-
公开(公告)号：CN112863693B
公开(公告)日：2021-09-28
申请号：CN202110154690.6
申请日：2021-02-04
Applicant: 东北林业大学
Abstract: 基于多通道图卷积网络的药物靶标相互作用预测方法，它属于药物与靶标关系预测技术领域。本发明解决了现有方法依赖于手工所提取的特征不准确，导致的对药物靶标相互作用预测的准确性差的问题。本发明根据获得的药物特征矩阵和蛋白质特征矩阵构建药物蛋白对网络，并采用多通道图卷积网络对药物蛋白对网络中药物蛋白对之间的拓扑关系和药物蛋白对特征之间的邻近关系进行特征提取，得到拓扑关系嵌入和特征邻近关系嵌入，再对拓扑关系嵌入和特征邻近关系嵌入进行处理得到共同嵌入，最后使用注意力机制将拓扑关系嵌入、特征邻近关系嵌入和共同嵌入融合，将融合结果输入多层感知机对药物靶标关系进行预测。本发明可以应用于药物与靶标关系的预测。
-
公开(公告)号：CN114023464B
公开(公告)日：2022-08-09
申请号：CN202111323363.5
申请日：2021-11-08
Applicant: 东北林业大学
Abstract: 基于有监督的协同图对比学习的药物‑靶标相互作用预测方法，它属于药物与靶标关系预测技术领域。本发明解决了传统机器学习方法需要依赖繁琐手工进行特征提取以及模型存在过多繁杂步骤的问题。本发明的药物‑靶标相互作用预测方法使用图对比学习来增强模型的学习能力，在整个预测的过程中，不需要人工进行操作，即不依赖繁琐手工进行特征提取，并应用端到端的思想减少了模型的处理步骤，降低了模型的复杂度，同时保证了较高的预测准确率。通过实验得到，本发明预测方法的Roc曲线下面积可以达到0.9764，PR曲线下面积可以达到0.9761。本发明可以用于对药物与靶标关系进行预测。
-
公开(公告)号：CN114023464A
公开(公告)日：2022-02-08
申请号：CN202111323363.5
申请日：2021-11-08
Applicant: 东北林业大学
Abstract: 基于有监督的协同图对比学习的药物‑靶标相互作用预测方法，它属于药物与靶标关系预测技术领域。本发明解决了传统机器学习方法需要依赖繁琐手工进行特征提取以及模型存在过多繁杂步骤的问题。本发明的药物‑靶标相互作用预测方法使用图对比学习来增强模型的学习能力，在整个预测的过程中，不需要人工进行操作，即不依赖繁琐手工进行特征提取，并应用端到端的思想减少了模型的处理步骤，降低了模型的复杂度，同时保证了较高的预测准确率。通过实验得到，本发明预测方法的Roc曲线下面积可以达到0.9764，PR曲线下面积可以达到0.9761。本发明可以用于对药物与靶标关系进行预测。
-
公开(公告)号：CN112863693A
公开(公告)日：2021-05-28
申请号：CN202110154690.6
申请日：2021-02-04
Applicant: 东北林业大学
Abstract: 基于多通道图卷积网络的药物靶标相互作用预测方法，它属于药物与靶标关系预测技术领域。本发明解决了现有方法依赖于手工所提取的特征不准确，导致的对药物靶标相互作用预测的准确性差的问题。本发明根据获得的药物特征矩阵和蛋白质特征矩阵构建药物蛋白对网络，并采用多通道图卷积网络对药物蛋白对网络中药物蛋白对之间的拓扑关系和药物蛋白对特征之间的邻近关系进行特征提取，得到拓扑关系嵌入和特征邻近关系嵌入，再对拓扑关系嵌入和特征邻近关系嵌入进行处理得到共同嵌入，最后使用注意力机制将拓扑关系嵌入、特征邻近关系嵌入和共同嵌入融合，将融合结果输入多层感知机对药物靶标关系进行预测。本发明可以应用于药物与靶标关系的预测。
-
-
-
Search Results
4
records
(took 0.022 seconds)
