[发明专利]基于近邻注意力网络的“药物-靶标”相互作用预测方法

说明书

本发明提出了一种基于近邻注意力网络的“药物‑靶标”相互作用预测方法，其中采用的预测模型为近邻注意力网络(NNAttNet)，通过构建药物对邻居的嵌入表示(DTPs)来解决这些问题，该预测方法使得药物与蛋白质相互作用具有可解释性，并且减少了DTI条目缺乏所带来的影响，以及为直推式预测和归纳式预测提供统一表示。此外，NNAttNet提供了一种基于注意力的关键特征选择，以便更准确地预测DTI，在基准数据集上对NNAttNet的评价表明，NNAttNet具有较好的DTI预测性能。

技术领域

本发明属于计算机辅助药物研发技术领域，具体涉及一种基于近邻注意力网络的“药物-靶标”相互作用预测方法。

背景技术

药物发现模式从“一种药物，一个靶标”转变成“多个药物，多个靶标”，这揭示了药物和靶标之间的联系，这种新模式的转变有助于发现潜在的“药物-靶标”相互作用(DTIs)，而发现潜在的“药物-靶标”相互作用(DTIs)是药物研发的基础任务。然而，通过生物实验确定DTI的过程既费时又费力。

近几年，随着越来越多的DTI数据的产生，各种数据库应运而生，这种积累促进了计算机方法的应用，特别是基于机器学习的方法，在寻找潜在DTI方面具有很好的预测性能。然而，尽管在DTI预测方面科研人员做出了非常大的努力，取得了显著的成就，但是在实际工作中仍然存在着不小的挑战，主要表现在以下几方面：

1)可解释性的不足，对DTI预测机制的嵌入表示描述不够充分；

2)预测模型对缺失的标签非常敏感；

3)预测方式很难对新的化合物分子/蛋白质进行相互作用的预测。

鉴于此，有必要研发一种新的方法对“药物-靶标”相互作用进行预测。

发明内容

本发明的目的在于解决现有技术所存在的不足之处，而提供一种基于近邻注意力网络的“药物-靶标”相互作用预测方法。

为此，本发明首先对现有技术存在的问题进行了深入研究和分析，发现：

1.可解释性的不足，对DTI预测机制的嵌入表示描述不够充分；主要是由于现有的深度学习(DL)或矩阵分解(MF)学习到的药物/靶标嵌入表示总是很难解释，生成的隐空间很难提供一种易于处理的方式来指示这些特性如何对交互产生影响，它们的黑盒本质阻碍了直接指导药物设计。

2.预测模型对缺失的标签非常敏感；主要是由于在实践中，针对“药物-靶标”对标签的收集并不是完全的，现有的方法很少考虑到“药物-靶标”对之间所缺少的相互作用标签，并没有关注到缺失的相互作用是否对于DTI的预测有帮助作用。

3.预测方式很难对新的化合物分子/蛋白质进行相互作用的预测；目前预测方式主要有两种，分别是直推式预测和归纳式预测；

直推式预测的任务是构建一个函数映射F：D×T→[0,1]来推断未标记“药物-靶标”对之间的潜在相互作用，药物和靶标的特征或者相似性被用来学习函数F。归纳式学习是众所周知推荐系统中的冷启动问题，归纳式预测的任务通常是学习一个函数映射F：D×T→[0,1]；但是，它能推断出新药物分子与新靶标蛋白之间潜在的相互作用，或者推断D和T_y之间的相互作用，而且，D_x和T_y的特征或者相似性是可以在F中学习的。然而，目前几乎所有基于相似性的DTI预测的方法，都属于直推式预测，它们从DTI网络或相似矩阵中提取拓扑嵌入特征，训练阶段同时使用已标记的训练样本和未标记的测试样本，因此，当新的样本在实践中确定它们的标签时，它们需要对模型进行再一次的训练，无法满足目前药物开发的需求。

因此，为实现上述目的，本发明所提供的技术解决方案是：

基于近邻注意力网络的“药物-靶标”相互作用预测方法，其特殊之处在于，包括以下步骤：