CN116230077B - 基于重启超图双随机游走的抗病毒药物筛选方法 - Google Patents
基于重启超图双随机游走的抗病毒药物筛选方法 Download PDFInfo
- Publication number
- CN116230077B CN116230077B CN202310138556.6A CN202310138556A CN116230077B CN 116230077 B CN116230077 B CN 116230077B CN 202310138556 A CN202310138556 A CN 202310138556A CN 116230077 B CN116230077 B CN 116230077B
- Authority
- CN
- China
- Prior art keywords
- matrix
- virus
- drug
- similarity
- hypergraph
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005295 random walk Methods 0.000 title claims abstract description 24
- 239000003443 antiviral agent Substances 0.000 title claims abstract description 8
- 238000007877 drug screening Methods 0.000 title claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 115
- 239000003814 drug Substances 0.000 claims abstract description 95
- 229940079593 drug Drugs 0.000 claims abstract description 86
- 241000700605 Viruses Species 0.000 claims abstract description 70
- 230000003612 virological effect Effects 0.000 claims abstract description 18
- 230000007704 transition Effects 0.000 claims abstract description 13
- 239000000126 substance Substances 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 230000010354 integration Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 108700005077 Viral Genes Proteins 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 abstract 1
- 229940126585 therapeutic drug Drugs 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 241001678559 COVID-19 virus Species 0.000 description 2
- 238000009511 drug repositioning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 206010013710 Drug interaction Diseases 0.000 description 1
- 230000000840 anti-viral effect Effects 0.000 description 1
- 238000010170 biological method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 238000007876 drug discovery Methods 0.000 description 1
- 239000003596 drug target Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 229940043263 traditional drug Drugs 0.000 description 1
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Medicinal Chemistry (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Pharmacology & Pharmacy (AREA)
- Public Health (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于重启超图双随机游走的抗病毒药物筛选方法,属于人工智能与生物学交叉领域。具体包括如下步骤:构建病毒‑药物关联邻接矩阵,分别计算病毒高斯距离相似性和药物高斯距离相似性;使用病毒基因组序列计算病毒基因序列相似性,使用药物的化学结构信息计算药物化学结构相似性;使用快速核学习法计算整合病毒相似性、整合药物相似性;使用关联矩阵和相似矩阵构建超图,得到对应的转移概率矩阵,使用带重启的超图双随机游走计算得到预测得分矩阵,筛选、排序得到最终结果。本发明利用超图随机游走能够充分利用不同超边上节点间的高阶关系,快速、高效地筛选出病毒有效治疗药物,避免生物医学实验方法耗时长、成本高的问题。
Description
技术领域
本发明属于生物信息学、计算生物学与人工智能交叉领域,具体涉及一种基于重启超图双随机游走的抗病毒药物筛选方法。
背景技术
从头开始设计一种新药非常困难,面临着耗时长、成本大、风险高等多种困难。与传统药物发现方法相比,已上市的药物再利用(即药物重定位)可以明显缩短药物开发时间,降低开发成本,一定程度上规避投入风险。
在药物重定位发展之初,分子对接等生物学方法占了大部分。分子对接可以直接确定药物靶点,但通常需要对所有药物进行枚举,实验效率较低。近年来,随着机器学习方法的快速发展,机器建模等计算方法逐渐被提出并在生物信息学领域得到广泛应用。已报道的方法大致可以分为两类,基于相似性的和基于网络的方法。前者受限于相似性信息不足造成预测性能较不理想,后者难以捕获节点之间的高阶关系,且容易存在“冷启动”问题。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种基于重启超图双随机游走的抗病毒药物筛选方法(Virus-Drug Associations prediction based on Hypergraph Bi-Random Walk with Restart,简称HBRWRVDA),其步骤大体为,首先通过构建病毒-药物关联的邻接矩阵,分别计算病毒高斯距离相似性、药物高斯距离相似性,然后根据病毒基因组序列计算病毒序列相似性,根据药物化学结构计算药物化学结构相似性,再使用快速核学习法计算整合病毒相似性、整合药物相似性;基于邻接矩阵和相似矩阵分别构建病毒超图、药物超图,得到对应的转移概率矩阵,然后使用带重启的超图双随机游走计算得到病毒-药物关联预测得分矩阵,筛选、排序给出最终预测结果。本方法能根据已有病毒-药物关联数据,准确高效地预测抗病毒相关药物。
本发明提供的技术方案具体包括以下步骤:
步骤一,输入已知的病毒-药物关联对,构建邻接矩阵A,若为已知关联对则对应位置为1,否则为0,此矩阵的行数为病毒数量nv,列数为药物数量nd;
步骤二,分别计算药物间高斯距离相似性和病毒间高斯距离相似性:若药物d(i)与某个病毒之间存在关联,则对应位置记为1否则记为0,形成一个1×nv大小的0或1构成的向量,记之为药物d(i)的向量谱IP(d(i)),然后计算药物d(i)和d(j)之间的高斯距离相似性
Sd(d(i),d(j))=exp(-γd|IP(d(i))-IP(d(j))||2)
上式中,参数γd用于控制核带宽,通过归一化新带宽参数γ’d获得:
以类似的方式定义病毒v(i)和v(j)之间的高斯距离相似性,1×nd大小的0或1构成的向量,记之为病毒v(i)的向量谱IP(v(i));
Sv(v(i),v(j))=exp(-γv||IP(v(i))-IP(v(j))||2)
以上γ’d和γ’v都是常数;
步骤三,输入病毒基因组序列,使用既有较为成熟的多序列比方法计算病毒序列相似性,输入药物的化学结构得到药物MACCS指纹,采用谷本系数(Tanimoto Coefficient,即Jaccard相似度)计算药物化学结构相似性;
步骤四,使用快速核学习方法整合病毒基因组序列相似矩阵和病毒高斯距离相似矩阵,具体是通过求解下面的半正定规划式:
式中,第一项为范数项表示相似矩阵的整合误差大小,第二项为为正则化项,作用是避免过拟合,其中A为病毒-药物关联邻接矩阵,分别表示病毒高斯距离相似矩阵、病毒基因组序列相似矩阵,μv为正则化参数,λv∈R1×2为待求解的系数,通过λv得到病毒的整合相似矩阵/>类似方法可获得药物结构相似性与药物高斯距离相似性集成参数λd∈R1×2,然后计算药物整合相似矩阵/>其中Sj d(j=1,2)分别表示药物高斯距离相似矩阵、药物结构相似矩阵;
步骤五,使用关联矩阵和病毒(药物)整合相似矩阵构建病毒(药物)超图,分别计算病毒(药物)加权关联矩阵、加权相关性矩阵。具体为,基于关联矩阵、病毒相似性矩阵(或关联矩阵、药物相似性矩阵)分别建立病毒超图HV(或药物超图HD),构造加权关联矩阵H|V|×|E|:
其中H=(V,E)中V代表病毒(或药物)节点集,E代表超边集,h(v)是节点v在超边e中的权重;矩阵表示病毒(或药物)顶点v∈V的度,Dv=diag(d(v))为顶点度的对角矩阵。接下来,计算病毒(或药物)超图H加权相关性矩阵W|V|×|E|如下:
其中的权重w(v)=h(v)s(v),s(v)的值等于病毒(或药物)节点v在矩阵Sv(或Sd)病毒(或药物)对应列的相似度之和;超边e∈E的度数矩阵De=diag(d(e))为超边度的对角矩阵。
步骤六,计算病毒(药物)超图的转移概率矩阵。病毒超图中随机游走的转移概率矩阵其中对角矩阵We |E|×|E|=diag(w(e))表示病毒节点选择某超边的概率。类似地,可计算得到药物超图HD的转移概率矩阵PD。
步骤七,使用带重启的超图双随机游走计算病毒-药物关联得分;首先,对病毒和药物转移概率矩阵矩阵PV和PD进行列归一化处理,得到归一化矩阵VP和DP;然后,用迭代方法对病毒超图和药物超图进行双随机游走:
HV:RV=(1-α)·VP·Rt+βR0
HD:RD=(1-α)·Rt·DP+βR0
其中RV和RD分别表示病毒、病毒视角的预测得分;α为重启概率,t是迭代步数,可通过限定t实现不同的随机游走策略;R0为初始归一化的概率矩阵。最后,通过线性组合得到预测得分矩阵Rt=(r1·RV+r2·RD)/(r1+r2)。
根据病毒-药物关联对预测分数Rt筛选出目标病毒所对应的行,排序即得到最终预测结果。
本发明的技术效果和优点:
1、相对于传统的图结构只能考虑两个顶点之间的成对交互关系,本方法将数据组织成超图可以捕获节点之间的高阶关系,进而获得较佳预测结果;
2、使用随机游走方法不仅能捕获病毒-药物关联网络的整体结构,而且对噪声具有很强的鲁棒性,使本方法具有较好的可扩展性与健壮性,使预测结果更准确;
3、本发明的双随机游走步骤考虑到不同超图的独有结构特征,能采用不同的随机游走策略(通过控制最大游走步数),提升了预测性能。
附图说明
图1为本发明的总体流程图。
图2为本发明与几种已报道方法在同一数据集上五倍交叉验证的结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的实施例中所使用的已知人类药物-病毒关联数据是从有关文献中收集的,先使用文本挖掘技术对文献报道的经过实验验证的药物-病毒相互作用对进行整理后,获得455个已证实的人类病毒-药物相互作用,涉及34种病毒与219种药物(文献DOI:10.1016/j.asoc.2021.107135);药物化学结构从DrugBank数据库下载,病毒基因组核苷酸序列从美国国家生物技术信息中心NCBI数据库获得,然后执行如图1所示的一种基于重启超图双随机游走的抗病毒药物筛选方法,具体包括如下步骤:
步骤一,输入已知的药物-病毒关联对,构建邻接矩阵A:
得到的邻接矩阵A元素为0或1,大小为34行×219列,i与j的取值范围满足1≤i≤34,1≤j≤219;
步骤二,分别计算病毒高斯距离相似性和药物高斯距离相似性:
若某一个病毒v(i)与某药物之间存在关联,则对应位置记为1否则记为0,形成一个1×219大小的0或1构成的行向量,记之为病毒v(i)的向量谱IP(v(i)),然后计算病毒v(i)和v(j)之间的高斯距离相似性:
Sv(v(i),c(j))=exp(-γv||IP(v(i))-IP(v(j))||2)
上式中,参数γv用于控制核带宽,通过归一化新带宽参数γ’v获得:
以类似的方式定义药物d(i)和d(j)之间的高斯距离相似性:
Sd(d(i),d(j))=exp(-γd||IP(d(i))-IP(d(j))||2)
取γ′d=γ′m=1;
其中nv表示病毒的数量,此例中为34,nd表示药物的数量,此例中为219,此步计算后得到大小为34×34的对称矩阵S1 v(病毒高斯距离相似性)和大小为219×219的对称矩阵S1 d(药物高斯距离相似性),且这两个矩阵元素值全都在0到1之间;
步骤三,输入病毒基因组序列,使用多序列比对工具MAFFT计算得到病毒序列相似矩阵S2 v;输入SMILES编码表示的药物化学结构,然后用化学信息学软件RDKit或Open Babel获得药物的分子访问系统指纹(MACCS),再使用R包RxnSim计算Tanimoto相似度,得到药物间化学结构相似性S2 d,具体计算方法是,对d(i)和d(j)两种药物,将此两种药物的MACCS片段二进制表示的字符串集分别记为D(i)和D(j),d(i)和d(j)间的相似度Sd ij值可以用下面公式计算:
步骤四,使用快速核学习方法整合病毒基因组序列相似矩阵和病毒高斯距离相似矩阵,具体通过求解下面的半正定规划式:
式中,第一项为范数项表示相似矩阵的整合误差大小,第二项为为正则化项,作用是避免过拟合,其中A为病毒-药物关联邻接矩阵,Sj v(j=1,2)分别表示病毒高斯距离相似矩阵、病毒基因组序列相似矩阵,μv为正则化参数,λv∈R1×2为待求解的系数,可使用Matlab软件中的CVX工具箱求解此优化问题,得到病毒的整合相似矩阵类似地,使用快速核学习方法可获得药物结构相似性与药物高斯距离相似性集成参数λd∈R1×2,然后计算药物整合相似矩阵/>
步骤五,使用关联矩阵和病毒(药物)整合相似矩阵构建病毒(药物)超图,分别计算病毒(药物)加权关联矩阵、加权相关性矩阵。基于关联矩阵、病毒相似性矩阵(或关联矩阵、药物相似性矩阵)分别建立病毒超图HV(或药物超图HD),构造加权关联矩阵H|V|×|E|:
其中H=(V,E)中V代表病毒(或药物)节点集,E代表病毒(或药物)超边集,h(v)是节点v在超边e中的权重;矩阵表示病毒(或药物)顶点v∈V的度,Dv=diag(d(v))为顶点度的对角矩阵,大小为219×219。
接下来,计算病毒(或药物)超图H加权相关性矩阵W|V|×|E|如下:
其中权重w(v)=h(v)s(v),s(v)的值等于病毒(或药物)节点v在矩阵Sv(或Sd)病毒(或药物)对应列的相似度之和;超边e∈E的度数矩阵De=diag(d(e))为超边度数的对角矩阵,大小为34×34。
步骤六,计算病毒超图中随机游走的转移概率矩阵其中对角矩阵We |E|×|E|=diag(w(e))表示节点选择某超边的概率,大小为34×34;转移概率矩阵PV,大小为219×219。类似地,可计算得到药物超图HD的转移概率矩阵PD,大小为34×34。
步骤七,使用带重启的超图双随机游走计算病毒-药物关联得分;对病毒和药物转移概率矩阵矩阵PV和PD进行归一化处理,得到归一化矩阵VP和DP,具体计算方法为:
然后,用迭代方法对病毒超图和药物超图进行双随机游走:
HV:RV=(1-α)·VP·Rt+βR0
HD:RD=(1-α)·Rt·DP+βR0
其中RV和RD分别表示病毒、病毒视角的预测得分;α为重启概率,t是迭代步数;R0为初始归一化的概率矩阵。最后,通过线性组合得到预测得分矩阵Rt=(r1·RV+r2·RD)/(r1+r2)。
根据病毒-药物关联对预测分数Rt筛选出目标病毒所对应的行,排序即得到最终预测结果。
具体使用MATLAB编程实现上述算法时,在步骤六中,对角矩阵We中每个对角元素都等于超边数目的倒数;在步骤七中,双随机游走HV和HD最大随机步长的值都取2(一般在1~5范围试探选取),矩阵R0为关联矩阵归一化,重启概率α取0.5,线性组合系数取r1=r2=1,使用网络搜索方法可进一步优化。
本发明的有效性验证:
如图1所示的一种基于重启超图双随机游走的抗病毒药物筛选方法,采用五重交叉验证进行预测性能评估,具体实施方式为:先将所有已知的药物-病毒关联随机平均分成5组,再将5组中的每一组依次设为测试样本,其他组作为训练样本(测试样本选取情况不同时,依赖测试样本计算所得的高斯距离相似性矩阵亦随之改变)。使用训练样本作为本方法的输入得到预测结果,最后将该组中每个测试样本的预测分数与候选样本的分数进行比较。为了减少生成测试样本的过程中随机划分对结果造成的影响,进行了50次五折交叉验证。
使用MATLAB编程计算后获得了如下数据,如图2所示为本方法HBRWRVDA与现已报道的的几种病毒-药物筛选模型之间的AUROC(ROC曲线下面积)值比较。本方法在5折交叉验证中取得了0.7690±0.0094的AUROC值,表现出了比几种经典模型更加出色的预测性能。
另外一方面,对具体某种病毒,如新型冠状病毒(SARS-CoV-2)使用本方法来做预测,筛选评分矩阵Rt中SARS-CoV-2对应的行即取得新冠相关药物的预测得分,将其降序排列后中前20个药物有17个能够得到已报道文献的支持。
下表展示了预测结果前20个药物名称和支持的文献PMID、引文格式或DOI号。
最后:以上所述仅为本发明的优选实施例之一,并不用于限制本发明,凡在本发明的精神和原则之内,所作的细微修改、等同替换、简单改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.基于重启超图双随机游走的抗病毒药物筛选方法,其特征在于具体包括如下步骤:
步骤一,输入已知的病毒-药物关联对,构建邻接矩阵;
步骤二,使用邻接矩阵分别计算药物高斯距离相似性、病毒高斯距离相似性;
步骤三,输入病毒基因组序列,使用多序列比对法计算病毒序列相似性;输入药物的化学结构的SMILES编码,使用谷本系数计算药物化学结构相似性矩阵;
步骤四,使用快速核学习方法整合病毒基因组序列相似矩阵和病毒高斯距离相似矩阵、药物结构相似矩阵和药物高斯距离相似矩阵,得到整合病毒相似矩阵、整合药物相似矩阵;
步骤五,使用关联矩阵和病毒整合相似矩阵构建病毒超图,分别计算病毒加权关联矩阵、加权相关性矩阵;使用关联矩阵和药物整合相似矩阵构建药物超图,分别计算药物加权关联矩阵、加权相关性矩阵;
步骤六,计算病毒超图的转移概率矩阵、药物超图的转移概率矩阵;
步骤七,使用带重启的超图双随机游走分别计算病毒视角、药物视角的关联预测得分,再将二者线性组合得到预测得分矩阵,最后筛选、排序给出最终预测结果;
上述步骤六中病毒超图的转移概率矩阵计算方式如下:病毒超图的转移概率矩阵其中Dv为病毒顶点度的对角矩阵,H为病毒超图的加权关联矩阵,We为对角矩阵,表示病毒节点选择某超边的概率,De表示病毒超边度的对角矩阵,W为病毒加权相关性矩阵;类似地,可计算得到药物超图的转移概率矩阵PD。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310138556.6A CN116230077B (zh) | 2023-02-20 | 2023-02-20 | 基于重启超图双随机游走的抗病毒药物筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310138556.6A CN116230077B (zh) | 2023-02-20 | 2023-02-20 | 基于重启超图双随机游走的抗病毒药物筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116230077A CN116230077A (zh) | 2023-06-06 |
CN116230077B true CN116230077B (zh) | 2024-01-26 |
Family
ID=86590556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310138556.6A Active CN116230077B (zh) | 2023-02-20 | 2023-02-20 | 基于重启超图双随机游走的抗病毒药物筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116230077B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631537B (zh) * | 2023-07-24 | 2023-10-20 | 中国人民解放军总医院 | 基于模糊学习的抗病毒药物筛选方法、系统及存储介质 |
CN116631502A (zh) * | 2023-07-24 | 2023-08-22 | 中国人民解放军总医院 | 基于超图学习的抗病毒药物筛选方法、系统及存储介质 |
CN116759015B (zh) * | 2023-08-21 | 2023-11-24 | 中国人民解放军总医院 | 基于超图矩阵三分解的抗病毒药物筛选方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620232A (zh) * | 2008-07-01 | 2010-01-06 | 中国人民解放军军事医学科学院基础医学研究所 | 一种丙型肝炎病毒变异检测蛋白芯片、其制备方法及用途 |
CN109712678A (zh) * | 2018-12-12 | 2019-05-03 | 中国人民解放军军事科学院军事医学研究院 | 关系预测方法、装置及电子设备 |
KR102035658B1 (ko) * | 2019-04-01 | 2019-10-23 | 한국과학기술정보연구원 | 신약 재창출 후보 추천 시스템 및 이 시스템의 각 기능을 실행시키기 위해 매체에 저장된 컴퓨터 프로그램 |
CN113345514A (zh) * | 2021-06-01 | 2021-09-03 | 辽宁工程技术大学 | 一种基于超图聚类模型的微生物高阶网络建立方法及装置 |
CN113921106A (zh) * | 2021-07-16 | 2022-01-11 | 湖南工业大学 | 一种基于有界核范数正则化的新冠肺炎药物筛选模型 |
CN114913916A (zh) * | 2022-04-19 | 2022-08-16 | 广东工业大学 | 预测新冠病毒适应药物的药物重定位方法 |
WO2022173841A1 (en) * | 2021-02-09 | 2022-08-18 | University Of Virginia Patent Foundation | Methods of modeling in vivo efficacy of drug combinations for treatment of viral infections |
CN115116580A (zh) * | 2022-07-11 | 2022-09-27 | 常州大学 | 一种基于矩阵分解和异构图推理的病毒-药物关联预测方法 |
WO2022252402A1 (zh) * | 2021-05-31 | 2022-12-08 | 之江实验室 | 一种融合患者画像信息的药物新适应症发现方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10724110B2 (en) * | 2015-09-01 | 2020-07-28 | Seven Bridges Genomics Inc. | Systems and methods for analyzing viral nucleic acids |
-
2023
- 2023-02-20 CN CN202310138556.6A patent/CN116230077B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620232A (zh) * | 2008-07-01 | 2010-01-06 | 中国人民解放军军事医学科学院基础医学研究所 | 一种丙型肝炎病毒变异检测蛋白芯片、其制备方法及用途 |
CN109712678A (zh) * | 2018-12-12 | 2019-05-03 | 中国人民解放军军事科学院军事医学研究院 | 关系预测方法、装置及电子设备 |
KR102035658B1 (ko) * | 2019-04-01 | 2019-10-23 | 한국과학기술정보연구원 | 신약 재창출 후보 추천 시스템 및 이 시스템의 각 기능을 실행시키기 위해 매체에 저장된 컴퓨터 프로그램 |
WO2022173841A1 (en) * | 2021-02-09 | 2022-08-18 | University Of Virginia Patent Foundation | Methods of modeling in vivo efficacy of drug combinations for treatment of viral infections |
WO2022252402A1 (zh) * | 2021-05-31 | 2022-12-08 | 之江实验室 | 一种融合患者画像信息的药物新适应症发现方法及系统 |
CN113345514A (zh) * | 2021-06-01 | 2021-09-03 | 辽宁工程技术大学 | 一种基于超图聚类模型的微生物高阶网络建立方法及装置 |
CN113921106A (zh) * | 2021-07-16 | 2022-01-11 | 湖南工业大学 | 一种基于有界核范数正则化的新冠肺炎药物筛选模型 |
CN114913916A (zh) * | 2022-04-19 | 2022-08-16 | 广东工业大学 | 预测新冠病毒适应药物的药物重定位方法 |
CN115116580A (zh) * | 2022-07-11 | 2022-09-27 | 常州大学 | 一种基于矩阵分解和异构图推理的病毒-药物关联预测方法 |
Non-Patent Citations (5)
Title |
---|
Identifying virus-receptor interactions through matrix completion with similarity fusion;Lingzhi Zhu et al.;2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM);全文 * |
全球冠状病毒研究概况及热点分析;郭婷;任妮;孙艺伟;鲍彤;中华医学图书情报杂志(05);全文 * |
基于 Laplacian 正则化与双向随机游走的药物重定位方法;宋映龙等;Virus and (Drug or Medicine) and Matrix;第35卷(第7期);全文 * |
基于Laplacian正则化与双向随机游走的药物重定位方法;宋映龙;彭昱忠;计算机应用与软件(07);全文 * |
生物信息学与抗病毒药物的研究;向天雨, 谢正祥, 李章勇, 王笛黎;陕西中医学院学报(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116230077A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116230077B (zh) | 基于重启超图双随机游走的抗病毒药物筛选方法 | |
CN115966252B (zh) | 基于l1范数图的抗病毒药物筛选方法 | |
CN116092598B (zh) | 基于流形正则化非负矩阵分解的抗病毒药物筛选方法 | |
CN109243538B (zh) | 一种预测疾病与LncRNA关联关系的方法及系统 | |
Wen et al. | A classification model for lncRNA and mRNA based on k-mers and a convolutional neural network | |
US20220130541A1 (en) | Disease-gene prioritization method and system | |
CN116189760B (zh) | 基于矩阵补全的抗病毒药物筛选方法、系统及存储介质 | |
CN112599187B (zh) | 一种基于双流神经网络预测药物与靶标蛋白结合分数的方法 | |
CN111370073B (zh) | 一种基于深度学习的药物互作规则预测方法 | |
CN116153391B (zh) | 基于联合投影的抗病毒药物筛选方法、系统及存储介质 | |
CN114913916A (zh) | 预测新冠病毒适应药物的药物重定位方法 | |
Yu et al. | RPI-MDLStack: Predicting RNA–protein interactions through deep learning with stacking strategy and LASSO | |
CN113488104A (zh) | 基于局部和全局的网络中心性分析的癌症驱动基因预测方法及系统 | |
Moteghaed et al. | Biomarker discovery based on hybrid optimization algorithm and artificial neural networks on microarray data for cancer classification | |
CN114842927B (zh) | 一种知识图谱注意力网络的药物与通路的关联预测方法 | |
CN116631537B (zh) | 基于模糊学习的抗病毒药物筛选方法、系统及存储介质 | |
CN116343927A (zh) | 基于增强的超图卷积自编码算法的miRNA-疾病关联预测方法 | |
CN116153396A (zh) | 一种基于迁移学习的非编码变异预测方法 | |
CN115295156A (zh) | 一种基于关系图卷积网络融合多源信息预测miRNA-疾病的方法 | |
CN108182347B (zh) | 一种大规模跨平台基因表达数据分类方法 | |
CN116798545B (zh) | 基于非负矩阵的抗病毒药物筛选方法、系统及存储介质 | |
Cong et al. | Big data driven oriented graph theory aided tagsnps selection for genetic precision therapy | |
Nethala et al. | GECC-Net: Gene Expression-Based Cancer Classification using Hybrid Fuzzy Ranking Network with Multi-kernel SVM | |
CN116705148B (zh) | 基于拉普拉斯最小二乘法的抗病毒药物筛选方法及系统 | |
CN116759015B (zh) | 基于超图矩阵三分解的抗病毒药物筛选方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230817 Address after: 100853 Fuxing Road 28, Beijing, Haidian District Applicant after: CHINESE PLA GENERAL Hospital Address before: 100853 Fuxing Road 28, Beijing, Haidian District Applicant before: Tang Yong |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |