公开(公告)号：CN118173163A

公开(公告)日：2024-06-11

申请号：CN202410376980.9

申请日：2024-03-29

Applicant: 上海大学

Inventor： 谢江 ,  黄定凯

IPC: G16B15/30 ,  G16B40/20 ,  G16B40/30 ,  G06F18/24 ,  G06F18/23 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于蛋白质口袋的多模态药物靶标亲和力预测方法，1、通过分子力场优化和蛋白质生成模型将现有的药物和蛋白质序列数据构建为结构数据。2、基于蛋白质结构对药物结合位点进行预测，将评分高的氨基酸聚类后得到潜在的结合口袋。3、对于药物和蛋白质口袋分别使用预训练的序列编码器和结构编码器得到表示全局信息的序列特征和表示局部信息的结构特征。4、应用DNN进行药物靶标亲和力的回归预测。该方法通过引入大模型生成的蛋白质结构，极大地缓解了亲和力预测中空间信息稀缺的问题，通过聚焦于结合口袋的多模态信息融合，有效降低了非相互作用区域的噪声影响，能够广泛应用于蛋白质靶标亲和力的预测。

公开(公告)号：CN114882939A

公开(公告)日：2022-08-09

申请号：CN202210675436.5

申请日：2022-06-15

Applicant: 上海大学

Inventor： 谢江 ,  欧阳佳明 ,  黄定凯 ,  何鸿坚 ,  赵畅

IPC: G16B15/00 ,  G16B40/00 ,  G16C20/50 ,  G16C20/70 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多模态表示学习的药物相互作用预测框架及预测方法，预测框架包括：使用多模态表示学习来提取药物特征，将小分子药物的的特征向量和生物制药的特征向量连接成一个药物对向量，把药物对向量中的每一个特征输入神经网络进行运算，对所有药物对特征的运算结果求均值。预测方法首先构建样本，将样本输入预测框架进行训练和测试，最后再输入药物对进行预测。本发明提出了一种双通道CNN有效提取序列中复杂的局部化学信息和上下文关系，异构网络中所有药物节点的关联信息被编码为一维特征向量，最后使用DNN对SMD和BioD相互作用进行预测，能够有效学习药物的复杂多模态特征以预测新的SBI。