申请/专利权人：重庆邮电大学

申请日：2024-04-07

公开（公告）日：2024-07-05

公开（公告）号：CN118298908A

主分类号：G16B15/30

分类号：G16B15/30;G16B50/30;G16B35/00;G06N3/082;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明涉及一种基于药物双模态特征的药物靶标结合亲和力预测方法，属于药物靶标亲和度预测领域。首先通过构建一个三通道深度学习网络，分别处理生物标靶的序列、药物分子的序列及其化学结构图。标靶序列经预处理后被嵌入为高维特征向量，并利用XLNet‑DSC提取深层次的生物信息。同时，药物分子的SMILES序列被转化为化学结构图，并通过图神经网络技术如图注意力网络和消息传递神经网络提取关键的化学特征。药物分子序列经过特定编码和神经网络处理，以获得进一步的特征表示。通过将这些多维度特征进行融合，并应用多头注意力机制进行细致的特征整合，该方法能够精确地预测药物与标靶之间的结合亲和力。

主权项：1.基于药物双模态特征的药物靶标结合亲和力预测方法，其特征在于：该方法包括以下步骤：S1：构建三通道深度学习网络，分别输入标靶序列、药物分子序列和药物分子图；S2：首先标靶序列进行预处理，将标靶序列S填充或切分为等长序列，并输入到嵌入层进行嵌入获得序列Tembed，使每个氨基酸映射为一个唯一的向量并将其送入XLNet-DSC联合模块进行特征提取；首先将序列Tembed输入XLNet模型中获得高维特征表示H；将H作为深度可分离卷积的输入，对于每个特征向量Xi大批独立应用卷积滤波器，随后逐点卷积将不同通道的特征融合起来，得到标靶特征Hout；S3：利用化学信息学工具RDKit解析化合物SMILES序列；将SMILES字符串转换为化学结构的图形，即分子图G＝V,E；将分子图G＝V,E同时输入图注意力网络GIN和消息传递神经网络MPNNs获取特征向量和随后将和加权求和再通过池化层将节点级别的特征聚合为图级别的特征表示，得到药物分子图特征hv,combined；S4：将药物分子SMILES序列输入嵌入层获取固定长度向量X，将序列X＝[x1,x2,...,xT]输入TextRCNN网络进行特征提取，获取药物序列特征Z；S5：将特征Hout、hv,combined和Z输入多头注意力中进行特种融合，获得药物与标靶的结合亲和力预测结果。

全文数据：

权利要求：

百度查询： 重庆邮电大学 基于药物双模态特征的药物靶标结合亲和力预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD