[发明专利]一种基于多源数据融合和网络结构扰动的药物靶标预测方法

说明书

本发明涉及生物信息学中的数据挖掘领域，具体涉及一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法。其发明内容主要包括：(1)收集药物、靶标相关数据；(2)进行药物相似性分析，得到多种药物相似性；(3)进行靶标相似性分析，得到多种靶标相似性；(4)建立非线性多源数据融合模型，扩散药物相似性、靶标相似性；(5)构建药物靶标双层网络模型；(6)建立药物靶标网络结构扰动模型，预测潜在的药物靶标相互作用。本发明提供了一种多源数据融合链路扰动的方法，以捕获药物靶标网络的链路生成机制规律来识别潜在的药物靶标相互作用。本发明的方法可行且有效，对于研究药物重定位和实现精准医疗具有重要意义。

技术领域

本发明涉及生物信息学中的数据挖掘领域，具体涉及一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法。

背景技术

药物靶点相互作用(DTI)在药物发现和开发中起着至关重要的作用，它有助于识别现有药物的新靶点或预测已知靶点的新药。由于DTI的实验测定既昂贵又耗时，目前只有少数药物靶向相互作用通过湿实验室实验得到验证。因此，近年来，许多研究者试图通过使用电子或计算方法来指导体内验证来预测DTI，从而显著降低了识别药物靶向相互作用的成本和时间。

早期的DTIs计算方法可分为两大类：基于对接模拟和基于配体的方法。对接方法考虑目标蛋白的三维结构，但是这种方法非常耗时，而且并不是所有靶蛋白都能获得靶蛋白的结构信息。基于配体的方法将查询配体与一组已知的目标蛋白配体进行比较。但在已知的靶蛋白配基数量较少的情况下，它不能很好地发挥作用。为了克服这一难题，已经开发出许多种基于机器学习的方法来预测DTI。一些研究使用矩阵分解来推断DTI，这种技术将代表药物靶网络的矩阵分解为多个由潜在特征组成的低秩矩阵，这些特征被假定控制DTIs。例如，NRLMF(Liu,Y.et al.:Neighborhood regularized logistic matrixfactorization for drug-target interaction prediction[J].PLoS Comput.Biol,2016,12,e1004760.)应用相互作用数据的局部结构，提出了一种基于logistic矩阵分解的药物靶向相互作用推断方法。DNILMF(Hao,M.et al.:Predicting drug-targetinteractions by dual-network integrated logistic matrix factorization[J].Sci.Rep,2019,7,40376.)结合了靶点和药物的轮廓信息来增强NRLMF方法，该模型表明与仅利用单一目标相似性和单一药物相似性的方法相比，采用不同的目标和药物相似性度量方法可以提高预测性能，并且基于非线性相似性测度积分的预测模型比基于线性组合相似性测度的预测模型具有更好的性能。

此外，基于深度学习的方法在解决许多生物问题方面也受到广泛关注，这些方法虽然取得了很好的效果，但可解释能力差，训练时间成本高。与此相比，基于网络的方法显示出了很大的优势。首先，即使训练数据量不大，基于网络的方法也能具有良好的预测性能。其次，它们是快速和简单的，因为只需要执行简单的物理过程。然而，现有的大量的基于网络的模型主要是基于特定的启发式来识别药物靶标相互作用。尽管这些启发式方法在DTI中有意义，但它们忽略了DTI网络中的链路生成机制而不能充分展示药物与靶点之间的潜在关联。药物靶点相互作用预测问题可以建模为二部网络中的链接预测问题，观察到的药物靶网络结构可以根据一些一致性规则进行推广，以纠正缺失信息。如果添加的新链接对原始网络结构的一致性影响越小，则越有可能是缺失的链接。

有鉴于此，本发明面向药物靶标网络中的链路生成机制，提出了一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法，以识别潜在的药物靶标相互作用。

发明内容

本发明提出了一种基于多源数据融合和网络结构扰动的药物靶标相互作用预测方法，用以识别潜在的药物靶标相互作用，主要包括以下步骤：