[发明专利]一种基于深度森林和PU学习的药物-靶标关系预测方法

说明书

本发明提出了一种基于深度森林和PU学习的药物‑靶标关系预测方法,包括以下步骤：S1、获取药物的结构信息、靶标的序列信息和已知的药物‑靶标关系；S2、基于药物结构信息和靶标序列信息分别构建药物之间的相似性矩阵和靶标之间的相似性矩阵；S3、采用PU学习来筛选潜在的药物‑靶标负相关关系；S4、基于相似的药物共享相似的靶标的假设，使用深度森林模型对药物‑靶标关系进行预测。本发明能够更准确的预测药物‑靶标关系，能够减少生物实验所需的时间和资源，为药物发现和药物重定位提供了研究基础。

技术领域

本发明涉及系统生物学领域，更具体地，涉及一种基于深度森林和PU学习的药物-靶标关系预测方法。

背景技术

药物发现是一个复杂、昂贵、成功率低的过程。在过去的几十年里，尽管制药公司在药物研发上增加了巨大的财政投资，但FDA批准的新药仍然停滞不前。药物重定位旨在发现现有药物的原始医学用途以外的新治疗线索的过程，能够加快药物研发进程，从而降低药物研发的成本。药物重定位的关键步骤之一是寻找可能的药物靶点相互作用。药物-靶标通常与特定疾病有关，并可以通过调节靶标的生理活性以有效地改善疾病症状，确定特定疾病有关的靶标分子是现代药物发现的基础。尽管实验技术有了很大的进步，人们在分子、细胞等生物系统有了很多的理解，但是生物湿实验方法用来确定这种关系仍然是昂贵和费时的。因此，随着计算硬件和技术的发展，计算方法已经大量的被用来预测潜在的药物-靶标关联关系。

目前，用于预测药物-靶标关联关系的计算方法主要分为3类：

(1)传统的药物设计方法，基于结构的药物设计是利用药物-靶标的结构信息开发其抑制剂的方法，因此受体结构是该方法的先决条件，需要使用实验技术确定。分子对接能够预测小分子配体与适当的靶标结合位点的结合构象，以及产生的信号的强度和类型，在设计药物和阐明基本的生物系统过程中起着重要作用。但是当靶标蛋白的3D结构信息未知时，分子对接受到限制。基于配体的药物设计是在缺少受体3D结构信息的情况下使用的一种方法，它依赖于与目标生物学靶标结合的分子的知识。当识别具有不同于参考化合物时的新化学支架时，基于配体的方法将不起作用。

(2)基于网络的预测方法，基于网络的方法是基于相似的药物共享相似的靶标，反之亦然的假设。它能够集成药物和靶标的相似性网络信息、药物-靶标的网络拓扑结构信息、药物和副作用关联网络信息、药物和药物关联网络信息以及靶标的功能相似性网络信息等各种相似性网络信息。由于网络可以使用矩阵表示，可以通过简单的矩阵运算来描述，因此基于网络的方法可以在计算机上快速的运行，可以成为预测药物-靶标的关联关系的强大的工具。比如NRWRH方法假设相似药物经常与相似的靶蛋白相互作用，并且将药物-药物相似性网络，靶标-靶标相似性网络和已知的药物-靶标相互作用网络整合为异质网络。开发了一种有效的基于网络的随机游走模型，通过在异构网络上实现随机游走来预测潜在的药物-靶标相互作用。NRWRH充分利用了网络工具进行数据集成和药物-靶标相互作用的预测，随机游走是在异构网络上实现的，该网络由三个不同的网络组成，即药物-靶标相互作用网络，药物化学结构相似性网络和靶蛋白序列相似性网络。即使所研究的药物没有已知的靶标，仍可以基于与该给定药物相似的已知药物-靶标预测该给定药物的潜在靶标。

还有DASPfind方法使用异构网络上特定长度的简单路径进行药物-靶标相互作用预测；SDTNBI方法使用化学子结构来弥合已知药物-靶标相互作用网络和新化学实体之间的鸿沟。为已知药物-靶标相互作用网络和新化学实体中的药物生成化学子结构后，可以通过将药物和新化学实体的子结构连接起来，将已知药物-靶标相互作用网络和新化学实体集成到结构-药物-目标网络中。Bleakley andYamanishi等人将已知的DTI描述为二分图，并使用二分局部模型(BLM)预测新的DTI。以上两种方法有效地预测了新的DTIS，但是，它们无法发现新药或靶标的潜在关联信息。虽然现有的基于网络的方法实现了很好的性能，但是需要把更多的药物和靶标的其他信息集成到基于网络的方法中提升方法的性能。