[發明專利]預測藥物靶標相互作用的多注意力方法

在審

• 申請號: 202110045057.3
• 申請日: 2021-01-13
• 公開（公告）號: CN114765060A
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 彭德中;曾煜妮;王騫
• 申請（專利權）人: 四川大學
• 主分類號: G16B15/30
• 分類號: G16B15/30;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種預測藥物靶標相互作用的方法，該方法基于多注意力模塊的端到端模型(MATT?DTI)，來預測藥物靶標對的親和力分數。該模型通過兩個自注意力模塊分布建模藥物以及藥物靶標對的相互作用來是想。MATT?DTI,如圖1所示，首先利用一個相關自注意力模型和卷積神經網絡通過編碼原子與原子之間的相關關系來提取藥物序列的特征，從而得到藥物的深層表達。其次，MATT?DTI通過一個卷積神經網絡模型編碼得到靶標序列的深層表達。最后，建立基于多頭自注意力機制的模塊，通過對藥物深層表達和靶標深層表達之間的相似性建模，提取藥物靶標對的相互作用信息，從而得到預測的親和力分數。

技術領域

本發明涉及計算機多媒體技術領域，特別涉及一種預測藥物靶標相互作用的多注意力方法。

背景技術

在現實場景中，藥物靶標相互作用的預測任務，因其在藥物發現過程中的重要地位而受到越來越多的關注。藥物靶標相互作用預測的方法可當作分類任務和回歸任務。分類任務是去預測在藥物靶標對是否存在相互作用。回歸任務是預測藥物標靶對之間相互作用的程度，通常用親和力分數來衡量。大多數藥物靶標相互作用預測方法忽略了化合物原子與原子之間的相關關系。例如DeepDTA，它通過字符級別的字典編碼藥物和靶標，這不僅將多字符原子編碼為多個字符，還忽略了原子與原子之間的相關關系，這導致了其可能捕捉不到非線性的高層語義信息。

本發明提出一種基于多注意力模塊的端到端模型(MATT-DTI)，來預測藥物靶標對的親和力分數，如圖1所示。通過多個自注意力模塊分布考慮化合物中原子與原子的相關關系以及藥物靶標對之間的相互作用。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種多頭自注意力方法。采用深度網絡DNN用作藥物、靶標、藥物的特征提取，然后尋找一組變換W＝{W⁽¹⁾，…，W^(k)…，W^(v)}，在同過深度網絡DNN來預測藥物靶標對的親和力。

為解決上述技術問題，本發明采用的技術方案是：一種預測藥物靶標相互作用的多注意力方法，包括以下步驟：

1)使用DNN提取藥物特征：

其中，為藥物序列數據中的第i個樣本。

優選的是，DNN的結構參數如表1所示。

表1 DNN結構參數