入参数为融合后的分子结构表征信息、以蛋白质靶点表征信息，所述双任务预测模型用于进行包含分类预测任务以及回归预测任务的双输出处理，以得到包含有相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系。
6.根据权利要求5所述的方法，其特征在于，所述基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系之后，所述方法还包括：
调取预设药物靶点关联结构图像数据库，所述预设药物靶点关联结构图像数据库存储有不同相互作用关系系数以及不同亲和力系数匹配的药物分子关联结构图像数据；
从所述预设药物靶点关联结构图像数据库查找与所述药物靶点作用关系匹配的药物分子关联结构图像数据，并进行输出。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
若所述预设药物靶点关联结构图像数据库中未查找到与所述药物靶点作用关系匹配的药物分子关联结构图像数据，则输出所述包含有相互作用关系预测结果以及亲和力预测结果的药物靶点作用关系，以指示进行人工药物靶点作用关系的匹配。
8.一种基于人工智能的药物靶点作用关系确定装置，其特征在于，包括：
获取模块，用于获取目标药物的药物分子图像数据、以及蛋白质序列数据；
提取模块，用于从所述药物分子图像数据中提取分子结构表征信息，并从所述蛋白质序列数据中提取蛋白质靶点表征信息；
确定模块，用于从知识图谱中获取与所述分子结构表征信息和所述蛋白质靶点表征信息匹配的特征融合系数，并基于所述特征融合系数对所述分子结构表征信息、所述蛋白质靶点表征信息进行特征融合；
处理模块，用于基于已训练的双任务预测模型对特征融合后的所述分子结构表征信息、所述蛋白质靶点表征信息进行预测处理，得到的预测结果作为药物靶点作用关系。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的基于人工智能的药物靶点作用关系确定方法对应的操作。
10.一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的基于人工智能的药物靶点作用关系确定方法对应的操作。
CN202210028223.3A 2022-01-11 2022-01-11 基于人工智能的药物靶点作用关系确定方法及装置 Pending CN114360639A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210028223.3A CN114360639A (zh) 2022-01-11 2022-01-11 基于人工智能的药物靶点作用关系确定方法及装置
PCT/CN2022/089690 WO2023134062A1 (zh) 2022-01-11 2022-04-27 基于人工智能的药物靶点作用关系确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210028223.3A CN114360639A (zh) 2022-01-11 2022-01-11 基于人工智能的药物靶点作用关系确定方法及装置

Publications (1)

Publication Number Publication Date
CN114360639A true CN114360639A (zh) 2022-04-15

Family

ID=81109656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210028223.3A Pending CN114360639A (zh) 2022-01-11 2022-01-11 基于人工智能的药物靶点作用关系确定方法及装置

Country Status (2)

Country Link
CN (1) CN114360639A (zh)
WO (1) WO2023134062A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925270A (zh) * 2022-05-09 2022-08-19 华南师范大学 一种会话推荐方法和模型
CN115440314A (zh) * 2022-09-06 2022-12-06 湖南艾科瑞生物工程有限公司 琼脂糖凝胶的电泳性能检测方法及相关设备
CN116246697A (zh) * 2023-05-11 2023-06-09 上海微观纪元数字科技有限公司 用于药物的靶点蛋白质预测方法及装置、设备、存储介质
CN116451176A (zh) * 2023-06-15 2023-07-18 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的药物光谱数据分析方法及装置
WO2023134062A1 (zh) * 2022-01-11 2023-07-20 平安科技（深圳）有限公司 基于人工智能的药物靶点作用关系确定方法及装置
CN117524298A (zh) * 2023-11-03 2024-02-06 和合数据科技(深圳)有限公司 主动寻找、分析、比对、预警药物作用靶点的方法和装置
CN117831640A (zh) * 2024-03-05 2024-04-05 青岛国实科技集团有限公司 基于超算的医药产业数字孪生平台

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094987B (zh) * 2023-10-13 2023-12-22 四川大学 一种优化神经调控物理场方向的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112331273B (zh) * 2020-10-28 2023-12-15 星药科技(北京)有限公司 一种基于多维度信息的药物小分子-蛋白靶点反应预测方法
CN113160894B (zh) * 2021-04-23 2023-10-24 平安科技（深圳）有限公司 药物与靶标的相互作用预测方法、装置、设备及存储介质
CN113409897A (zh) * 2021-05-25 2021-09-17 电子科技大学长三角研究院(衢州) 药物-靶标相互作用的预测方法、装置、设备和存储介质
CN113470741B (zh) * 2021-07-28 2023-07-18 腾讯科技（深圳）有限公司 药物靶标关系预测方法、装置、计算机设备及存储介质
CN114360639A (zh) * 2022-01-11 2022-04-15 平安科技（深圳）有限公司 基于人工智能的药物靶点作用关系确定方法及装置

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023134062A1 (zh) * 2022-01-11 2023-07-20 平安科技（深圳）有限公司 基于人工智能的药物靶点作用关系确定方法及装置
CN114925270A (zh) * 2022-05-09 2022-08-19 华南师范大学 一种会话推荐方法和模型
CN115440314A (zh) * 2022-09-06 2022-12-06 湖南艾科瑞生物工程有限公司 琼脂糖凝胶的电泳性能检测方法及相关设备
CN115440314B (zh) * 2022-09-06 2023-08-15 湖南艾科瑞生物工程有限公司 琼脂糖凝胶的电泳性能检测方法及相关设备
CN116246697A (zh) * 2023-05-11 2023-06-09 上海微观纪元数字科技有限公司 用于药物的靶点蛋白质预测方法及装置、设备、存储介质
CN116246697B (zh) * 2023-05-11 2023-08-01 上海微观纪元数字科技有限公司 用于药物的靶点蛋白质预测方法及装置、设备、存储介质
CN116451176A (zh) * 2023-06-15 2023-07-18 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的药物光谱数据分析方法及装置
CN116451176B (zh) * 2023-06-15 2024-01-12 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的药物光谱数据分析方法及装置
CN117524298A (zh) * 2023-11-03 2024-02-06 和合数据科技(深圳)有限公司 主动寻找、分析、比对、预警药物作用靶点的方法和装置
CN117831640A (zh) * 2024-03-05 2024-04-05 青岛国实科技集团有限公司 基于超算的医药产业数字孪生平台
CN117831640B (zh) * 2024-03-05 2024-05-14 青岛国实科技集团有限公司 基于超算的医药产业数字孪生平台

Also Published As

Publication number Publication date
WO2023134062A1 (zh) 2023-07-20

Similar Documents

Publication Publication Date Title
CN114360639A (zh) 基于人工智能的药物靶点作用关系确定方法及装置
WO2020088439A1 (zh) 实现异构图、分子空间结构性质识别的方法、装置和计算机设备
CN112232065B (zh) 挖掘同义词的方法及装置
CN114417986A (zh) 基于人工智能的药物特征信息确定方法及装置
CN113470741B (zh) 药物靶标关系预测方法、装置、计算机设备及存储介质
CN113723288B (zh) 基于多模态混合模型的业务数据处理方法及装置
CN113539485B (zh) 医疗数据处理方法及装置
CN113724815B (zh) 基于决策分群模型的信息推送方法及装置
CN114550847B (zh) 基于图卷积神经网络的药物口服利用度及毒性预测方法
CN114003734A (zh) 乳腺癌风险因素知识体系模型、知识图谱系统及构建方法
CN113705698B (zh) 基于点击行为预测的信息推送方法及装置
CN115101142A (zh) 一种药物-靶点交互作用预测方法、系统及终端设备
Palmer et al. Citizen science, computing, and conservation: How can “Crowd AI” change the way we tackle large-scale ecological challenges?
CN114358202A (zh) 基于药物分子图像分类的信息推送方法及装置
Pelt Tackling the challenges of bioimage analysis
CN114944191A (zh) 一种基于网络爬虫和多模态特征的成分-靶点相互作用预测方法
CN113257439A (zh) 一种远程医疗会诊平台的功能定制方法及系统
CN113159315A (zh) 一种神经网络的训练方法、数据处理方法以及相关设备
JP7008979B2 (ja) 情報処理システム、情報処理方法、及びプログラム
CN113986890B (zh) 一种基于少样本模型学习的联合医院数据迁移方法及系统
Dang et al. The Allen Brain Atlas: delivering neuroscience to the web on a genome wide scale
González-Álvarez et al. Searching for common patterns on protein sequences by means of a parallel hybrid honey-bee mating optimization algorithm
Pitkanen et al. Using the grid for enhancing the performance of a medical image search engine
CN117390455B (zh) 数据处理方法和装置、存储介质及电子设备
EP4296865A1 (en) Method and system for automated column type annotation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination