检索历史 清除

摘要药物-靶标相互作用预测是药物知识发现领域的重要研究方向之一。传统的药物靶标预测基于分子结构，主要采用生物信息学方法。这些方法虽然实验结果可靠，但存在一些缺点，例如需要大量时间和资源、精度较低、计算复杂度高等。而采用计算机技术辅助药物开发，可以在较短时间内从海量的蛋白质数据中筛选候选靶标。从而为临床实验缩小范围，减少实验时间，降低实验成本。本文旨在基于图神经网络对药物-靶标相互作用以及药物-靶标结合亲和力进行研究。药物-靶标相互作用和药物-靶标结合亲和力都是用药物-靶标相互作用预测的任务，但是略有不同，药物-靶标相互作用关注的是相互作用模式，而药物-靶标结合亲和力关注的是结合强度。详细研究内容如下。<br>　　（1）针对药物和靶标不同的表示形式所携带信息不同，并且现有基于表示学习的药物-靶标结合亲和力任务忽略了不同信息的重要性。本文提出了一种基于表示学习的多通道输入的药物-靶标结合亲和力预测模型MultiDTA。该模型对药物和靶标进行编码，将编码后的二维结构数据和三维空间结构数据同时作为输入，并使用神经网络对每个输入进行特征提取。由于不同表示特征对模型预测结果的贡献程度不一样，所以使用注意力网络对得到的嵌入特征进行融合。<br>　　（2）针对药物-靶标之间的相互作用取决于多个潜在特征，并且不同潜在特征的重要性不一样，但是现有的方法忽略了这一种重要信息，对待所有特征一视同仁。本文提出了一种基于协同过滤的药物-靶标相互作用预测模型DTI-MACF。该模型利用药物和蛋白质已有的交互历史信息，将交互网络数据作为输入，构建了一个集矩阵分解、药物行为建模以及蛋白质行为建模的模型。通过设计多组件方法提取药物和靶标的不同潜在特征，并使用注意力机制分析这些特征的相对重要性。同时，基于二部图设计了一个基于图神经网络的邻域聚合器，用于聚合历史交互信息并提高节点的表示学习能力。<br>　　（3）针对图结构中异质信息网络能够提供更加丰富的信息，并且采用图神经网络处理时，中心节点能够聚合更加丰富邻域信息，提高节点的表示。本文设计了一种基于异质信息网络的多任务药物-靶标相互作用预测模型HIN-MTDTI。该模型使用药物-药物、蛋白质-蛋白质相似网络以及药物-蛋白质相互作用网络作为输入数据构建异质信息网络，并基于此使用多层图卷积网络进行节点嵌入。通过聚合节点邻居信息，学习网络拓扑结构的特征表示以获取药物和蛋白质的嵌入特征。为了获取药物-靶标局部交互特征信息，在得到药物和靶标的嵌入表示之后，使用双线性注意力网络获取交互特征。