[发明专利]一种基于DBN算法的药物靶向蛋白作用预测方法

说明书

本发明公开了一种基于DBN算法的药物靶向蛋白作用预测方法，该方法是从药物的分子结构出发，提取药物的扩展连通指纹，从蛋白质的氨基酸序列出发，提取了蛋白质的三肽结构特征，将药物的扩展连通指纹和蛋白质的三肽结构特征两两拼接，构造成一个药物－蛋白质特征向量，之后输入到深度置信网络中进行训练，网络的输出为网络输入的药物－蛋白质对发生相互作用的概率，最后选择合适的阈值判断这一对关联是否成立。本发明能够使得在没有人工干预的情况下，较快速地给出药物‑靶向蛋白可能的相互作用对，从而节省药物研发试验成本，加快了药物新功能的挖掘和发现。

技术领域

本发明涉及人工智能、机器学习、深度学习以及精准医疗的技术领域，尤其是指一种基于DBN算法的药物靶向蛋白作用预测方法。

背景技术

蛋白质是生物机体内重要的物质，它是生命活动的主要承担者。绝大多数的药物进行机体后都是通过与蛋白质发生相互作用进而对人体产生作用。药物与生物大分子相互结合、作用的部位即为药物靶点，药物作用靶点包括：酶、离子通道、受体等，这些都是由蛋白质所构成，因此研究药物与蛋白质相互作用的机制，有利于人们的生命健康安全。

传统的药物靶向蛋白作用研究采用生物实验方法确认药物与蛋白质之间是否会发生相互作用，这种方式需要耗费大量的成本与时间。因此使用计算机模拟、模式识别等手段预测药物与蛋白质之间的相互作用成了一项重要的研究工作。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于DBN算法的药物靶向蛋白作用预测方法，能够使得在没有人工干预的情况下，较快速地给出药物-靶向蛋白可能的相互作用对，从而节省药物研发试验成本，加快了药物新功能的挖掘和发现。

为实现上述目的，本发明所提供的技术方案为：一种基于DBN算法的药物靶向蛋白作用预测方法，包括以下步骤：

S1、计算药物的扩展连接连通指纹特征和蛋白质的氨基酸序列的三肽结构特征，并将两者串接起来；

S2、基于受限波尔兹曼机远离对深度置信网络的各层参数进行预训练；

S3、利用反向传播算法对整个网络的参数进行微调；

S4、对测试数据进行作用预测。

在步骤S1中，将药物特征和蛋白特征转化为特征向量，整个整个药物－蛋白质对特征向量为二进制序列，前2048位为药物特征，后8000位为蛋白质特征。

在步骤S2中，基于受限波尔兹曼机远离对深度置信网络的各层参数进行预训练的具体情况如下：

RBM中每一个节点都是二值的，所以它一共具有2ⁿ个状态，当x＝1时表示当前节点处于打开状态，否则，当x＝0时节点处于关闭状态，当前RBM的能量值使用下面能量函数计算：

其中，b_i对应节点i的偏置，w_i,j为节点i、j连接的边的权值，x_i表示RBM中的第i个节点，n表示总共节点个数；能量函数是描述整个系统状态的一种度量方式，当系统越有序或分布越集中，则系统的能量越小，相反，系统越无序或概率分布越近均匀，则能量越大；

基于RBM的训练算法流程为：

2.1)初始化RBM参数，初始化权值矩阵W～N(0,0.01)，可见层及隐含层偏置a＝b＝0；

2.2)逐一个或一批训练样本输入到RBM中，进行Gibbs采样；

2.3)根据以下公式更新RBM参数：