基于多源信息和多头自注意力机制的药物靶标预测研究

作     者：赵文川 

作者单位：吉林大学 

学位级别：硕士

导师姓名：丰小月

授予年度：2024年

学科分类：12[管理学] 1007[医学-药学(可授医学、理学学位)] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

主      题：药物靶标相互作用 知识图谱 多源信息 多头自注意力机制 

摘      要：药物靶标相互作用(Drug-Target Interaction,DTI)预测是加速新药研发、优化临床试验设计、提高药物重定位成功率等的关键环节,对医药行业和人类健康事业意义重大。准确预测药物与靶标之间的潜在相互作用,不仅能够深入理解药物的作用机制,而且有助于及时发现新的治疗靶点,为治疗疑难杂症开辟新路径。此外,药物靶标相互作用预测为个性化医疗和精准用药奠定了基础,可根据患者的基因型预测特定药物的疗效和不良反应,实现个性化医疗,避免盲目用药带来的风险。然而,传统的生物实验方法在鉴定药物靶标相互作用方面存在诸多弊端,如需要大量的时间和人力、成本高昂、高通量筛选能力有限等。生物技术的迅猛发展促使了海量生物数据的累积,包括基因组、蛋白质组和表达谱等,这些数据为我们提供了更多的信息和理解生物系统的方式。基于这些数据,我们可以利用计算生物学方法对药物与靶标之间的相互作用进行预测,加速药物研发的过程和降低成本。相比实验方法,基于计算的预测方法具有速度快、成本低、通量高的显著优势。 近些年来,基于机器学习和深度学习技术的计算方法在预测药物靶标相互作用领域取得了显著的进展并得到了广泛应用。但现有方法普遍存在一些缺陷和局限性,例如仅利用药物或靶标的单一信息源、忽视了异质信息的互补性以及无法有效挖掘高阶特征交互等问题。这些限制制约了预测性能的进一步提升。 为此,本文提出了一种新颖的基于多源信息和多头自注意力机制的药物靶标相互作用预测模型MSI-DTI。该模型融合了来自多个信息源的特征表示,全面挖掘了药物和靶标的生物序列信息、结构信息和网络拓扑特征。具体而言,首先构建了药物-靶标知识图谱(Drug Target Knowledge Graph,DTKG),整合了药物、靶标、疾病、通路等实体及其关系。然后,本文从不同视角获取了药物和靶标的生物序列特征表示,并结合预训练语言模型和分子图等补充了序列信息和结构信息。同时,本文从DTKG中提取了网络拓扑特征,丰富了特征表示。接下来,本文设计了一种基于多头自注意力机制的多源信息融合策略,有效整合了上述多个信息源的特征,捕捉了特征间的复杂交互关系。同时,本文采用了残差连接,保留了低阶特征信息,使模型能够同时利用底层和高层语义。最终,本文对预测结果应用非线性投影,输出药物和靶标的相互作用概率。 在DTKG以及三个公开基准数据集上评估了所提MSI-DTI算法,并通过10折交叉验证与多种先进的基线方法进行了对比实验。实验结果表明,MSI-DTI算法在AUCROC和AUPR等主要指标上均取得了最优性能,显著超越了其他方法。同时通过消融实验验证了MSI-DTI在整合多源信息和挖掘高阶特征交互方面的有效性。