本發(fā)明屬于計(jì)算機(jī)生物學(xué)領(lǐng)域，尤其涉及一種基于魯棒多核集成方法的藥物靶點(diǎn)交互預(yù)測(cè)方法及其系統(tǒng)。

背景技術(shù)：

1、藥物靶點(diǎn)交互（drug-target?interaction，dti）是指藥物分子與生物體系中分子靶點(diǎn)之間的特定相互作用。這些交互作用可能通過(guò)多種機(jī)制發(fā)生，如與受體結(jié)合、抑制酶活性或調(diào)節(jié)信號(hào)通路等。理解藥物靶點(diǎn)交互至關(guān)重要，因?yàn)樗兄谖覀兝斫馑幬锏淖饔脵C(jī)制、藥物與靶點(diǎn)分子的結(jié)合方式，以及藥物發(fā)揮治療效應(yīng)的原理。通過(guò)識(shí)別藥物與靶點(diǎn)之間的交互作用，研究人員能夠揭示藥物的作用機(jī)理，進(jìn)而設(shè)計(jì)出更為高效、精準(zhǔn)的靶向治療策略。

2、然而，已知的藥物靶點(diǎn)交互數(shù)據(jù)仍然相對(duì)稀缺，且許多潛在的藥物靶點(diǎn)交互尚未被發(fā)現(xiàn)，這對(duì)藥物研發(fā)和疾病治療提出了巨大的挑戰(zhàn)。為了解決這一問(wèn)題，近年來(lái)研究人員提出了多種基于計(jì)算的藥物靶點(diǎn)交互預(yù)測(cè)方法。這些方法大致可分為基于模型的方法和基于深度學(xué)習(xí)的方法。

3、基于模型的方法主要通過(guò)借助藥物和靶點(diǎn)的先驗(yàn)知識(shí)和信息來(lái)預(yù)測(cè)藥物靶點(diǎn)交互。這些方法利用已知的藥物靶點(diǎn)交互數(shù)據(jù)，結(jié)合藥物和靶點(diǎn)之間的相似性或其他相關(guān)信息，進(jìn)行數(shù)學(xué)建模來(lái)推斷潛在的藥物靶點(diǎn)交互。例如，使用矩陣分解方法、圖正則化技術(shù)和圖卷積網(wǎng)絡(luò)等，這些方法在一定程度上緩解了數(shù)據(jù)稀缺和多視角學(xué)習(xí)的挑戰(zhàn)。

4、深度學(xué)習(xí)方法則通過(guò)對(duì)藥物和靶點(diǎn)的表示進(jìn)行編碼，提取其中的潛在特征，并結(jié)合這些表示進(jìn)行交互預(yù)測(cè)。深度學(xué)習(xí)方法通常依賴(lài)于多層神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)（gcn）、卷積神經(jīng)網(wǎng)絡(luò)（cnn）、注意力機(jī)制等技術(shù)進(jìn)行建模。這些方法能夠有效捕捉復(fù)雜的非線(xiàn)性關(guān)系，且具有較強(qiáng)的學(xué)習(xí)能力。

5、盡管現(xiàn)有的藥物靶點(diǎn)交互預(yù)測(cè)方法已取得一定的成果，但仍存在許多亟待解決的問(wèn)題。例如，仍然面臨著如何處理數(shù)據(jù)噪聲、優(yōu)化計(jì)算復(fù)雜度和確保模型魯棒性的挑戰(zhàn)；交互矩陣中存在噪聲數(shù)據(jù)，而傳統(tǒng)的損失函數(shù)（如l2損失）在處理這些噪聲數(shù)據(jù)時(shí)往往表現(xiàn)不佳。此外，多視角學(xué)習(xí)和多種數(shù)據(jù)結(jié)構(gòu)的融合依然是一個(gè)重要的挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)現(xiàn)有藥物靶點(diǎn)交互預(yù)測(cè)任務(wù)中，存在數(shù)據(jù)稀缺、噪聲干擾、多視角信息融合等多重問(wèn)題提出了一種新的藥物靶點(diǎn)交互預(yù)測(cè)方法以克服這些局限性。

2、為達(dá)到上述目的，本發(fā)明采用了下列技術(shù)方案：

3、一種基于魯棒多核集成方法的藥物靶點(diǎn)交互預(yù)測(cè)方法，該方法包括：

4、構(gòu)建目標(biāo)函數(shù)，包括關(guān)于預(yù)測(cè)交互矩陣的損失函數(shù)，集成學(xué)習(xí)項(xiàng)和正則項(xiàng)；

5、以已知交互矩陣、藥物相似核矩陣集合和靶點(diǎn)相似核矩陣集合為訓(xùn)練數(shù)據(jù)訓(xùn)練模型以?xún)?yōu)化所述的目標(biāo)函數(shù)；

6、所述藥物相似核矩陣集合包含待測(cè)藥物，靶點(diǎn)相似核矩陣集合包含待測(cè)靶點(diǎn)；

7、訓(xùn)練結(jié)束后，模型輸出包含待測(cè)藥物與待測(cè)靶點(diǎn)交互置信度的預(yù)測(cè)交互矩陣。

8、在上述的基于魯棒多核集成方法的藥物靶點(diǎn)交互預(yù)測(cè)方法中，所述的藥物相似核矩陣集合和靶點(diǎn)相似核矩陣集合通過(guò)多種核函數(shù)基于已知交互矩陣獲得。

9、在上述的基于魯棒多核集成方法的藥物靶點(diǎn)交互預(yù)測(cè)方法中，每一項(xiàng)藥物相似核矩陣還包括藥物副作用相似性數(shù)據(jù)，藥物化學(xué)結(jié)構(gòu)相似性數(shù)據(jù)、亞結(jié)構(gòu)相似性數(shù)據(jù)；

10、每一項(xiàng)靶點(diǎn)相似核矩陣還包括蛋白質(zhì)序列相似性數(shù)據(jù)，蛋白質(zhì)-蛋白質(zhì)相互作用數(shù)據(jù)，基因本體功能注釋數(shù)據(jù)；

11、且所述的核函數(shù)包括高斯相似核、余弦相似核和相關(guān)系數(shù)核；

12、所述的藥物相似核矩陣集合為：

13、?????（4）

14、第一項(xiàng)至第三項(xiàng)分別通過(guò)高斯相似核，余弦相似核，相關(guān)系數(shù)核根據(jù)已知交互矩陣計(jì)算而得；

15、第四項(xiàng)至第六項(xiàng)分別為藥物副作用相似性，藥物化學(xué)結(jié)構(gòu)相似性、亞結(jié)構(gòu)相似性；

16、靶點(diǎn)相似核矩陣集合為：

17、??????（5）

18、第一項(xiàng)至第三項(xiàng)分別通過(guò)高斯相似核，余弦相似核，相關(guān)系數(shù)核根據(jù)已知交互矩陣計(jì)算而得；

19、第四項(xiàng)至第六項(xiàng)分別為蛋白質(zhì)序列相似性，蛋白質(zhì)-蛋白質(zhì)相互作用，基因本體功能注釋。

20、在上述的基于魯棒多核集成方法的藥物靶點(diǎn)交互預(yù)測(cè)方法中，在所述的模型中，為每種核矩陣賦予一個(gè)加權(quán)系數(shù)并通過(guò)訓(xùn)練獲得最優(yōu)相似核矩陣：

21、（6）

22、??????（7）

23、和分別為通過(guò)訓(xùn)練更新的第i個(gè)藥物相似核矩陣的加權(quán)系數(shù)和第j個(gè)靶點(diǎn)相似核矩陣的加權(quán)系數(shù)。

24、在上述的基于魯棒多核集成方法的藥物靶點(diǎn)交互預(yù)測(cè)方法中，所述的集成學(xué)習(xí)項(xiàng)通過(guò)如下方式構(gòu)建：

25、假設(shè)數(shù)據(jù)中存在四種潛在結(jié)構(gòu)：藥物數(shù)據(jù)結(jié)構(gòu)、靶點(diǎn)數(shù)據(jù)結(jié)構(gòu)、藥物-靶點(diǎn)對(duì)數(shù)據(jù)結(jié)構(gòu)和低秩結(jié)構(gòu)；

26、分別構(gòu)建四種結(jié)構(gòu)的目標(biāo)函數(shù)；

27、通過(guò)加權(quán)組合四個(gè)目標(biāo)函數(shù)得到對(duì)不同結(jié)構(gòu)自適應(yīng)融合的集成學(xué)習(xí)項(xiàng)。

28、在上述的基于魯棒多核集成方法的藥物靶點(diǎn)交互預(yù)測(cè)方法中，四種結(jié)構(gòu)的目標(biāo)函數(shù)分別為：

29、，藥物數(shù)據(jù)結(jié)構(gòu)目標(biāo)函數(shù)；

30、，靶點(diǎn)數(shù)據(jù)結(jié)構(gòu)目標(biāo)函數(shù)；

31、，藥物-靶點(diǎn)對(duì)數(shù)據(jù)結(jié)構(gòu)目標(biāo)函數(shù)；

32、，低秩結(jié)構(gòu)目標(biāo)函數(shù)；

33、分別表示藥物數(shù)據(jù)、靶點(diǎn)數(shù)據(jù)、藥物-靶點(diǎn)對(duì)數(shù)據(jù)、低秩矩陣的參數(shù)，通過(guò)訓(xùn)練更新；

34、是預(yù)測(cè)交互矩陣，f是frobenius范數(shù)；

35、通過(guò)加權(quán)組合四個(gè)目標(biāo)函數(shù)得到的集成學(xué)習(xí)項(xiàng)如下：

36、（15）

37、分別為四個(gè)目標(biāo)函數(shù)的加權(quán)項(xiàng)，通過(guò)訓(xùn)練更新。

38、在上述的基于魯棒多核集成方法的藥物靶點(diǎn)交互預(yù)測(cè)方法中，所述的損失函數(shù)包括魯棒損失函數(shù)，用于根據(jù)預(yù)測(cè)交互矩陣較于已知交互矩陣的誤差更新模型參數(shù)；

39、所述魯棒損失函數(shù)結(jié)合了損失的精確性和損失的魯棒性。

40、在上述的基于魯棒多核集成方法的藥物靶點(diǎn)交互預(yù)測(cè)方法中，所述的正則項(xiàng)包括關(guān)于模型所需學(xué)習(xí)參數(shù)的正則項(xiàng)；

41、模型需學(xué)習(xí)的參數(shù)包括藥物數(shù)據(jù)對(duì)應(yīng)的參數(shù)a，靶點(diǎn)數(shù)據(jù)結(jié)對(duì)應(yīng)的參數(shù)b，藥物-靶點(diǎn)對(duì)數(shù)據(jù)的參數(shù)α和低秩矩陣（u，v），關(guān)于四種結(jié)構(gòu)目標(biāo)函數(shù)加權(quán)參數(shù)w的正則項(xiàng)，以及藥物相似核矩陣的權(quán)重系數(shù)核靶點(diǎn)相似核矩陣的權(quán)重系數(shù)。

42、在上述的基于魯棒多核集成方法的藥物靶點(diǎn)交互預(yù)測(cè)方法中，魯棒損失函數(shù)定義如下：

43、?（10）

44、其中為預(yù)測(cè)誤差，為控制平滑程度的超參數(shù)；

45、本方法模型采用交替優(yōu)化方法訓(xùn)練模型。

46、一種藥物靶點(diǎn)交互預(yù)測(cè)系統(tǒng)，包括處理器，用于通過(guò)執(zhí)行所述的藥物靶點(diǎn)交互預(yù)測(cè)方法進(jìn)行藥物靶點(diǎn)交互預(yù)測(cè)。

47、本發(fā)明的優(yōu)點(diǎn)在于：

48、1、本方案實(shí)現(xiàn)了一種高精度、強(qiáng)魯棒性且適用于多種數(shù)據(jù)結(jié)構(gòu)的dti（藥物靶點(diǎn)交互作用）預(yù)測(cè)方法，為藥物研發(fā)和精準(zhǔn)醫(yī)療提供更有力的技術(shù)支持；

49、2、本方案模型利用多核學(xué)習(xí)、多視角信息融合以及集成學(xué)習(xí)策略，結(jié)合魯棒損失函數(shù)，在藥物-靶點(diǎn)相互作用矩陣的重建上取得了較高的精度，可通過(guò)對(duì)未知藥物-靶點(diǎn)相互作用的預(yù)測(cè)，擴(kuò)展已有的藥物靶標(biāo)數(shù)據(jù)庫(kù)；

50、3、本方案模型假設(shè)數(shù)據(jù)符合四種不同的結(jié)構(gòu)，包括藥物-靶點(diǎn)對(duì)結(jié)構(gòu)、藥物結(jié)構(gòu)、靶點(diǎn)結(jié)構(gòu)以及低秩結(jié)構(gòu)，通過(guò)集成學(xué)習(xí)優(yōu)化這些結(jié)構(gòu)組合權(quán)重，有效降低因噪聲數(shù)據(jù)帶來(lái)的干擾，能夠自適應(yīng)地融合不同結(jié)構(gòu)的信息，提高預(yù)測(cè)的靈活性和適應(yīng)性。