检索历史 清除

摘要药物是人类抵御疾病的重要手段之一。发现药物-靶标互作关系是药物开发过程中的关键步骤。准确预测药靶相互作用在药物副作用识别和药物重定位等研究中发挥着至关重要的作用。因此，研究药物-靶标相互作用具有重要意义和应用价值。传统的生物湿实验方法识别药靶相互作用耗费人力物力。随着计算科学的飞速发展，基于计算的方法被提出并且成为推断潜在药靶相互作用的有效方式。<br>　　药物和靶标的多组学数据可以构建结构复杂且蕴含丰富信息的异构网络。由于药靶异构网络具有非欧结构，传统的深度学习方法无法在此类结构中得到很好的应用，因此设计一个高效的药靶互作关系预测方法是一个亟待解决的热点问题。充分捕获异构网络中复杂的结构和语义信息，学习网络中节点更具判别性的表示，是准确预测药靶互作关系的关键因素。<br>　　针对上述如何学习药物-靶标异构网络中节点有效表示以准确预测药靶互作关系的问题，本文提出一种分层注意力的药物-靶标相互作用预测模型。该模型的主要工作内容如下:（1）利用元路径捕获药靶异构网络中的结构和语义信息，元路径作为连接两个实体的一条特定路径可以捕获网络中节点间复杂的关系从而充分揭示异构网络中特定的结构和语义信息;（2）在异构信息网络引入分层注意力机制。特别地，在中心节点的邻居节点、元路径和视图三个层级同时引入注意力机制来充分挖掘网络的结构信息从而学习到节点的特征表示。分层注意力机制充分考虑到图的结构信息、语义信息和成分属性对节点特征学习具有不同程度的重要性，从而生成有效节点特征表示。<br>　　本文选取五个数据集进行实验，并采用五个评价指标来评估模型的性能。结果表明，该模型与主流的药靶互作关系预测模型相比能够在不同数据集上表现出显著的优势。此外，案例研究中预测出新的药靶互作关系得到了文献支撑,从而进一步验证了本研究模型在发现药物和靶标相互作用方面的可靠性。