检索历史 清除

摘要识别药物与靶标的相互作用，是药物发现和研究过程中一个重要步骤。良好的药物-靶标相互作用数据，能够为已有药物的重新利用、新药物的治疗靶向分析等提供有力的参考与支撑作用。这其中，药物和靶标的结合亲和力（Binding Affinity）是很关键的一类相互作用数据，与预测是否相互作用的二分类问题相比，对具体亲和力的预测更能反应药物-靶标结合的可能性及强弱。用计算机方法去预测亲和力更加高效、成本更低，成为了计算机辅助药物设计的一项关键研究。<br>　　基于计算机技术对药物-靶标结合亲和力的预测进行了研究，同时，还在模型的基础上设计并开发了药物筛选辅助系统。首先以药物分子和靶标分子各自的一维序列信息作为输入，并建立卷积神经网和长短期记忆网络来学习药物和靶标蛋白的表示，最后以全连接的神经网来预测其结合分数。在DAVIS数据集上，与KronRLS、SimBoost还有DeepDTA算法相比，该模型的均方误差（MSE）减小了0.002，协调指数(CI)提高了0.006；在KIBA数据集上，均方误差（MSE）基本一致，协调指数(CI)提高了0.009，说明模型是一个表现良好的亲和力预测模型。然后对实验进行了检验工作，去预测了一些药物和特定靶标分子的亲和力，得出了结合亲和力的排名。同时，对药物-靶标对进行Dock对接，计算它们的结合自由能得分。针对不同药物，该预测模型的亲和力得分和Dock对接得分的趋势变化一致，并且能够筛选出一些已临床试验和其他研究支持的药物，这说明本文所用模型在药物再利用和药物筛选上具有一定的实用性。最后进行了药物筛选辅助系统的开发，对药物筛选辅助系统进行了系统实现和测试，让用户能够在图形化界面上完成亲和力的预测及相关药物的基本信息检索工作，对药物筛选的初步工作有一定的帮助。<br>　　药物靶标结合亲和力预测研究所得模型性能良好，同时开发了药物辅助筛选工具系统，研究旨在为药物筛选的初步工作提供一定的帮助。