[發明專利]基于圖表示學習的新冠病毒靶標預測和藥物發現方法

有效

• 申請號: 202010725014.5
• 申請日: 2020-07-24
• 公開（公告）號: CN111916145B
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 彭紹亮;周德山;王小奇;徐志建;王力;李肯立;鐘武
• 申請（專利權）人: 湖南大學
• 主分類號: G16B15/30
• 分類號: G16B15/30;G16B50/00;G06N3/04;G06N3/08
• 代理公司: 國防科技大學專利服務中心 43202
• 代理人: 王文惠

本發明屬于生物信息學領域，公開了基于圖表示學習的新冠病毒靶標預測和藥物發現方法，通過構造包含藥物、靶標、副作用、疾病之間的作用關系的異構網絡，并使用圖卷積神經網絡集成它本身及其各種領域拓撲結構信息，并結合注意力機制來反映不同類型的鄰域信息對節點的重要程度，進而學習節點自身的特征表示，最后通過拓撲重建過程來強制提取藥物和靶標的特征表示，得到邊權表示關系作用強度的重定位網絡。根據個別抑制新冠病毒的藥物在這個重定位網絡中的潛在關系，預測新型冠狀病毒的靶標，并篩選出可能抑制新型冠狀病毒的藥物。通過這種方式，本發明能較為有效地篩選出可能抑制新型冠狀病毒的藥物，加快藥物研發，具有十分重要的推廣應用價值。

技術領域

本發明涉及基于圖表示學習的新冠病毒靶標預測和藥物發現方法，屬于生物信息學領域。

背景技術

新冠肺炎(COVID-19)，由新型冠狀病毒(2019-nCoV,SARS-CoV-2) 引起，急需發現或研發更多能抑制這種病毒的藥物。而藥物重定位不僅在藥物研發初期可節約不少藥物設計和篩選的成本，而且因已使用藥物的藥代動力學性質和毒性被比較徹底的研究，研發后期風險明顯降低。通過計算機預測的方法來研究藥物靶標的相關性，縮小候選實驗藥物的搜索空間，可為藥物的發現與重定位提供參考并減少相應的時間投入與成本消耗。

近些年來的許多努力集中在使用基于機器學習的方法來進行藥物-靶標相關性預測。故涌現了很多預測性能提升的機器學習模型。這些努力多數是基于相關聯原則，將預測任務視為二元分類任務，即預測藥物-靶標相關作用是否存在。但是在某些機器學習方法中，僅將模型約束成較為簡單的形式(如，雙線性或對數雙線性函數等)，可能不足以獲得異構數據背后的復雜隱藏特征。隨著深度學習的興起和發展，科研人員可以構造更深層次，性能更好的學習模型，讓它可以更好的從大規模相關性網絡數據中提取有用且復雜的信息，可以更準確的對藥物-標靶相關性進行預測。所以科研人員逐漸從研究機器學習的方法過渡到研究深度學習的方法來進行藥物發現，提出來很多有用的深度學習模型。最近，越來越多的研究人員把目光放在圖形數據上的深度學習方法。為了處理復雜圖數據，許多研究人員借鑒了深度學習在圖像方面的思想來設計圖神經網絡的架構。在過去幾年中，圖神經網絡方面的概念、操作、模型等得到了不斷的演變和發展。這在很大程度上促進了藥物-靶標相關性預測領域的發展。而傳統的圖神經網絡是通過循環神經架構以迭代方式傳播鄰居信息來學習目標節點的表示，直到達到穩定的固定點。這個過程計算成本很高。并且其基于不動點的收斂會導致結點之間的隱藏狀態間存在較多信息共享，從而導致結點的狀態太過光滑，屬于結點自身的特征信息匱乏。圖卷積神經網絡擺脫了基于循環的方法，開始走向多層圖神經網絡，在提取圖形嵌入方面表現出強大的性能。但其聚合不同鄰居節點信息時，一視同仁，存在一定的局限性。

另外，異構的數據源可以為藥物-靶標之間的相關性預測提供更多的信息和不同的視角。因此，使用異構的數據源，如藥物-疾病相互關聯網絡數據，藥物-副作用相互關聯網絡數據等，可在一定程度上提高藥物-靶標相關性預測的準確性；基于上述異構網絡，本發明將圖卷積神經網絡與注意力機制結合，在聚合鄰域信息時反應不同邊緣類型的信息對節點嵌入形成的影響程度，使得提取出的節點嵌入解釋性更強，模型性能更優，能有效地發現藥物-靶標等異構關系網絡中的潛在關系，預測新型冠狀病毒的靶標，并篩選出可能抑制新型冠狀病毒的藥物，加快藥物研發。

發明內容

針對之前研究同等處理在異構網絡中的不同鄰居信息，在表示藥物-靶標等異構關系網絡中的潛在關系時存在局限性的問題，本發明提供一種基于圖表示學習的新冠病毒靶標預測和藥物發現方法。

為了實現上述目的，本發明的解決方案是：

一種基于圖表示學習的新冠病毒靶標預測和藥物發現方法，包括如下步驟：