[發明專利]一種基于多源數據融合和網絡結構擾動的藥物靶標預測方法

在審

• 申請號: 202011419796.6
• 申請日: 2020-12-07
• 公開（公告）號: CN112420126A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 盧新國;劉芳;李金鑫;彭紹亮
• 申請（專利權）人: 湖南大學
• 主分類號: G16B15/30
• 分類號: G16B15/30;G16B40/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及生物信息學中的數據挖掘領域，具體涉及一種基于多源數據融合和網絡結構擾動的藥物靶標相互作用預測方法。其發明內容主要包括：(1)收集藥物、靶標相關數據；(2)進行藥物相似性分析，得到多種藥物相似性；(3)進行靶標相似性分析，得到多種靶標相似性；(4)建立非線性多源數據融合模型，擴散藥物相似性、靶標相似性；(5)構建藥物靶標雙層網絡模型；(6)建立藥物靶標網絡結構擾動模型，預測潛在的藥物靶標相互作用。本發明提供了一種多源數據融合鏈路擾動的方法，以捕獲藥物靶標網絡的鏈路生成機制規律來識別潛在的藥物靶標相互作用。本發明的方法可行且有效，對于研究藥物重定位和實現精準醫療具有重要意義。

技術領域

本發明涉及生物信息學中的數據挖掘領域，具體涉及一種基于多源數據融合和網絡結構擾動的藥物靶標相互作用預測方法。

背景技術

藥物靶點相互作用(DTI)在藥物發現和開發中起著至關重要的作用，它有助于識別現有藥物的新靶點或預測已知靶點的新藥。由于DTI的實驗測定既昂貴又耗時，目前只有少數藥物靶向相互作用通過濕實驗室實驗得到驗證。因此，近年來，許多研究者試圖通過使用電子或計算方法來指導體內驗證來預測DTI，從而顯著降低了識別藥物靶向相互作用的成本和時間。

早期的DTIs計算方法可分為兩大類：基于對接模擬和基于配體的方法。對接方法考慮目標蛋白的三維結構，但是這種方法非常耗時，而且并不是所有靶蛋白都能獲得靶蛋白的結構信息。基于配體的方法將查詢配體與一組已知的目標蛋白配體進行比較。但在已知的靶蛋白配基數量較少的情況下，它不能很好地發揮作用。為了克服這一難題，已經開發出許多種基于機器學習的方法來預測DTI。一些研究使用矩陣分解來推斷DTI，這種技術將代表藥物靶網絡的矩陣分解為多個由潛在特征組成的低秩矩陣，這些特征被假定控制DTIs。例如，NRLMF(Liu,Y.et al.:Neighborhood regularized logistic matrixfactorization for drug-target interaction prediction[J].PLoS Comput.Biol,2016,12,e1004760.)應用相互作用數據的局部結構，提出了一種基于logistic矩陣分解的藥物靶向相互作用推斷方法。DNILMF(Hao,M.et al.:Predicting drug-targetinteractions by dual-network integrated logistic matrix factorization[J].Sci.Rep,2019,7,40376.)結合了靶點和藥物的輪廓信息來增強NRLMF方法，該模型表明與僅利用單一目標相似性和單一藥物相似性的方法相比，采用不同的目標和藥物相似性度量方法可以提高預測性能，并且基于非線性相似性測度積分的預測模型比基于線性組合相似性測度的預測模型具有更好的性能。

此外，基于深度學習的方法在解決許多生物問題方面也受到廣泛關注，這些方法雖然取得了很好的效果，但可解釋能力差，訓練時間成本高。與此相比，基于網絡的方法顯示出了很大的優勢。首先，即使訓練數據量不大，基于網絡的方法也能具有良好的預測性能。其次，它們是快速和簡單的，因為只需要執行簡單的物理過程。然而，現有的大量的基于網絡的模型主要是基于特定的啟發式來識別藥物靶標相互作用。盡管這些啟發式方法在DTI中有意義，但它們忽略了DTI網絡中的鏈路生成機制而不能充分展示藥物與靶點之間的潛在關聯。藥物靶點相互作用預測問題可以建模為二部網絡中的鏈接預測問題，觀察到的藥物靶網絡結構可以根據一些一致性規則進行推廣，以糾正缺失信息。如果添加的新鏈接對原始網絡結構的一致性影響越小，則越有可能是缺失的鏈接。

有鑒于此，本發明面向藥物靶標網絡中的鏈路生成機制，提出了一種基于多源數據融合和網絡結構擾動的藥物靶標相互作用預測方法，以識別潛在的藥物靶標相互作用。

發明內容

本發明提出了一種基于多源數據融合和網絡結構擾動的藥物靶標相互作用預測方法，用以識別潛在的藥物靶標相互作用，主要包括以下步驟：