[發明專利]基于遺傳算法集成深度學習網絡的藥物推薦系統、計算機設備、存儲介質

在審

• 申請號: 202110752111.8
• 申請日: 2021-06-30
• 公開（公告）號: CN113488102A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 宋弢;鐘悅;田慶雨
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G16B15/30
• 分類號: G16B15/30;G16C20/50;G16H50/70;G16H70/40;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于遺傳算法集成深度學習網絡的藥物推薦系統，屬于藥物重定位、深度學習模型、集成學習模型預測技術領域。該系統包括基于遺傳算法集成深度學習網絡，所述的基于遺傳算法集成深度學習網絡包括特征提取網絡、遺傳算法優化權重和全連接網絡組成的深度集成學習模型。所述的特征提取網絡包括用于藥物分子、靶點蛋白序列特征提取的卷積神經網絡和藥物分子結構特征提取的多層感知機。所述遺傳算法優化權重使用遺傳算法為提取到的三個特征向量分配最優權重，將特征向量與各自的最優權重相乘之后“拼接”一起，形成拼接向量。所述全連接網絡對拼接向量進行非線性處理，最終輸出藥物-靶點結合親和力的預測值。

2.如權利要求1所述的系統，其特征在于，所述的特征提取網絡對藥物分子序列和靶點蛋白序列的特征進行充分提取，其具體包括：卷積神經網絡和多層感知機。所述卷積神經網絡用于處理藥物分子和靶點蛋白的序列信息，將藥物分子序列和靶點蛋白序列分別輸入卷積神經網絡中，將其轉化為二進制矩陣后進入三個卷積層和一個最大池化層中，以獲得二者的特征表示向量。所述多層感知機用于處理藥物分子結構信息，將藥物分子序列輸入多層感知機中，將其轉化為分子指紋后進入四層深度神經網絡中，以獲得藥物分子結構特征表示向量。

3.如權利要求1所述的系統，其特征在于，所述的遺傳算法優化權重為特征提取網絡得到的三個特征表示向量分配權重，其具體包括：遺傳算法。所述遺傳算法為特征提取網絡得到的三個特征表示向量分配最優權重，并將特征表示向量乘以各自的權重后“拼接”一起形成拼接向量。

4.如權利要求1所述的系統，其特征在于，所述的全連接網絡對拼接向量進行非線性處理，預測藥物-靶點結合親和力，其具體包括全連接層，將拼接向量輸入到全連接層中進行回歸分析并設置0.1的dropout率防止模型過擬合，輸出為藥物-靶點的結合親和力預測值。

5.一種計算機設備，包括存儲器，顯卡，中央處理器，以及存儲在所述存儲器上的可被所述中央處理器以及顯卡并行處理的可執行程序，其特征在于，所述中央處理器執行所述程序時實現以下步驟：構建基于遺傳算法集成深度學習網絡，所述的基于遺傳算法集成深度學習網絡包括：特征提取網絡、遺傳算法優化權重和全連接網絡。

6.如權利要求5所述的計算機設備：特征提取網絡，其特征在于，將藥物分子SMILES序列和靶點蛋白FASTA序列分別轉化為二進制矩陣，輸入卷積神經網絡中提取其序列信息的特征表示向量；將藥物SMILES序列轉化為分子指紋，輸入多層感知機中提取其結構信息的特征表示向量。

7.如權利要求5所述的計算機設備：遺傳算法優化權重，其特征在于為特征提取網絡得到的三個特征表示向量分配最優權重，并將特征表示向量乘以各自的權重后“拼接”一起形成拼接向量。

8.如權利要求5所述的計算機設備：全連接網絡，其特征在于，對拼接向量和來自Davis數據集的藥物-靶點結合親和力真實值進行回歸分析，得到藥物-靶點結合親和力預測值。

9.一種存儲介質，其存儲有計算機程序，其特征在于，當所述計算機程序被中央處理器執行時實現以下步驟：構建基于遺傳算法集成深度學習網絡，所述的基于遺傳算法集成深度學習網絡包括：特征提取網絡、遺傳算法優化權重和全連接網絡。首先使用特征提取網絡對藥物分子和靶點蛋白信息進行充分的提取；其次，將提取到的特征信息使用遺傳算法優化其在網絡中所占權重，并將特征表示向量乘以各自權重后“拼接”一起形成拼接向量；之后，將拼接向量輸入全連接網絡中進行非線性處理，得到藥物-靶點結合親和力預測值。