技术特征：
1.一种基于生物子结构预测药物-靶标相互作用的深度学习方法，其特征在于，该方法步骤如下：步骤a：输入一个药物的规范化smiles序列d和靶标氨基酸序列t；步骤b：分别对药物的规范化smiles序列d和靶标氨基酸序列t进行子结构提取，具体包括：1)对于药物的规范化smiles序列d，使用bcm方法提取药物的子结构，包括：1.1)首先从药物的规范化smiles序列d提取出药物的支链，根据smiles的定义规则，即其支链使用“()”括起来，提取出支链，剩余部分为主链；1.2)然后根据字符串匹配提取出主链中常见的子结构；1.3)最后再依据recap的逆合成碎片规则将主链进行裂解得到逆合成片段；1.4)整合所述的支链、常见的子结构和逆合成片段，作为规范化smiles序列d的子结构集合f
d
；2)对于靶标氨基酸序列t使用cfm方法提取子结构，cfm方法首先将氨基酸按照化学结构或性质分为8类，通过种类特征映射得到种类序列t
c
；然后采用不重叠的k-gram序列将t
c
切割成靶标的功能子结构集合f
t
；步骤c：构建协同特征学习模块，该模块由输入表示和特征学习两部分组成，具体包括：1)在输入表示中，分别对药物的规范化smiles序列d的子结构集合f
d
和靶标的功能子结构集合f
t
进行初始编码表示，包括：1.1)对药物的规范化smiles序列d的子结构集合f
d
的表示，首先采用标签编码对药物子结构集合f
d
进行编码，获得药物的初始表示i
d
；然后将i
d
转化为药物的嵌入表示e
d
∈r
max_drug_frag_length*embed_size
，其中max_drug_frag_length表示最大的药物子结构集合的大小，embed_size表示嵌入维度；1.2)对靶标的功能子结构集合f
t
进行表示，先用标签编码对靶标子结构集合f
t
进行编码，获得靶标的初始表示i
t
；然后将i
t
转化为其嵌入表示e
t
∈r
max_target_frag_length*embed_size
，其中max_target_frag_length表示最大的靶标子结构集合的大小，embed_size表示嵌入维度；2)在特征学习中，分为药物的特征学习和靶标的特征学习，包括：2.1)在药物特征学习中，将e
d
作为初始输入，送入卷积神经网络学习药物特征，该卷积神经网络由多个卷积块和最终的池化层组成，每个卷积块由卷积层、激活层指数线性单元以及批次归一化层组成，最后采用池化层进行特征降维，得到最终的药物表示v
d
；2.2)在靶标特征学习中，将e
t
作为初始输入，送入卷积神经网络对靶标特征进行学习，该卷积神经网络由多个卷积块和最终的池化层组成，每个卷积块由卷积层、激活层指数线性单元以及批次归一化层组成，最后接入池化层，得到最终的靶标表示v
t
；步骤d：构建预测器，具体包括：1)首先拼接步骤c中最终的药物表示v
d
和靶标表示v
t
，得到药物-靶标的相互作用表示v；2)然后将v送入多层感知机进行相互作用学习，所述多层感知机是一个全连接网络，由多个全连接层和最终的sigmoid激活层组成，除最后一层外，每层全连接后接入一个修正线性单元和丢弃层，防止过拟合；最终得到相互作用预测概率，大于0.5则表示预测两者会发
生相互作用，小于0.5则不会。
技术总结
本发明提出一种基于生物子结构预测药物-靶标相互作用的深度学习方法，该方法首先提取出药物和靶标的功能性子结构，其中药物子结构包括分子支链、常见子结构和逆合成片段，根据化学性质将靶标的氨基酸序列转换为种类序列，再采用不重叠的k-gram进行切分，得到靶标子结构；然后基于卷积神经网络进行子结构特征学习；实验表明本发明可以有效捕获药物-靶标相互作用的功能性特征，在不同规模和分布的数据集上表现均优于现有技术，具有合理性和通用性。性。性。
技术研发人员：刘丹 钱莹 窦亮
受保护的技术使用者：华东师范大学
技术研发日：2022.03.03
技术公布日：2022/11/8