公开(公告)号：CN119724331A

公开(公告)日：2025-03-28

申请号：CN202411831800.8

申请日：2024-12-12

Applicant: 大连海事大学

Inventor： 宁乔 ,  乔少航

IPC: G16B15/30 ,  G16B40/00 ,  G06N3/042 ,  G06F18/22 ,  G06F18/213 ,  G06F18/25 ,  G16C20/70 ,  G06N3/0499 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明提供了一种基于几何表征的药物靶点相互作用方法，包括：使用几何增强图神经网络GeoGNN从药物结构图中获取药物结构特征；使用几何编码器从靶点结构图中获取靶点结构特征；将药物综合相似性、靶点综合相似性和药物靶点关联矩阵相结合构成异构网络，利用图神经网络GCN对异构网络进行特征提取，得到药物网络特征和靶点网络特征；将药物结构特征和药物网络特征、靶点结构特征和靶点网络特征分别进行多模态特征融合；从融合后的药物多模态特征和融合后的靶点多模态特征中提取药物和靶点之间的交互信息；基于交互信息，得到更好的药物和靶点的特征，通过分类器预测药物和靶点之间的相互作用概率。本发明提高了药物靶点相互作用预测准确度。

公开(公告)号：CN119152977A

公开(公告)日：2024-12-17

申请号：CN202411129215.3

申请日：2024-08-16

Applicant: 大连海事大学

Inventor： 宁乔 ,  乔少航

IPC: G16C20/50 ,  G16C20/70 ,  G16B15/30 ,  G16B40/00 ,  G06F18/23 ,  G06F40/289 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明提供了基于邻域增强图对比学习的药物靶点相互作用预测方法及系统，涉及计算机辅助药物设计技术领域，本发明中，首先通过对药物和靶点序列进行特征编码，将序列信息转成数字向量，通过Transformer编码器和GCN网络进行深度特征提取，使用聚类对比学习更好地学习药物和靶点的特征。与常见的深度学习方法相比，本发明不但可以提取复杂的分子序列，而且融入了网络信息，最重要的是本发明使用一种新颖的聚类算法来进行对比学习，最后双线性解码器用于的药物‑靶点相互作用预测。本发明方法有助于提高药物靶点相互作用预测准确度，有利于缓解标签稀疏性问题，对于实际疾病诊断与治疗以及后续药物的研发存在一定价值。