检索结果-南通市图书馆

中国药科大学学报 2023年第3期54卷 305-313页

作者：荣丹琪王倩唐丽司婉雨赵鸿萍中国药科大学理学院医药大数据与人工智能研究院南京211198

药物研发过程中,化合物-蛋白质相互作用(compound-protein interaction,CPI)预测是发现苗头化合物、药物重定位等研究的关键技术手段。近年来,深度学习被广泛应用于CPI研究,加速了药物发现中CPI预测的发展。本文重点讨论基于特征的CPI... 详细信息

药物研发过程中,化合物-蛋白质相互作用(compound-protein interaction,CPI)预测是发现苗头化合物、药物重定位等研究的关键技术手段。近年来,深度学习被广泛应用于CPI研究,加速了药物发现中CPI预测的发展。本文重点讨论基于特征的CPI预测模型,首先,介绍了CPI预测中常见的数据库、化合物和蛋白质的典型特征表示方法。根据建模中的关键问题,从多模态和注意力机制两个方面,对基于特征的CPI预测模型展开论述。在此基础上,选取其中12个模型,在3个经典数据集上评估了模型在分类任务和回归任务中的性能。本文总结当前该领域面临的挑战,对未来的发展方向进行展望,为CPI预测方法进一步研究提供思路。

关键词：深度学习化合物-蛋白质相互作用药物重定位苗头化合物筛选

来源：

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于分子图像的化合物-蛋白质相互作用预测

基于分子图像的化合物-蛋白质相互作用预测

引用

作者：俞琳荟湖南大学

学位级别：硕士

化合物-蛋白质相互作用研究贯穿了药物从研发到上市的全过程,具有重大意义。然而,传统的化合物-蛋白质相互作用研究依赖的是经年累月、数以万计的生物试验,过程耗时且耗资源。近年来,得益于计算机技术的爆炸式发展,计算机辅助化合物-蛋... 详细信息

化合物-蛋白质相互作用研究贯穿了药物从研发到上市的全过程,具有重大意义。然而,传统的化合物-蛋白质相互作用研究依赖的是经年累月、数以万计的生物试验,过程耗时且耗资源。近年来,得益于计算机技术的爆炸式发展,计算机辅助化合物-蛋白质相互作用预测在一定程度上缓解了传统方法的痛点。然而,这类计算机预测方法大都聚焦于从分子的拓扑图表示中提取化合物特征,涵盖更多结构信息的分子图像表示却鲜有被报道用于化合物-蛋白质相互作用预测任务。与此同时,计算机视觉领域不断涌现的优秀工作,恰好能给分子图像特征提取带来技术灵感。因此,本文将结合计算机视觉、多模态特征学习、多任务无监督预训练等前沿技术,对将分子图像应用于解决化合物-蛋白质相互作用预测任务的可行性及效果探究。现将本文主要研究内容概述如下:首先,本文根据分子图像特点提出了基于多模态的化合物-蛋白质相互作用预测模型Image CPI。该模型的输入是分属视觉模态的分子图像及文本模态的氨基酸序列,为缩小由于异质模态导致的“语义鸿沟”,Image CPI采用了CNN-GRU网络提取特征,并通过“注意力机制”混合融合来自不同模态的特征。Image CPI在两个基准数据集上进行了实验并表现出了较高的预测水准,与多个先进的模型相比,Image CPI在3个评价指标上都取得了最佳表现。为缓解Image CPI的“黑盒性质”、探究其可解释性,本文还对Image CPI的预测结果展开了“可视化”实验,该实验证明了Image CPI具有捕获化合物-蛋白质实际结合位点的能力。其次,为进一步提高Image CPI的预测效果,同时也为缓解药物发现领域存在的小数据集问题,根据分子结构特点,本文精心设计了基于多任务学习的无监督预训练模型Mol IMG,该模型将通过硬参数共享的方式同步学习“分子相似性”和“分子合法性”两个任务。Mol IMG在200万无标记分子图像上进行深入且广泛的训练,训练好的Mol IMG拥有较强的鲁棒性及泛化性,不但能够加速下游任务的收敛,同时还能缓解过拟合问题。不同的下游任务实验证明,Mol IMG不但进一步提高了Image CPI的预测能力,还提高了多个分子性质预测任务的性能。此外,本文还构建了存在“标记样本较少”、“非平衡数据”问题的“新冠抗病毒药物”数据集,从实验结果来看,Mol IMG不但可以较好地克服数据集存在的缺陷,还能预测出训练样本之外的抗病毒药物。

关键词：化合物-蛋白质相互作用多模态学习多任务学习无监督预训练

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于表示学习的图神经网络模型预测化合物-蛋白质相互作用

引用

生物信息学 2023年

作者：章广能张育芳张宝上海交通大学数学科学学院南方医科大学公共卫生学院

化合物-蛋白质互作的鉴定对药物发现、靶标鉴定、网络药理学和蛋白质功能的阐明等至关重要。本文开发了一种基于表示学习的图神经网络预测化合物-蛋白质互作模型。首先利用Word2vec表示学习方法自动提取化合物和蛋白质的特征；然后将特... 详细信息

化合物-蛋白质互作的鉴定对药物发现、靶标鉴定、网络药理学和蛋白质功能的阐明等至关重要。本文开发了一种基于表示学习的图神经网络预测化合物-蛋白质互作模型。首先利用Word2vec表示学习方法自动提取化合物和蛋白质的特征；然后将特征输入构建图神经网络预测模型，并与传统机器学习方法和前人的方法对比，结果显示模型在AUC、准确率等评价指标上表现出更好的结果。预测Binding-DB数据库中所有未知的化合物-蛋白质互作对的概率，其中预测得分排名前五的化合物-蛋白质互作对中有四个得到了外部证据的验证，进一步证明了模型的鲁棒性和有效性。本模型可以充分利用聚合邻居信息、节点特征和自适应地捕获化合物-蛋白质空间的拓扑结构，从而实现较高的模型精度。本研究成果为化合物和蛋白质互作鉴定的研究提供了新的思路和方法。

关键词：化合物-蛋白质相互作用表示学习图神经网络药物发现

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度学习模型对化合物-蛋白质相互作用进行分类与预测的研究

基于深度学习模型对化合物-蛋白质相互作用进行分类与预测的研究

引用

作者：王景虎兰州大学

学位级别：硕士

药物靶标的识别在药物发现和生物制药领域起着重要作用,其核心就是化合物-蛋白质相互作用关系的识别。传统的基于实验验证的药物研发模式,已经积累了大量的化合物-蛋白质相互作用关系的基础数据,然而,该模式存在流程复杂、识别不全、周... 详细信息

药物靶标的识别在药物发现和生物制药领域起着重要作用,其核心就是化合物-蛋白质相互作用关系的识别。传统的基于实验验证的药物研发模式,已经积累了大量的化合物-蛋白质相互作用关系的基础数据,然而,该模式存在流程复杂、识别不全、周期长、费用高昂以及成功率低的特点。近年来基于大量基础数据进行训练的深度学习模型,在不同领域（图像识别和语音处理等）的分类与预测中,取得了惊人的成果。基础数据的大量积累、CPU+GPU的高速发展以及深度学习模型的快速进化,为基于该模型进行化合物-蛋白质相互作用关系的分类和预测提供了可能。因此,本研究采用深度学习的模型,对化合物-蛋白质相互作用关系进行分类和预测,可在较短时间内全面学习已积累的化合物-蛋白质相互作用关系基础数据中的特征,并据此特征预测新的化合物-蛋白质相互作用关系,从而为药物靶标的识别提供低成本的线索。本研究采用的实验数据主要来源于BindingDB数据库,对原始数据进行处理后得到1224408条化合物与蛋白质相互作用为绑定的正样本数据,将其分类标签设定为1,利用随机生成算法按照正负样本1:2生成负样本数据,其标签设定为0。之后,使用TensorFlow框架构建用于对化合物-蛋白质相互作用进行分类与预测的强大深度学习模型,以上述实验数据为基础,进行模型的训练、参数的调整和优胜模型的确定。整个研究过程包括数据收集及处理,模型构建和实现以及确定,其间有尝试大量的神经网络实验方案,经过对比,最终确定的模型采用深度神经网络来分别对化合物和蛋白质的数据进行特征提取,并使用循环神经网络来对相互作用进行分类与预测。模型参数数量达到了3927万个,在测试集上准确率达到了95.82%,F1-score值为94.05%,AUC的值为98.71%。对某一化合物的靶标识别也得到了较好的预测结果。本研究的实验结果提示,基于深度学习的方法对化合物-蛋白质相互作用的分类和预测具有一定的理论和现实意义。

关键词：药物研发药物靶标深度学习化合物-蛋白质相互作用

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的化合物—蛋白质相互作用预测

基于深度学习的化合物—蛋白质相互作用预测

引用

作者：王志斌兰州大学

学位级别：硕士

识别化合物-蛋白质相互作用在药物发现和药物设计中起到至关重要的作用,它为理解药物的药效、靶向以及不良副作用提供了有价值的参考。传统的方法主要是通过实验来验证化合物和蛋白质之间的相互作用关系,这种方法费时、费力,且不可能对... 详细信息

识别化合物-蛋白质相互作用在药物发现和药物设计中起到至关重要的作用,它为理解药物的药效、靶向以及不良副作用提供了有价值的参考。传统的方法主要是通过实验来验证化合物和蛋白质之间的相互作用关系,这种方法费时、费力,且不可能对所有的化合物、蛋白质逐一验证,具有很大的局限性。而通过计算的方法预测化合物-蛋白质相互作用关系,可以利用计算机强大的计算能力以及并行计算算法大幅减少预测时间,而且预测过程具有快捷智能、成本低廉、覆盖面广的特点,因此这类方法相比于实验方法具有独特的应用价值。识别化合物-蛋白质相互作用的计算方法很多,目前主流是分子对接(Docking)技术,其根据配体与受体作用的“锁-钥原理”,来模拟小分子配体与受体生物大分子相互作用。然而,该方法需要化学专业知识为背景,对于普通计算机专业人士难以胜任,并且准确率不高。深度学习技术的发展,大大减轻了编程人员对专业背景知识的要求,为识别化合物-蛋白质相互作用提供了新的可能性。本文的主要工作是构建了一个深度神经网络模型,输入层为2640维的向量,代表化合物的2640个特征数字,输出层为10维的向量,代表10种不同的蛋白质。模型采用反向传播算法,是包括1个输入层、3个隐藏层、1个输出层的5层深度模型。其中,第一个隐藏层包括1000个节点,第二个隐藏层包括800个节点,第三个隐藏层包括500个节点。经过人工筛选,从原始数据集里提取了出现频率在前十位的10种蛋白质数据以及跟它们有相互作用关系的化合物数据,作为多标签样本输入到模型中进行训练,并选取总样本集的十分之一进行预测。经过上百次的重复实验,单次实验最高耗时170余小时,总历时9个多月,模型参数被不断调整,实验结果也在不断优化。最优实验结果显示,在10个标签的多标签分类问题中,该模型得到了0.73的准确率。然后,本文把多标签分类问题进行了升级,将标签数量从10个拓展到100个、1000个,并重复以上过程。最终实验结果显示,随着标签数量的增加,所得到的准确率逐渐下降。囿于硬件计算能力的局限性、数据的不完整性等,目前的结果还有提升空间,但也足以说明基于深度学习的方法应用于化合物-蛋白质相互作用的识别领域是有效、可行的。

关键词：深度学习化合物-蛋白质相互作用深度神经网络多标签分类

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图注意力网络和简单循环单元的化合物-蛋白质交互预测

引用

模式识别与人工智能 2021年第6期34卷 522-531页

作者：李淑红贾琳河南财经政法大学计算机与信息工程学院郑州450046

现有基于深度学习的化合物-蛋白质交互预测方法未考虑数据的内部协变量偏移及序列数据的长距离依赖.针对此问题,文中提出基于图注意力网络和简单循环单元的化合物-蛋白质交互预测方法.利用图注意力网络-门控循环单元学习化合物分子的图... 详细信息

现有基于深度学习的化合物-蛋白质交互预测方法未考虑数据的内部协变量偏移及序列数据的长距离依赖.针对此问题,文中提出基于图注意力网络和简单循环单元的化合物-蛋白质交互预测方法.利用图注意力网络-门控循环单元学习化合物分子的图级表示,利用多层简单循环单元学习氨基酸子序列的特征向量表示,结合多层前馈网络预测化合物-蛋白质的交互作用.实验表明,文中方法在2个公开数据集上的各项评估指标都有所提升,由此验证方法的有效性.

关键词：化合物-蛋白质相互作用图注意力网络简单循环单元门控循环单元注意力机制

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：