[发明专利]药物-靶标相互作用的预测方法、装置、设备和存储介质

说明书

本申请提供了一种药物‑靶标相互作用的预测方法、装置、设备和存储介质。方法包括：获取训练数据集，所述训练数据集包括：靶标对象的蛋白序列和药物对象的化学结构，以及所述靶标对象和所述药物对象两者之间的相互作用关系；提取所述靶标对象的蛋白序列的靶标特征和所述药物对象的化学结构的药物特征；对所述靶标特征和所述药物特征进行特征选择；将选择后的靶标特征和药物特征进行特征融合；基于融合后的靶标特征和药物特征，构建用于预测药物‑靶标相互作用强弱顺序的排序模型；获取待预测靶标对象和待预测药物对象；基于所述排序模型，预测所述待预测靶标对象和所述待预测药物对象的亲和力。能够预测靶标对象和药物对象的亲和力。

技术领域

本申请涉及生物信息学与化学信息学交叉的技术领域，特别是涉及一种药物-靶标相互作用的预测方法、装置、设备和存储介质。

背景技术

药物-靶标相互作用的预测是新药研发及药物重定向中的重要步骤。为节省时间及成本，研究者们纷纷将计算机技术应用到了药物-靶标相互作用预测研究中。最常见的就是分子模拟对接和基于机器学习的方法。

分子模拟对接是计算机辅助药物设计的一项重要技术。在靶标上的蛋白质三维结构已知的情况下，分子模拟对接将药物化合物小分子放置于靶标分子的活性位点处，通过不断变换配体构象以寻找到受体小分子化合物与靶标大分子相互作用的最佳构象，并预测其结合模式和亲和力。这种方法存在本质上的不足，分子对接是通过计算机进行模拟配体与受体分子之间的结合情况。配体与受体的结合过程是十分复杂的，需要对可行的构象空间进行大量而全面的覆盖采样，才可能获取到真实(或接近真实)的结合构象。之后，如何找到最佳的结合位置就涉及到了构象搜索问题，在这个过程中同时计算多个构象会导致搜索空间以及计算量非常大，即使借助高性能计算机进行单个靶点的筛选也需要很长的时间，消耗较高的计算成本。除此之外，很重要的一点是使用分子模拟对接的前提是蛋白质的三维结构是已知的，而有些kinase的三维结构未知且不易获取。

近些年来，基于机器学习的方法得到了越来越多的关注，这类方法有一个明显的优势就是不需要获知蛋白质的三维结构信息。目前，已经有了大量关于药物-靶标相互作用预测的研究工作，这些研究工作不仅取得了较好的性能结果，而且研究的问题也越来越深入具体，这为药物的研发和药物重定向的探究产生了积极影响。但这些研究仍然存在一些不足之处有待改进：一是目前大多数药物-靶标相互作用预测的研究只提取了药物或靶标某一角度或某一层面的特征信息，单一层面的信息无法准确全面的将药物或靶标信息描述出来。且目前的很多研究只是对药物、靶标的多种类型的特征进行了简单的拼接，这样无法挖掘到比较深层的信息。这些都不利于高性能模型的构建。另外一个是当前的很多研究将探究药物-靶标相互作用视为了二分类问题，即仅探究出了药物和靶标能否相互作用，相比之下，探究出药物与靶标的相互作用程度则可以更有效地缩小用于下游实验验证的候选药物的广阔搜索空间，从而显著减少开发新药的高成本和长时间。

发明内容

本申请提供一种药物-靶标相互作用的预测方法、装置、设备和存储介质，能够预测药物与靶标之间的相互作用。

本申请实施例第一方面提供了一种药物-靶标相互作用的预测方法，包括：

获取训练数据集，所述训练数据集包括：靶标对象的蛋白序列和药物对象的化学结构，以及所述靶标对象和所述药物对象两者之间的相互作用关系；

提取所述靶标对象的蛋白序列的靶标特征和所述药物对象的化学结构的药物特征；

对所述靶标特征和所述药物特征进行特征选择；

将选择后的靶标特征和药物特征进行特征融合；

基于融合后的靶标特征和药物特征，构建用于预测药物-靶标相互作用强弱顺序的排序模型；

获取待预测靶标对象和待预测药物对象；

基于所述排序模型，预测所述待预测靶标对象和所述待预测药物对象的亲和力。