[發明專利]基于深度學習調控疾病靶點的中藥分子推薦系統、計算機設備、存儲介質

在審

• 申請號: 202011431510.6
• 申請日: 2020-12-09
• 公開（公告）號: CN112562790A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 宋弢;鐘悅;丁卯;田慶雨;杜珍珍;劉嘉麗
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G16B40/00
• 分類號: G16B40/00;G16B30/10;G16B15/30;G06N3/08;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于深度學習方法調控疾病靶點的藥物分子推薦系統，屬于藥物重定位、卷積神經網絡、殘差網絡技術領域。該系統包括深度殘差網絡模型，所述的深度殘差網絡模型包括嵌入網絡、卷積殘差神經網絡和全連接層殘差網絡。所述的嵌入網絡將藥物分子SMILES序列或蛋白質氨基酸序列轉化為二進制矩陣。所述的卷積殘差神經網絡包括三個卷積層、一個加法層和一個最大池化層，是一個“學習”藥物分子SMILES序列或蛋白質氨基酸序列特征表示的網絡，網絡的輸入是表示藥物分子或蛋白質的二進制矩陣，輸出是藥物分子或蛋白質的特征表示向量。所述的全連接層殘差網絡包括三個全連接層、兩個dropout層和一個加法層，輸入是藥物分子和蛋白質特征表示的拼接向量以及二者的實際結合親和力值，輸出是該藥物分子與蛋白質的結合親和力預測值。

技術領域

本發明涉及深度學習及藥物重定位技術領域，特別涉及基于深度學習方法調控疾病靶點的藥物分子推薦系統、計算機設備、存儲介質。

背景技術

自新冠疫情爆發以來，由于傳統藥物研發周期長、失敗率高，藥物重定位(即老藥新用)成為面對突發公共衛生事件時常見的藥物研發策略，也是目前解決新藥研發困境的主要方法之一。疾病與多個靶點有關，而目前的藥物大多針對單靶點研發，因此，能夠找到調控單個靶點的藥物，便可以達到治療這一靶點疾病相關疾病的目的。中藥是復雜的混合物，每一味中藥含有多個化合物分子，如果找到調控疾病靶點蛋白的中藥分子，則既能達到服用中藥治療疾病的目的，也可以探索中藥治療疾病的原理。但目前關于中藥與疾病的關系研究，仍停留于文獻挖掘階段，并沒有涉及每個化合物分子對疾病靶點蛋白的作用。

藥物-靶點相互作用的識別是藥物重定位的關鍵，它可以分為兩類：使用二分類方法預測藥物-靶點是否發生相互作用的概率(DTI)和使用回歸方法預測藥物-靶點的結合親和力(DTA)。由于在二分類任務中很難確定負樣本，而且解離常數、半抑制濃度等藥物-靶點結合信息可以直接用于結合親和力的預測，并且結合親和力值越小，藥物分子與靶點蛋白的結合性越強，因此DTA的預測是目前比較流行的。

利用人工智能方法預測藥物-靶點的結合親和力有很多成功的案例，在準確率和誤差方面，人工智能技術已經超過所有傳統方法，但是模型的穩定性和應用于實際問題的準確性也是關鍵問題。隨著模型的不斷加深，信息不斷被壓縮；另一方面，隨著dropout層的使用，雖然可以有效防止模型過擬合，但也導致模型每次的推薦結果都不同，而最有效的藥物分子，也不一定是準確率最高的模型中預測值最優的一個。

發明內容

本發明的目的是為解決上述針對疾病靶點推薦中藥分子領域存在的困難，提供一種使用殘差網絡思想、結合卷積神經網絡共同構建的深度學習調控疾病靶點的中藥分子推薦系統、計算機設備、存儲介質。為了對披露的實施例的一些方面有一個基本的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關鍵/重要組成元素或描繪這些實施例的保護范圍。其唯一目的是用簡單的形式呈現一些概念，以此作為后面的詳細說明的序言。

本發明實施例的第一方面，提供了基于深度學習的藥物-靶點結合親和力預測系統模型。

在一些可選實施例中，所述系統包括深度殘差網絡模型(DNN_Res)，所述深度殘差網絡模型包括嵌入網絡、卷積殘差神經網絡(CNN_Res)、全連接層殘差網絡(Dense_Res)。所述的嵌入網絡將藥物分子的SMILES序列或者蛋白質氨基酸序列編碼為計算機可識別的二進制矩陣；所述的卷積殘差神經網絡用于“學習”藥物分子或者蛋白質序列的特征表示；所述的全連接層殘差網絡用于將藥物分子和蛋白質序列的特征表示拼接一起進行非線性化處理，最終得到二者的結合親和力預測值。