一种药物靶点定位评估系统的制作方法

1.本发明涉及生物医药技术领域，具体为一种药物靶点定位评估系统。


背景技术：

2.目前中药靶点研究作为解析中药作用机制的重要任务，一方面可以准确定位药物的适应症，另一方面可以进行更好的药物类似物设计并解释药物不良事件，从而加速药物发现过程。
3.药物靶点预测是指针对目前已有的药物，根据药物和靶点的特征，最后预测得到新的药物和靶点的相关关系。通常预测模型的设计框架为：根据药物和靶点的已有信息提取特征，通过计算机的相关技术(如人工智能和深度学习方法)，构建药物和靶点的关系预测方法。目前已有的药物靶点预测方法如下：
4.传统的药物靶点预测方法基本采用了“中药-成分-靶点”的研究策略：首先收集中药的所有成分，然后采用基于配体的靶向预测方法在蛋白质组范围内确定这些成分的潜在作用靶点，并进行体内验证。这些基础工作为中药的分子机制发现提供了更全面的认识。然而，该类策略的性能也常受到中药的生化特性和基于配体方法的缺点的限制。例如，一些中药仍然有很多成分未被发现，导致实验结果的偏差。基于配体的方法往往使用的候选靶点集只有少数已知的结合配体，很大程度上受限于目前已知结构的配体的数量，最后导致较差的预测结果。
5.近几年的研究表明，基于复杂网络和深度学习的方法已经成功地应用于药物靶点预测。例如，yang等人使用prince方法，对中药的所有候选靶点进行预测，通过对预测得分排序进行关系预测。tao等人提出了一种结合本体推理和网络辅助基因排序的药物靶点预测方法。zong等人提出了一种基于相似度的药物靶点预测方法，该方法采用了基于拓扑的相似度度量和两种基于相似度的推理方法。此外，wang等人引入了基于网络的方法来探索药物-靶点相互作用的潜在相关性特征，并预测新的相互作用关系。
6.在上述传统的基于网络的中药靶点预测方法中，通常仅依靠网络本身的结构去学习中药和靶点的特征表示，并没有与后续的靶点预测任务结合共同优化特征表示。另外，生物学网络往往结构复杂，包含了丰富的结构及属性信息。一些浅层模型不能表示更高级的非线性网络结构，无法全面地融合节点属性和高阶网络结构更好地学习特征。进一步考虑到预测模块的设计时，在学习得到了中药和靶点的特征后，如果直接对两者进行矩阵相乘，一方面会造成预测模型的过拟合，另一方面会丢失原始特征数据隐含的一些概括性知识。


技术实现要素：

7.(一)解决的技术问题
8.针对现有技术的不足，本发明提供了一种药物靶点定位评估系统。
9.(二)技术方案
10.为实现上述目的，本发明提供如下技术方案：一种药物靶点定位评估系统，包括：
11.中央处理器；
12.预处理系统，用于对待预测药物的药物分子和待预测靶点的蛋白分子进行数据预处理操作；
13.特征提取系统，用于对进行数据预处理操作后进行特征提取操作；
14.训练模型构建系统，用于针对不同情况构建不同的卷积网络模型或者贝叶斯网络结构模型；
15.函数构建系统，用于构建所需的函数模型。
16.在本发明实施例中，预处理系统包括：获取待预测药物的药物分子和待预测靶点的蛋白分子，对待预测药物的药物分子和待预测靶点的蛋白分子进行数据预处理操作，得到待预测药物的指纹图谱和邻接矩阵以及待预测靶点的蛋白质序列向量。
17.在本发明实施例中，特征提取系统包括：对待预测药物的指纹图谱和邻接矩阵以及待预测靶点的蛋白质序列向量进行特征提取操作，得到待预测药物的药物嵌入向量特征和待预测靶点的蛋白序列嵌入向量特征，再利用每个药物的嵌入向量特征和每个靶点的嵌入向量特征来预测新的药物－靶点相互作用，随后构建一个特征交互矩阵，该矩阵将药物空间的低维特征向量映射到靶点空间，从而药物的投影特征向量接近已知的与其相关靶点的向量，通过映射得到药物和靶点之间的得分矩阵，使用真实的药物－靶点关系矩阵对得分矩阵不断优化，得到最终的药物和靶点的关系得分。
18.在本发明实施例中，训练模型构建系统包括卷积网络模型和贝叶斯网络结构模型。
19.在本发明实施例中，卷积网络模型的构建包括：通过图卷积网络学习药物和靶点的低维特征向量，结合图卷积网络中每个药物节点或靶点节点的拓扑性质和邻域信息，捕捉非线性相互作用；利用矩阵补全的方法对学习到的药物特征和靶点特征进行关系预测，得到靶点预测结果。
20.在本发明实施例中，贝叶斯网络结构模型包括：
21.k1：至少部分地基于对疾病的药物抑制效果的知识构建贝叶斯网络的结构；
22.k2：将一组参数与构建的贝叶斯网络相关；通过自动过程确定贝叶斯网络的联合概率分布的值；
23.k3：至少部分地基于这些联合概率值导出具有一个或多个平均参数的平均贝叶斯网络；
24.k4：至少部分地基于平均贝叶斯网络计算定量预测。
25.在本发明实施例中，构建贝叶斯网络的结构包括根据领域专家知识增加变量之间的定向边，其中将一组参数与构建的贝叶斯网络相关包括联合在贝叶斯网络中其他变量的值指示一个或多个变量的值的联合概率，其中确定联合概率分布的值是基于包括多个激活父母和多个与贝叶斯网络相关的抑制父母的局部结构，其中导出平均贝叶斯网络包括平均与网络相关的联合概率值，其中计算定量预测包括整合一组贝叶斯网络并通过贝叶斯网络组的先验概率乘以结果，其中整合一组贝叶斯网络包括在激活和抑制父节点的组合下至少部分地基于子节点概率以相对顺序应用整合限制。
26.在本发明实施例中，函数构建系统包括：构建训练数据划分函数，将k个药物的药物嵌入向量特征和k个靶点的蛋白序列嵌入向量特征划分为m份；根据深度神经预测网络或
者贝叶斯网络的m份训练数据和框架，对深度神经预测网络或贝叶斯网络进行训练，并将进行m折交叉验证，进而实现对深度神经预测网络或贝叶斯网络的训练。
27.(三)有益效果
28.与现有技术相比，本发明提供了一种药物靶点定位评估系统，具备以下
29.有益效果：
30.1、该一种药物靶点定位评估系统，通过基于图神经网络方法有效融合网络结构和节点属性信息，通过对局部表示应用多层聚合捕获更高阶的节点特征信息；进一步基于矩阵补全的方法学习原始特征隐含的抽象信息；最后将网络中中药和靶点的特征表示学习和后续的靶点预测任务结合，通过后者进一步优化特征表示，构建端到端的预测模型。
31.2、该一种药物靶点定位评估系统，通过得到待预测药物的药物嵌入向量特征和待预测靶点的蛋白序列嵌入向量特征，可以捕获待预测药物的药物分子和待预测靶点的蛋白分子中的细节信息，通过对待预测药物的药物分子和待预测靶点的蛋白分子进行向量嵌入处理，有效提高了网络输入数据的显著性，进而提高了药物靶点预测的准确性。
附图说明
32.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
33.图1为本发明系统框图
具体实施方式
34.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
35.所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
36.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
37.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
38.如图1所示，本发明提供了一种药物靶点定位评估系统，包括：
39.中央处理器；
40.预处理系统，用于对待预测药物的药物分子和待预测靶点的蛋白分子进行数据预处理操作；
41.特征提取系统，用于对进行数据预处理操作后进行特征提取操作；
42.训练模型构建系统，用于针对不同情况构建不同的卷积网络模型或者贝叶斯网络结构模型；
43.函数构建系统，用于构建所需的函数模型。
44.进一步的，在本发明实施例中，预处理系统包括：获取待预测药物的药物分子和待预测靶点的蛋白分子，对待预测药物的药物分子和待预测靶点的蛋白分子进行数据预处理操作，得到待预测药物的指纹图谱和邻接矩阵以及待预测靶点的蛋白质序列向量，从现有数据库中采集待预测药物的药物分子和待预测靶点的药物分子，待预测药物的药物分子和待预测靶点的药物分子可用于后续确定两者之间的相互作用关系，为了便于提高作用关系预测系统的运算速度，本实施将对待预测药物的药物分子和待预测靶点的蛋白分子进行数据预处理操作，从而得到待预测药物的指纹图谱和邻接矩阵以及待预测靶点的蛋白质序列向量。
45.进一步的，在本发明实施例中，特征提取系统包括：对待预测药物的指纹图谱和邻接矩阵以及待预测靶点的蛋白质序列向量进行特征提取操作，得到待预测药物的药物嵌入向量特征和待预测靶点的蛋白序列嵌入向量特征，再利用每个药物的嵌入向量特征和每个靶点的嵌入向量特征来预测新的药物－靶点相互作用，随后构建一个特征交互矩阵，该矩阵将药物空间的低维特征向量映射到靶点空间，从而药物的投影特征向量接近已知的与其相关靶点的向量，通过映射得到药物和靶点之间的得分矩阵，使用真实的药物－靶点关系矩阵对得分矩阵不断优化，得到最终的药物和靶点的关系得分。
46.进一步的，在本发明实施例中，训练模型构建系统包括卷积网络模型和贝叶斯网络结构模型。
47.进一步的，在本发明实施例中，卷积网络模型的构建包括：通过图卷积网络学习药物和靶点的低维特征向量，结合图卷积网络中每个药物节点或靶点节点的拓扑性质和邻域信息，捕捉非线性相互作用；利用矩阵补全的方法对学习到的药物特征和靶点特征进行关系预测，得到靶点预测结果。
48.在本实施例中，基于图卷积网络的中药特征表示模块：基于图卷积网络的中药特征表示模块的输入数据为中药的功效和中药的症状关系数据，图卷积网络是一种基于网络的半监督节点嵌入学习框架，它将谱图卷积的一阶近似与人工神经网络相结合，利用图中样本之间更多的潜在相关性，为图结构数据的分类任务提供思路，图卷积网络是卷积神经网络的一种有效变体，可以直接对图数据进行操作，还可以基于大量的参数和非线性函数从图中提取额外的信息，最终，通过图卷积网络对中药的特征进行嵌入表示，得到中药网络中每个中药的嵌入向量特征。
49.基于图卷积网络的基因特征表示模块：基于图卷积网络的靶点特征表示模块的输入数据为基因-基因相互作用关系和基因-疾病关系数据，然后，通过图卷积网络对基因的特征进行嵌入表示，得到基因网络中每个基因的嵌入向量特征。
50.基于矩阵补全的中药靶点关系预测模块：使用从特征学习中获得的中药和靶点的低维特征表示向量来预测新的中药-靶点相互作用，我们应用矩阵补全方法来解决链接预测问题，通过构建一个特征交互矩阵，该矩阵将中药空间的低维特征向量映射到靶点空间，从而中药的投影特征向量接近其已知相关靶点的向量，形式上表示为我们得到了中药和靶
点之间的得分矩阵，使用真实的中药靶点关系矩阵对得分矩阵不断优化，最后输出中药和靶点的关系得分
51.进一步的，在本发明实施例中，贝叶斯网络结构模型包括：
52.k1：至少部分地基于对疾病的药物抑制效果的知识构建贝叶斯网络的结构；
53.k2：将一组参数与构建的贝叶斯网络相关；通过自动过程确定贝叶斯网络的联合概率分布的值；
54.k3：至少部分地基于这些联合概率值导出具有一个或多个平均参数的平均贝叶斯网络；
55.k4：至少部分地基于平均贝叶斯网络计算定量预测。
56.进一步的，在本发明实施例中，构建贝叶斯网络的结构包括根据领域专家知识增加变量之间的定向边，其中将一组参数与构建的贝叶斯网络相关包括联合在贝叶斯网络中其他变量的值指示一个或多个变量的值的联合概率，其中确定联合概率分布的值是基于包括多个激活父母和多个与贝叶斯网络相关的抑制父母的局部结构，其中导出平均贝叶斯网络包括平均与网络相关的联合概率值，其中计算定量预测包括整合一组贝叶斯网络并通过贝叶斯网络组的先验概率乘以结果，其中整合一组贝叶斯网络包括在激活和抑制父节点的组合下至少部分地基于子节点概率以相对顺序应用整合限制。
57.进一步的，在本发明实施例中，函数构建系统包括：构建训练数据划分函数，将k个药物的药物嵌入向量特征和k个靶点的蛋白序列嵌入向量特征划分为m份；根据深度神经预测网络或者贝叶斯网络的m份训练数据和框架，对深度神经预测网络或贝叶斯网络进行训练，并将进行m折交叉验证，进而实现对深度神经预测网络或贝叶斯网络的训练。
58.在本实施例中，提供了一种自动确定贝叶斯网络中的多项分布的方法，方法包括使用与构建的贝叶斯网络结构相关的一组联合概率参数构建贝叶斯网络的图形结构；设计自动过程以确定与联合概率参数相关的值；同时导出等效平均贝叶斯网络或贝叶斯网络的类；和使用等效平均贝叶斯网络或贝叶斯网络的类实施定量预测和推理模拟。
59.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个引用结构”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。