检索历史 清除

摘要药物-靶标之间的相互作用关系以及结合强弱是药物研发的重要指标，有效的药物-靶标互作数据能够为鉴定药物毒副作用、药物重定位以及精准医疗提供强有力的数据支持。传统的生化实验在时间、经济、数据规模等问题上不足以满足现在对药物研发的需求，计算机技术在该领域的应用也就应运而生。后基因组时代产生了海量的生物数据，这些数据为预测药物与靶标之间的关联提供研究基础，而计算机技术则提供行之有效的辅助工具。这种方法将药物与靶标相互关联的预测问题化解成能够计算并可视化的过程，在一定程度上降低药物筛选过程中的盲目性，从而缩短药物研发时间，提高药物研发质量。<br>　　本文基于计算技术对药物-靶标相互作用关系以及药物-靶标之间结合亲和力等两方面开展研究，研究内容如下：<br>　　1、使用卷积神经网络预测药物-靶标相互作用。药物与靶标之间是否存在相互作用是药物筛选的关键性步骤。本文基于卷积神经网络构建预测模型，使用PaDEL-Descriptor软件对药物分子进行特征描述、使用氨基酸编码与Moran自相关系数对靶标蛋白进行特征描述。利用两套数据集训练模型，研究结果从多个角度显示模型预测性能良好；第三套数据集用于测试模型，结果显示所提出的模型比其他的深度学习模型预测精度更高，并证实该模型在多种条件下均具有识别出药物与靶标相互作用关系的能力。<br>　　2、提出基于机器学习模型与网络融合算法预测药物-靶标结合亲和力。分析药物-靶标结合强弱能进一步探索互作的模式与状态。本文使用三套数据集，通过计算得到药物（靶标）多角度信息，再使用网络相似性融合去除冗余信息，实现不同特征信息之间的互补。得到的特征输入机器学习模型XGBoost中训练，以构建能够预测药物-靶标之间结合亲和力的模型。研究结果证实模型取得更高的预测准确度。同时融合多个相似性信息，发现不同相似性信息之间可以相互补充，整合信息则能取得更高的预测效果。<br>　　综上，本文从药物-靶标互作关系以及结合力等两个方向进行研究。基于机器学习与深度学习分别构建两个预测模型，均取得良好的预测性能。研究旨在为药物与靶标之间的关联关系提供研究思路，为药物筛选提供数据处理模式，从而能够降低研发过程的成本损耗，提高研发效率。