CN117912591B - 一种基于深度对比学习的激酶药物相互作用预测方法 - Google Patents
一种基于深度对比学习的激酶药物相互作用预测方法 Download PDFInfo
- Publication number
- CN117912591B CN117912591B CN202410313774.3A CN202410313774A CN117912591B CN 117912591 B CN117912591 B CN 117912591B CN 202410313774 A CN202410313774 A CN 202410313774A CN 117912591 B CN117912591 B CN 117912591B
- Authority
- CN
- China
- Prior art keywords
- drug
- data
- target protein
- vector
- target
- 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 29
- 206010013710 Drug interaction Diseases 0.000 title claims abstract description 24
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 80
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 80
- 239000003814 drug Substances 0.000 claims abstract description 70
- 229940079593 drug Drugs 0.000 claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 18
- 108091000080 Phosphotransferase Proteins 0.000 claims abstract description 16
- 102000020233 phosphotransferase Human genes 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 9
- 238000009830 intercalation Methods 0.000 claims description 8
- 230000002687 intercalation Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000003596 drug target Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012938 design process Methods 0.000 abstract description 2
- 238000012912 drug discovery process Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012827 research and development Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 239000002547 new drug Substances 0.000 abstract 1
- 238000013507 mapping Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007876 drug discovery Methods 0.000 description 1
- 150000003384 small molecules Chemical class 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于生物信息学领域,涉及一种基于深度对比学习的激酶药物相互作用预测方法。通过将药物分子向量和靶标蛋白质向量输入线性层使它们可以在同一空间维度下进行训练,训练后可以获得具有更好预测效果的激酶药物相互作用预测模型。该方法使用了深度对比学习技术,其步骤包括:药物与靶标投影器的预处理、计算分子和蛋白质特征相似性、基于对比学习的神经网络训练和预测四个过程。该方法可以分析大量的分子结构和生物信息学数据,加速药物发现和设计过程,缩短药物研发周期,降低成本,并促进新药物的发现。
Description
技术领域
本发明属于生物信息学领域,涉及一种基于深度对比学习的激酶药物相互作用预测方法,其中包括深度学习、对比学习、卷积神经网络等技术。
背景技术
药物发现的过程中,实验筛选小分子以确定其在蛋白质靶点上的结合是十分昂贵的步骤之一。因此,精准、高通量的计算预测药物与靶点的相互作用,有助于优先考虑潜在的实验筛选候选物。通过计算预测,可以减少实验室工作量,节省成本和时间,快速识别潜在的药物靶点相互作用,使得候选物质更快地进入实验验证阶段。使用深度学习来预测激酶药物相互作用可以通过分析大量的分子结构和生物信息数据,加速药物发现和设计过程。同时可以缩短药物研发周期,降低成本,并促进新药物的发现。
发明内容
本发明提出了一种基于深度对比学习的激酶药物相互作用预测方法,包括药物与靶标投影器的预处理、计算分子和蛋白质特征相似性、基于对比学习的神经网络训练和预测四个过程,其具体步骤如下:
步骤1、将药物分子和靶标蛋白质数据投影到一个潜在空间中,输入到卷积层,并执行线性变化和激活函数操作,得到药物投影器和靶标投影器;将药物分子数据和靶标蛋白质数据输入到对应的投影器中,得到潜在空间中的分子嵌入张量和蛋白质嵌入张量;
步骤2、基于步骤1的投影器得到的分子和蛋白质的嵌入张量,将药物分子向量和靶标蛋白质向量输入到全连接层,使它们在同一空间维度下,计算嵌入张量之间的余弦相似度,用于计算药物-靶标相互作用的概率;
步骤3、将步骤2中处理后的数据输入基于对比学习的并行神经网络,包含一个全连接层将输入的特征从100维映射到4096维,一个Dropout层,再设置一个全连接层从4096维映射到1024维,最后是一个Dropout层;训练并保存激酶药物相互作用预测模型;
步骤4、将需要预测的药物和靶标数据的特征经过步骤1处理后输入步骤3中保存好的模型,以预测激酶药物相互作用。
一种基于深度对比学习的激酶药物相互作用预测方法,步骤1的实现过程如下:
将2048维的药物分子和1024维的靶标蛋白质数据投影到一个潜在空间中,每个投影器都包含两个卷积层,两个全连接层和一个激活函数;处理药物分子,使用两个卷积层处理数据,将处理后的数据输入到全连接层中,将数据从2048维降低到1024维,将降维后的数据输入到药物投影器中,第二层再设置一个全连接层,不改变数据的维数,输入数据和输出数据保持在1024维,该全连接层使用ReLU激活函数;处理靶标蛋白质数据,使用两个卷积层处理数据,将处理好的数据输出到两个全连接层中,维度不发生改变,该全连接层也使用ReLU激活函数;通过Foldseek索引,将处理后的药物分子和靶标蛋白质分子输入到嵌入层,其中嵌入层的大小为 (22, 1024),用于处理 22 个索引,每个索引的嵌入维度为 1024;通过将 FoldSeek 索引传递给嵌入层,得到蛋白质语言模型嵌入;通过对这个张量沿着维度1进行均值池化,得到一个平均后的单个FoldSeek 嵌入张量。将蛋白质语言模型嵌入和FoldSeek 嵌入拼接在一起,形成完整的蛋白质嵌入,得到药物的分子嵌入表示和靶标的蛋白质嵌入表示。将药物分子的嵌入表示和靶标蛋白质分子的嵌入表示输入到对应的药物和靶标投影器中,得到潜在空间中的表示。
一种基于深度对比学习的激酶药物相互作用预测方法,步骤2的实现过程如下:
通过步骤1得到分子和蛋白质的嵌入张量,使用一个双向长短时间记忆网络来处理蛋白质的嵌入序列,得到蛋白质的隐藏状态;将分子嵌入张量使用全连接层从2048维映射到1024维,该全连接层使用ReLU激活函数;将蛋白质嵌入张量使用全连接层从100维映射到1024维,该全连接层也使用ReLU激活函数;将处理后的分子和蛋白质的嵌入张量传递给药物和靶标的投影器,并通过批标准化层进行规范化处理,并输入到余弦相似度函数;通过接收分子和蛋白质的嵌入张量,返回余弦距离度量计算得到的分子和蛋白质嵌入之间的相似度。
一种基于深度对比学习的激酶药物相互作用预测方法,步骤3的实现过程如下:
将步骤2中处理后的样本向量输入基于对比学习的并行神经网络,包含一个全连接层将输入的特征从100维映射到4096维,该全连接层使用ReLU激活函数,一个Dropout层用于正则化,以50%的概率丢弃部分神经元的输出。再设置一个全连接层从4096维映射到1024维,该全连接层使用ReLU激活函数,一个Dropout层,以20%的概率丢弃部分神经元的输出;将处理后的数据使用广义的torch.sigmoid 激活函数避免处理后的训练数据下溢出;训练并保存激酶药物相互作用预测模型。
一种基于深度对比学习的激酶药物相互作用预测方法,步骤4的实现过程如下:
将需要预测的药物分子和蛋白质嵌入数据经过步骤1分别输入到对应的药物和靶标数据投影器中,输入步骤3中保存好的模型,得到药物分子和蛋白质分子1024维的向量,再通过计算余弦相似度返回分子嵌入和蛋白质嵌入之间的相似性,作为激酶药物相互作用的结果。
附图说明
图1是一种基于深度对比学习激酶药物相互作用预测方法流程图。
图2药物与靶标投影器的预处理流程图。
图3计算药物分子和蛋白质特征相似性流程图。
图4基于对比学习的神经网络的训练流程图。
具体实施方式
以下结合附图和实例对本发明进行详细说明。
本发明提出了一种基于深度对比学习的激酶药物相互作用预测方法,具体流程如图1所示:包括药物与靶标投影器的预处理、计算分子和蛋白质特征相似性、基于对比学习的神经网络的训练和预测四个过程,其具体步骤如下:
步骤1、药物与靶标投影器的预处理流程如图2所示:将2048维的药物数据和1024维的靶标数据各投影到一个潜在空间中,每个投影器都包含两个卷积层,两个全连接层和一个激活函数;处理药物分子数据时,使用nn.Conv2D构建两个卷积神经网络,第一层输入通道是1,输出通道1024;第二层输入通道是1024,输出通道是2048;两个卷积层卷积核大小都是 3×3,填充为1,步幅为1; 使用nn.Linear构建第一个全连接层,将数据从2048维降低到1024维,该全连接层使用非线性激活函数ReLU;第二层设置一个全连接层,不改变数据的维数,输入数据和输出数据保持在1024维,该卷积层使用非线性激活函数ReLU;处理靶标蛋白质数据时,使用nn.Conv2D构建两个卷积层,第一层输入通道是1,输出通道256;第二层输入通道是256,输出通道是1024;两个卷积层卷积核大小都是 3×3,填充为1,步幅为1; 使用nn.Linear构建第一个全连接层不改变数据的维数,该全连接层使用非线性激活函数ReLU;第二层设置一个全连接层,不改变数据的维数,该全连接层使用非线性激活函数ReLU;通过PyTorch中的xavier_normal_函数对药物投影器和靶标投影器中的全连接层权重参数进行Xavier正态分布初始化;通过Foldseek索引,一种结构搜索程序,可以精确找到三维结构相似的蛋白质,将处理后的药物分子和靶标蛋白质分子输入到嵌入层,其中嵌入层的大小为 (22, 1024),用于处理 22 个索引,每个索引的嵌入维度为 1024;通过将FoldSeek 索引传递给嵌入层,得到蛋白质语言模型嵌入;通过对这个张量沿着维度 1进行均值池化,得到一个平均后的单个FoldSeek 嵌入向量。将蛋白质语言模型嵌入和FoldSeek 嵌入拼接在一起,形成完整的蛋白质嵌入,得到药物分子的嵌入表示和靶标蛋白质的嵌入表示。将药物分子的嵌入表示和靶标蛋白质分子的嵌入表示输入到对应的药物和靶标数据投影器中,得到潜在空间中的表示。将分子嵌入表示和蛋白质嵌入表示输入到对应的药物和靶标数据投影器中。
步骤2、计算药物分子和蛋白质特征相似性流程如图3所示:通过步骤1得到分子和蛋白质的嵌入张量,使用一个双向长短时间记忆网络来处理蛋白质的嵌入序列,这个记忆网络层将返回一个包含正向和反向隐藏状态的元组,将分子嵌入向量通过一个全连接层和激活函数进行映射,获得能在潜在空间中更好捕捉分子特征的表示方式,将蛋白质嵌入向量通过双向长短时间记忆网络进行处理,得到每个时间步维度为2×256的输出和最终的隐藏状态;将最终的隐藏状态进行维度变换和压平操作,得到与分子嵌入向量相同的潜在空间维度。将处理后的蛋白质表示通过输入到一个全连接层进行映射,得到在潜在空间中更好捕捉蛋白质特征的表示。将得到的蛋白质特征向量输入到一个全连接层,该全连接层使用ReLU激活函数,将数据从2×3×256 维映射到潜在空间256维,得到蛋白质的隐藏状态,将双向长短时间记忆层处理后得到的蛋白质嵌入向量的维度映射到与分子嵌入向量相同的潜在空间维度上,使用全连接层将蛋白质嵌入张量从256维映射到1024维,该全连接层使用ReLU激活函数;使用全连接层将分子嵌入张量从2048维映射到1024维,该全连接层也使用ReLU激活函数;然后将处理后的分子和蛋白质的嵌入张量传递给药物和靶标的投影器,并通过批标准化层进行规范化处理,并使用PyTorch中的nn.CosineSimilarity()输入到余弦相似度函数:,其中x 和 y 是分子和蛋白质的嵌入张量,·表示张量之间的点积,/> 表示张量的 2 范数,通过接受分子和蛋白质的嵌入张量,返回余弦距离度量计算得到的分子和蛋白质嵌入之间的相似度;
步骤3、基于对比学习的神经网络的训练流程如图4所示:将步骤2中处理后的样本向量输入基于对比学习的并行神经网络,输入蛋白质数据,包含一个全连接层,将输入的特征数据从100维映射到4096维,一个Dropout层用于正则化,以50%的概率丢弃部分神经元的输出,防止过拟合,该Dropout层使用ReLU激活函数。再设置一个全连接层,将数据从4096维映射到1024维,设置一个Dropout层,以20%的概率丢弃部分神经元的输出,该Dropout层也使用ReLU激活函数,最后设置一层全连接层将最终的特征映射到单个值上;将处理后的数据使用广义的torch.sigmoid 激活函数:,训练并保存激酶药物相互作用预测模型。
步骤4、将需要预测的药物和靶标数据序列经过步骤1输入到药物投影器和靶标投影器,得到药物分子和靶标蛋白质1024维的向量后输入步骤3中保存好的模型,再计算药物分子和靶标蛋白质的余弦相似度,预测其所属类别。
本发明使用三个低覆盖率基准数据集BIOSNAP、BindingDB和Davis测试所提出一种基于深度对比学习的激酶药物相互作用预测方方法的性能。每个数据集分别包含50组数据,其中有30组训练集,19组验证集,1组测试集。每个数据集的样本经过步骤1的预处理后,分别输入到步骤3中保存好的模型;每个样本可以分别得到一个1024维的药物分子向量和靶标蛋白质向量,计算这两个向量的药物-靶标相互作用;在每个数据集上基于训练集和验证集训练模型5次,并用测试集测试,最后计算5次训练并测试的平均AUPR值(精度召回率曲线下的面积)。基于本发明提出的方法训练并测试,在数据集BIOSNAP上的AUPR值为0.9216,与目前性能最好的靶标准确性预测模型ConPlex相比,提高了2.46%;在数据集BindingDB上的AUPR值为0.6742,与ConPlex相比,提高了4.62%;在测试集Davis上的AUPR值为0.4917,与ConPlex相比,提高了3.37%。本发明修改了传统的激活函数并使用卷积运算提取特征,因此性能高于其它现有方法,可以有效提高激酶药物相互作用预测性能。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (2)
1.一种基于深度对比学习的激酶药物相互作用预测方法,其特征在于,通过计算药物与靶标的相互作用,获得更好的预测模型,快速识别潜在的药物靶点相互作用,将药物分子向量和靶标蛋白质向量放在同一空间下进行训练,包括药物与靶标投影器的预处理、计算药物分子和靶标蛋白质特征相似性、基于对比学习的神经网络的训练和预测四个过程,其具体步骤如下:
步骤1、将药物数据和靶标蛋白质数据各投影到一个潜在空间中,每个投影器都包含两个卷积层,两个全连接层和一个激活函数;处理药物分子数据时,构建两个卷积层和第一个全连接层;第二层设置一个全连接层,不改变数据的维数;处理靶标蛋白质数据时,构建两个卷积层和第一个全连接层,不改变数据的维数;第二层设置一个全连接层,不改变数据的维数;将药物分子数据和靶标蛋白质数据输入到对应的投影器中,得到潜在空间中的药物分子嵌入向量和靶标蛋白质嵌入向量;
步骤2、将靶标蛋白质嵌入向量通过双向长短时间记忆网络进行处理,得到每个时间输出和最终的隐藏状态;将最终的隐藏状态进行维度变换和压平操作,得到与药物分子嵌入向量相同的潜在空间维度;构建一个全连接层和激活函数进行映射,得到在潜在空间中更好捕捉靶标蛋白质特征的表示;通过构建全连接层和激活函数,得到靶标蛋白质的隐藏状态,将靶标蛋白质嵌入向量的维度映射到与药物分子嵌入向量相同的潜在空间维度上;然后将处理后的药物分子嵌入向量和靶标蛋白质嵌入向量传递给药物投影器和靶标投影器,并通过批标准化层进行规范化处理,并输入到余弦相似度函数:返回余弦距离度量计算得到的药物分子和靶标蛋白质嵌入之间的相似度或亲和度;
步骤3、将步骤2中处理后的靶标蛋白质嵌入向量和药物分子嵌入向量输入基于对比学习的并行神经网络;输入靶标蛋白质数据,构建一个全连接层,构建Dropout层用于正则化,以50%的概率丢弃部分神经元的输出;输入药物分子数据,设置一个全连接层和一个Dropout层,以20%的概率丢弃部分神经元的输出,将处理后的数据使用广义的Sigmoid 激活函数:,避免处理后的训练数据下溢出;训练并保存激酶药物相互作用预测模型;
步骤4、将需要预测的药物分子和靶标蛋白质嵌入数据经过步骤1分别输入到对应的药物数据投影器和靶标数据投影器中,输入到步骤3中保存好的模型,得到药物分子向量和靶标蛋白质向量,再通过计算余弦相似度返回药物分子嵌入和靶标蛋白质嵌入之间的相似性,作为激酶药物相互作用的结果,预测其所属类别。
2.根据权利要求1所述的一种基于深度对比学习的激酶药物相互作用预测方法,其特征在于,将药物分子向量和靶标蛋白质向量通过卷积层和线性层预处理得到投影器,再将数据输入到投影器中训练,投影器预处理的实现过程如下:
将药物数据和靶标数据各投影到一个潜在空间中,每个投影器都包含两个卷积层,构建两个卷积神经网络,两个卷积层卷积核大小都是3×3,使靶标蛋白质嵌入向量的维度映射到与药物分子嵌入向量相同的潜在空间维度上,得到药物投影器和靶标投影器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410313774.3A CN117912591B (zh) | 2024-03-19 | 2024-03-19 | 一种基于深度对比学习的激酶药物相互作用预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410313774.3A CN117912591B (zh) | 2024-03-19 | 2024-03-19 | 一种基于深度对比学习的激酶药物相互作用预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117912591A CN117912591A (zh) | 2024-04-19 |
CN117912591B true CN117912591B (zh) | 2024-05-31 |
Family
ID=90691064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410313774.3A Active CN117912591B (zh) | 2024-03-19 | 2024-03-19 | 一种基于深度对比学习的激酶药物相互作用预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117912591B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103582652A (zh) * | 2011-04-04 | 2014-02-12 | 马克思—普朗克科学促进协会公司 | 用于蛋白质的质谱分析法的定量标准 |
KR20190049537A (ko) * | 2017-10-30 | 2019-05-09 | 서울대학교산학협력단 | 심화 학습 기반의 약물-표적 단백질 간 상호작용 예측 시스템 및 그 방법 |
KR20200017653A (ko) * | 2018-08-09 | 2020-02-19 | 광주과학기술원 | 약물-표적 상호 작용 예측을 위한 방법 |
KR20210026542A (ko) * | 2019-08-30 | 2021-03-10 | 주식회사 에일론 | 기하학적 이미지를 이용한 인공신경망 기반 단백질 결합 화합물의 생물학적 활성 예측 시스템 |
CN112530514A (zh) * | 2020-12-18 | 2021-03-19 | 中国石油大学(华东) | 基于深度学习方法预测化合物蛋白质相互作用的新型深度模型、计算机设备、存储介质 |
CN113066525A (zh) * | 2021-03-30 | 2021-07-02 | 中山大学 | 一种基于集成学习与混合神经网络的多靶标药物筛选方法 |
CN113421658A (zh) * | 2021-07-06 | 2021-09-21 | 西北工业大学 | 基于近邻注意力网络的“药物-靶标”相互作用预测方法 |
KR20220071064A (ko) * | 2020-11-23 | 2022-05-31 | 주식회사 아론티어 | 유사도 기반의 합성곱 신경망을 이용한 약물-표적 결합 친화도의 예측 방법 및 이를 위한 시스템 |
CN114822683A (zh) * | 2022-05-10 | 2022-07-29 | 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 |
WO2022167325A1 (en) * | 2021-02-05 | 2022-08-11 | Deepmind Technologies Limited | Predicting protein amino acid sequences using generative models conditioned on protein structure embeddings |
CN114913917A (zh) * | 2022-06-01 | 2022-08-16 | 徐州医科大学 | 基于数字孪生与蒸馏bert的药物靶标亲和度预测方法 |
CN115116551A (zh) * | 2022-06-27 | 2022-09-27 | 华东交通大学 | 基于非负矩阵分解框架的预测蛋白质相互作用关系的方法 |
CN115631805A (zh) * | 2022-09-09 | 2023-01-20 | 北京算路科技有限公司 | 基于图神经网络的药物与蛋白质亲和力预测方法及系统 |
CN116230105A (zh) * | 2023-01-09 | 2023-06-06 | 中国科学院生态环境研究中心 | 化学品和蛋白质靶点相互作用的预测方法 |
CN116417093A (zh) * | 2022-12-06 | 2023-07-11 | 苏州科技大学 | 一种结合Transformer和图神经网络的药物靶标相互作用预测方法 |
CN116504328A (zh) * | 2023-04-18 | 2023-07-28 | 平安科技(深圳)有限公司 | 药靶相互作用的预测方法、装置及可读存储介质 |
CN117012303A (zh) * | 2023-06-25 | 2023-11-07 | 苏州科技大学 | 一种基于强化学习的dti预测方法、系统、存储介质和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11521712B2 (en) * | 2017-05-19 | 2022-12-06 | Accutar Biotechnology Inc. | Computational method for classifying and predicting ligand docking conformations |
EP4181145A1 (en) * | 2021-11-12 | 2023-05-17 | Tata Consultancy Services Limited | Method and system for structure-based drug design using a multi-modal deep learning model |
-
2024
- 2024-03-19 CN CN202410313774.3A patent/CN117912591B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103582652A (zh) * | 2011-04-04 | 2014-02-12 | 马克思—普朗克科学促进协会公司 | 用于蛋白质的质谱分析法的定量标准 |
KR20190049537A (ko) * | 2017-10-30 | 2019-05-09 | 서울대학교산학협력단 | 심화 학습 기반의 약물-표적 단백질 간 상호작용 예측 시스템 및 그 방법 |
KR20200017653A (ko) * | 2018-08-09 | 2020-02-19 | 광주과학기술원 | 약물-표적 상호 작용 예측을 위한 방법 |
KR20210026542A (ko) * | 2019-08-30 | 2021-03-10 | 주식회사 에일론 | 기하학적 이미지를 이용한 인공신경망 기반 단백질 결합 화합물의 생물학적 활성 예측 시스템 |
KR20220071064A (ko) * | 2020-11-23 | 2022-05-31 | 주식회사 아론티어 | 유사도 기반의 합성곱 신경망을 이용한 약물-표적 결합 친화도의 예측 방법 및 이를 위한 시스템 |
CN112530514A (zh) * | 2020-12-18 | 2021-03-19 | 中国石油大学(华东) | 基于深度学习方法预测化合物蛋白质相互作用的新型深度模型、计算机设备、存储介质 |
WO2022167325A1 (en) * | 2021-02-05 | 2022-08-11 | Deepmind Technologies Limited | Predicting protein amino acid sequences using generative models conditioned on protein structure embeddings |
CN113066525A (zh) * | 2021-03-30 | 2021-07-02 | 中山大学 | 一种基于集成学习与混合神经网络的多靶标药物筛选方法 |
CN113421658A (zh) * | 2021-07-06 | 2021-09-21 | 西北工业大学 | 基于近邻注意力网络的“药物-靶标”相互作用预测方法 |
CN114822683A (zh) * | 2022-05-10 | 2022-07-29 | 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 |
CN114913917A (zh) * | 2022-06-01 | 2022-08-16 | 徐州医科大学 | 基于数字孪生与蒸馏bert的药物靶标亲和度预测方法 |
CN115116551A (zh) * | 2022-06-27 | 2022-09-27 | 华东交通大学 | 基于非负矩阵分解框架的预测蛋白质相互作用关系的方法 |
CN115631805A (zh) * | 2022-09-09 | 2023-01-20 | 北京算路科技有限公司 | 基于图神经网络的药物与蛋白质亲和力预测方法及系统 |
CN116417093A (zh) * | 2022-12-06 | 2023-07-11 | 苏州科技大学 | 一种结合Transformer和图神经网络的药物靶标相互作用预测方法 |
CN116230105A (zh) * | 2023-01-09 | 2023-06-06 | 中国科学院生态环境研究中心 | 化学品和蛋白质靶点相互作用的预测方法 |
CN116504328A (zh) * | 2023-04-18 | 2023-07-28 | 平安科技(深圳)有限公司 | 药靶相互作用的预测方法、装置及可读存储介质 |
CN117012303A (zh) * | 2023-06-25 | 2023-11-07 | 苏州科技大学 | 一种基于强化学习的dti预测方法、系统、存储介质和装置 |
Non-Patent Citations (4)
Title |
---|
Measuring the three-dimensional structural properties of topologically associating domains;Tong Liu;《2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)》;20190124;全文 * |
利用生物信息技术预测离子通道蛋白和青蒿抗肿瘤相关蛋白研究;王苗;《中国优秀硕士论文电子期刊网》;20200815;全文 * |
基于密集连接卷积神经网络的链路预测模型;王文涛;吴淋涛;黄烨;朱容波;;计算机应用;20190219(06);全文 * |
深度协同过滤算法实现药物-靶标关系预测;何亚琼;朱晓军;;计算机工程与设计;20200816(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117912591A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Springenberg et al. | Improving deep neural networks with probabilistic maxout units | |
CN112364880B (zh) | 基于图神经网络的组学数据处理方法、装置、设备及介质 | |
CN111860573A (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
CN110309867B (zh) | 一种基于卷积神经网络的混合气体识别方法 | |
Yang et al. | Image-based classification of protein subcellular location patterns in human reproductive tissue by ensemble learning global and local features | |
CN114743600A (zh) | 基于门控注意力机制的靶标-配体结合亲和力的深度学习预测方法 | |
CN112927754A (zh) | 一个基于双向长短时记忆和卷积神经网络的赖氨酸琥珀酰化修饰预测方法 | |
CN113643756A (zh) | 一种基于深度学习的蛋白质相互作用位点预测方法 | |
Shao et al. | DeepSec: a deep learning framework for secreted protein discovery in human body fluids | |
CN115116539A (zh) | 对象确定方法、装置、计算机设备和存储介质 | |
Cadow et al. | On the feasibility of deep learning applications using raw mass spectrometry data | |
CN113160886B (zh) | 基于单细胞Hi-C数据的细胞类型预测系统 | |
Wolcott et al. | Automated classification of estrous stage in rodents using deep learning | |
Gallardo Garcia et al. | Efficient deep learning architectures for fast identification of bacterial strains in resource-constrained devices | |
CN112259157B (zh) | 一种蛋白质相互作用预测方法 | |
Luo et al. | A Caps-UBI model for protein ubiquitination site prediction | |
CN117912591B (zh) | 一种基于深度对比学习的激酶药物相互作用预测方法 | |
CN114664391A (zh) | 一种分子特征确定的方法、相关装置以及设备 | |
CN116842996A (zh) | 一种基于深度压缩感知的空间转录组方法及装置 | |
CN114664382B (zh) | 多组学联合分析方法、装置及计算设备 | |
Marini et al. | Semi-supervised learning with a teacher-student paradigm for histopathology classification: a resource to face data heterogeneity and lack of local annotations | |
CN114678083A (zh) | 一种化学品遗传毒性预测模型的训练方法及预测方法 | |
CN115206422A (zh) | 质谱谱图解析方法、装置及智能终端 | |
Pan et al. | Multi-head attention mechanism learning for cancer new subtypes and treatment based on cancer multi-omics data | |
Park et al. | Transfer learning compensates limited data, batch-effects, and technical heterogeneity in single-cell sequencing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |