CN112908429A - 一种药物与靶点间的相关性确定方法、装置及电子设备 - Google Patents

一种药物与靶点间的相关性确定方法、装置及电子设备 Download PDF

Info

Publication number
CN112908429A
CN112908429A CN202110367301.8A CN202110367301A CN112908429A CN 112908429 A CN112908429 A CN 112908429A CN 202110367301 A CN202110367301 A CN 202110367301A CN 112908429 A CN112908429 A CN 112908429A
Authority
CN
China
Prior art keywords
atomic
target
edge
nodes
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110367301.8A
Other languages
English (en)
Inventor
李双利
周景博
黄亮
熊昊一
王凡
徐童
熊辉
窦德景
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110367301.8A priority Critical patent/CN112908429A/zh
Publication of CN112908429A publication Critical patent/CN112908429A/zh
Priority to US17/570,505 priority patent/US20220130495A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Toxicology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种药物与靶点间的相关性确定方法、装置及电子设备，涉及计算机技术中的大数据、深度学习等技术领域。具体实现方案为：建立候选药物与靶点的空间分子图，空间分子图包括原子节点集以及边集合，原子节点集包括候选药物中的原子以及靶点中的原子，边集合包括至少一条原子连边；将原子节点集的第一原子特征以及空间分子图输入第一图注意力模型进行预测，得到原子节点集的第二原子特征；基于原子节点集的第二原子特征，确定候选药物与靶点之间的相关性参数值。无需通过高斯量筛选实验进行预测，可减少计算量，提高药物与靶点间的相关性确定的效率。

Description

一种药物与靶点间的相关性确定方法、装置及电子设备
技术领域
本申请涉及计算机技术中的大数据、深度学习等技术领域，尤其涉及一种药物与靶点间的相关性确定方法、装置及电子设备。
背景技术
对于新药研发而言，预测新药与靶点进行结合的亲和性(可以理解为相关性)是其中一个重要的阶段。在药物研发阶段，可通过对多个候选新药与靶点间的亲和性反应进行测定排序，从而筛选出真正有价值的新药。
目前，在进行预测过程中，常用的方法是通过高斯量筛选实验进行预测。
发明内容
本申请提供一种药物与靶点间的相关性确定方法、装置及电子设备。
第一方面，本申请一个实施例提供一种药物与靶点间的相关性确定方法，所述方法包括：
建立候选药物与靶点的空间分子图，所述空间分子图包括原子节点集以及边集合，所述原子节点集包括所述候选药物中的原子以及所述靶点中的原子，所述边集合包括至少一条原子连边；
将所述原子节点集的第一原子特征以及所述空间分子图输入第一图注意力模型进行预测，得到所述原子节点集的第二原子特征；
基于所述原子节点集的第二原子特征，确定所述候选药物与所述靶点之间的相关性参数值。
在本申请实施例的药物与靶点间的相关性确定方法中，首先建立候选药物与靶点的空间分子图，然后将原子节点集的第一原子特征以及空间分子图输入第一图注意力模型进行预测，即利用的是第一图注意力模型进行预测得到原子节点集的第二原子特征，再基于原子节点集的第二原子特征，确定候选药物与靶点之间的相关性参数值即可，无需通过高斯量筛选实验进行预测，可减少计算量，提高药物与靶点间的相关性确定的效率。
第二方面，本申请一个实施例提供一种药物与靶点间的相关性确定装置，所述装置包括：
建立模块，用于建立候选药物与靶点的空间分子图，所述空间分子图包括原子节点集以及边集合，所述原子节点集包括所述候选药物中的原子以及所述靶点中的原子，所述边集合包括至少一条原子连边；
预测模块，用于将所述原子节点集的第一原子特征以及所述空间分子图输入第一图注意力模型进行预测，得到所述原子节点集的第二原子特征；
第一确定模块，用于基于所述原子节点集的第二原子特征，确定所述候选药物与所述靶点之间的相关性参数值。
第三方面，本申请一个实施例还提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请各实施例提供的药物与靶点间的相关性确定方法。
第四方面，本申请一个实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请各实施例提供的药物与靶点间的相关性确定方法。
第五方面，本申请一个实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请各实施例提供的药物与靶点间的相关性确定方法。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请提供的一个实施例的药物与靶点间的相关性确定方法的流程示意图；
图2是本申请提供的一个实施例的药物与靶点间的相关性确定方法中距离编码的原理图；
图3是本申请提供的一个实施例的药物与靶点间的相关性确定方法的原理图；
图4是本申请提供的一个实施例的药物与靶点间的相关性确定装置的结构图；
图5是用来实现本申请实施例的药物与靶点间的相关性确定方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，根据本申请的实施例，本申请提供一种药物与靶点间的相关性确定方法，方法包括：
步骤S101：建立候选药物与靶点的空间分子图；
空间分子图包括原子节点集以及边集合，原子节点集包括候选药物中的原子以及靶点中的原子，边集合包括至少一条原子连边。
候选药物是一种化合物，由许多的原子构成，药物的靶点是指药物与机体生物大分子的集合部位，靶点可以理解为蛋白质，药物与靶点相互作用预测是药物发现过程中重要的部分，可通过药物与靶点间的亲和性预测表示药物与靶点的相互作用预测，上述相关性即可以理解为亲和性。
在本实施例中，首先候选药物建立候选药物化合物与靶点(蛋白质)的空间分子图，例如，可以用G＝(V，E)来表示空间分子图，其中，V为原子节点集，V＝VM∪VP＝{a1，a2，..aN}，其中VM表示候选药物的原子集合，VP表示蛋白质的原子集合，ai表示第i原子节点，1≤i≤N。E表示边集合，其中包括至少一条原子连边，也即是包括至少一对原子节点的连边，任一对原子节点包括两个原子节点。需要说明的是，任意两个原子满足一定的条件，两者之间才具备连边，否则，不具备连边。
步骤S102：将原子节点集的第一原子特征以及空间分子图输入第一图注意力模型进行预测，得到原子节点集的第二原子特征。
由于原子节点集中可包括多个原子节点，原子节点集的第一原子特征即包括多个原子节点中每个原子节点的第一原子特征。可先获取原子节点集的第一原子特征，第一原子特征可以包括但不限于原子类型、邻居节点的数量以及化学键分布等，某个原子节点的邻居节点的数量表示与该原子节点存在化学键的节点的数量，某个原子节点的化学键分布表示该原子节点在对应的候选药物中或靶点中的化学键分布。在本实施例中，是将原子节点集的第一原子特征以及空间分子图输入第一图注意力模型进行预测，采用第一图注意力模型输出原子节点集的第二原子特征，原子节点集中多个原子节点的每个原子节点的第二原子特征。
需要说明的是，图卷积网络(Graph Convolutional Network，GCN)提出了将局部的图结构和节点特征结合可以在节点分类任务中获得不错的表现。然而GCN结合邻近节点特征的方式和图的结构依依相关，这局限了图卷积网络在其他图结构上的泛化能力。而图注意力模型(Graph Attention Network，GAT)提出了用注意力机制对邻近节点特征加权求和，邻近节点特征的权重可取决于节点特征，独立于图结构，即图注意力模型用注意力机制替代了图卷积网络中固定的标准化操作，泛化能力较强。如此，在本申请中，通过采用图注意力模型基于输入的第一原子特征以及空间分子图得到区别于第一原子特征，可表征原子特征的第二原子特征，如此，可提高原子表征的准确性。
步骤S103：基于原子节点集的第二原子特征，确定候选药物与靶点之间的相关性参数值。
基于原子节点集的第二原子特征，确定候选药物与靶点之间的相关性参数值，即实现对候选药物与靶点之间的亲和性的预测，值越大，表示亲和性越强，值越小，表示亲和性越弱。
在本申请实施例的药物与靶点间的相关性确定方法中，首先建立候选药物与靶点的空间分子图，然后将原子节点集的第一原子特征以及空间分子图输入第一图注意力模型进行预测，即利用的是第一图注意力模型进行预测得到原子节点集的第二原子特征，再基于原子节点集的第二原子特征，确定候选药物与靶点之间的相关性参数值即可，无需通过高斯量筛选实验进行预测，可减少计算量，提高药物与靶点间的相关性确定的效率。
作为一个示例，可将原子节点集的第二原子特征输入全连接层，通过全连接层输出候选药物与靶点之间的相关性参数值。
在一个实施例中，建立候选药物与靶点的空间分子图，包括：基于原子节点集中原子节点之间的距离，建立空间分子图；其中，边集合中任一连边的两个原子节点之间的距离小于或等于预设距离阈值。
可预先获取在三维空间中原子节点集的每个原子节点的坐标位置，获取坐标位置的方法是常用的获取原子的坐标位置的方法，在此不再赘述。根据坐标位置，可预先计算三维空间中原子节点集的任意两个原子间的距离，得到距离矩阵D，距离矩阵D中包括原子节点集的每两个原子节点的距离，例如，Dij表示第i原子节点与第j原子节点的距离。后续可通过预先设定的一个预设距离阈值θd(例如，可以取5埃米)来确定原子节点间的连边，边集合E可以通过以下公式表示。
E＝{eij＝(ai，aj)|ai，aj∈V，Dij≤θd}。
其中，ai表示原子节点集合中第i原子节点，aj表示原子节点集合中第j原子节点，eij表示第i原子节点与第j原子节点之间的连边，1≤j≤N。任意两个原子节点之间的距离小于或等于预设距离阈值，则可建立这两个原子间的连边。需要说明的是，eij表示以第i原子节点为终点的第i原子节点与第j原子节点之间的连边，即是一个有向边，第j原子节点指向第i原子节点的连边。
在原始的分子中，原子之间的联系仅仅由化学键来确定，这对于建模分子中的原子关系是不够的，并且药物和靶点之间不存在原始的化学键，为了获得更完整的原子关联性，在本实施例中，基于空间距离建立药物与靶点的空间分子图，空间分子图中的边集合中任一连边的两个原子节点之间的距离小于或等于预设距离阈值，如此，可使建立的空间分子图更能表示药物与靶点中原子之间的关联性，提高空间分子图的准确性。
在一个实施例中，将原子节点集的第一原子特征以及空间分子图输入第一图注意力模型进行预测，得到原子节点集的第二原子特征之前，还包括：对原子节点集中原子节点之间的距离进行编码，得到原子节点集中原子节点之间的第一距离向量；对原子节点集中原子节点之间的第一距离向量进行转换，得到原子节点集中原子节点之间的目标距离向量；
其中，将原子节点集的第一原子特征以及空间分子图输入第一图注意力模型进行预测，得到原子节点集的第二原子特征，包括：将原子节点集的第一原子特征、空间分子图以及原子节点集中原子节点之间的目标距离向量输入第一图注意力模型进行预测，得到原子节点集的第二原子特征。
原子节点集中原子节点之间的距离，可以包括原子节点集中每两个原子节点之间的距离。在本实施例中，在预测相关性的过程中，还考虑了原子节点集中原子节点之间的距离，然而这个距离是标量距离，是一个具体的值，需要对其进行编码，得到对应的第一距离向量，不同标量距离对应的第一距离向量不同。第一距离向量可以理解为稀疏向量，可将原子节点集中原子节点之间的第一距离向量向密集向量(即稠密向量)转换，得到述原子节点集中原子节点之间的目标距离向量，即得到的目标距离向量为稠密向量。再将原子节点集的第一原子特征、空间分子图以及原子节点集中原子节点之间的距离向量输入第一图注意力模型进行预测，得到原子节点集的第二原子特征，通过该第二原子特征进行相关性参数值的确定，可提高确定的相关性参数值的准确性。
作为一个示例，可通过one-hot编码方式，对原子节点集中原子节点之间的距离进行编码，得到原子节点集中原子节点之间的距离向量。one-hot编码是分类变量作为二进制向量的表示，首先要求将分类值(即对应本申请实施例中的距离)映射到整数值，然后每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。在三维空间中，每个原子节点的位置由位置坐标(x，y，z)定义，原子的坐标值依赖于坐标系的定义(如x，y和z三个轴具体方向，坐标起始点等)。因此，利用空间距离这种相对位置关系来进行编码，如图2所示，第1原子节点a1和第2原子节点a2的距离在
Figure BDA0003007683350000061
范围内，即大于
Figure BDA0003007683350000062
且小于
Figure BDA0003007683350000063
第1原子节点a1和第3原子节点a3的距离在
Figure BDA0003007683350000071
范围内，第1原子节点a1和第4原子节点a4的距离在
Figure BDA0003007683350000072
范围内，第1原子节点a1和第5原子节点a5的距离在
Figure BDA0003007683350000073
范围内，第1原子节点a1和第6原子节点a6的距离在
Figure BDA0003007683350000074
范围内，任意一对原子节点之间的标量距离被编码为one-hot的向量
Figure BDA0003007683350000075
表示第i原子节点与第j原子节点的距离编码后的第一距离向量，将其向稠密向量变换，得到第i原子节点与第j原子节点的目标距离向量pij。例如，可通过以下公式对
Figure BDA0003007683350000076
进行变换得到pij：
Figure BDA0003007683350000077
其中，Wp为稀疏向量到稠密向量的转换矩阵。
在一个实施例中，将原子节点集的第一原子特征、空间分子图以及原子节点集中原子节点之间的目标距离向量输入第一图注意力模型进行预测，得到原子节点集的第二原子特征，包括：
将原子节点集中原子节点之间的目标距离向量、空间分子图以及原子节点集的第一原子特征输入第一图注意力模型进行预测，得到边集合中连边的目标特征表征；
利用第一图注意力模型对原子节点集的第一原子特征、原子节点集中原子节点之间的目标距离向量以及边集合中连边的目标特征表征进行预测，得到原子节点集的第二原子特征。
在确定原子节点集中原子节点的第二原子特征的过程中，首先进行边节点的聚合，这里的边节点即为边集合中的连边，得到边集合中连边的目标特征表征。由于空间距离依附于原子节点对，在现有图神经网络聚合时难以有效学习远距离依赖关系，因此，在本实施例中，将距离信息聚合到边节点，通过边节点的传播聚合来扑捉空间结构信息。由于一条原子连边涉及一对原子节点，在得到边集合中连边的目标特征表征后，可依据边集合中连边的目标特征表征，通过原子节点的聚合来更新原子节点的第一原子特征，得到第二目标原子特征。
也即是，在本实施例中，先进行连边的目标特征表征确定，且在确定连边的目标特征表征的过程，考虑了原子节点集中原子节点之间的目标距离向量、空间分子图以及原子节点集的第一原子特征，然后根据边集合中连边的目标特征表征确定原子节点集的第二原子特征，在确定第二原子特征的确定过程中，考虑了连边的目标特征表征，另外，还考虑了原子节点集的第一原子特征、原子节点集中原子节点之间的目标距离向量，如此，通过该第二原子特征进行相关性参数值的确定，可提高确定的相关性参数值的准确性。
在一个实施例中，将原子节点集中原子节点之间的目标距离向量、空间分子图以及原子节点集的第一原子特征输入第一图注意力模型进行预测，得到边集合中连边的目标特征表征，包括：
确定边集合中第i原子节点与第j原子节点之间的连边的邻居边集，i与j均为整数，且1≤i≤N，1≤j≤M，N为原子节点集中原子节点的总数，M为与第i原子节点之间存在连边的原子节点数量；
利用邻居边集中连边的原子节点之间的目标距离向量、邻居边集中连边的原子节点的第一原子特征、第一图注意力模型中的第一激活函数、第一变换矩阵以及偏移向量，确定邻居边集中连边的初始特征表征；
基于邻居边集中连边的初始特征表征、第一图注意力模型中的第一权重矩阵、第二激励函数以及第一注意力权重，确定第一标准化权重；
根据邻居边集中连边的初始特征表征、第一标准化权重以及第一图注意力模型中的第一权重矩阵，确定第i原子节点与第j原子节点之间的连边的目标特征表征。
在本实施例中，第i原子节点与第j原子节点之间的连边的邻居边集，可以理解为，以第i原子节点为终点，第i原子节点与第j原子节点之间的连边的邻居边集，即邻居边集中任一连边指向的终点原子节点为第i原子节点。例如，在空间分子图G中包括边eki＝(ak，ai)和边eij＝(ai，aj)，边eki为第k原子节点与第i原子节点之间的连边，且终点为第i原子节点，即边eki的第k原子节点指向第i原子节点，边eki与边eij相邻，边eki是边eij的一个邻居边。如此，可确定第i原子节点与第j原子节点之间的连边的所有邻居边，得到第i原子节点与第j原子节点之间的连边的邻居边集，第i原子节点与第j原子节点之间的连边的邻居边集中包括与第i原子节点与第j原子节点之间的连边相邻的邻居边。
确定第i原子节点与第j原子节点之间的连边的邻居边集后，可利用利用邻居边集中连边的原子节点之间的目标距离向量、邻居边集中连边的原子节点的第一原子特征、第一图注意力模型中的第一激活函数、第一图注意力模型中的第一变换矩阵以及第一图注意力模型中的偏移向量，确定邻居边集中连边的初始特征表征。可以理解，可利用邻居边集中目标连边的原子节点之间的目标距离向量、目标连边的两个原子节点的第一原子特征、第一图注意力模型中的第一激活函数、第一变换矩阵以及偏移向量，确定目标连边的初始特征表征，目标连边为邻居边集中任一连边，即对邻居边集中的每条原子连边通过上述目标连边的初始特征表征的过程确定连边的初始特征表征，如此，即可确定邻居边集中连边的初始特征表征。
作为一个示例，对于目标连边，可先对目标连边的两个原子节点的第一原子特征以及目标连边的两个原子节点之间的目标距离向量进行拼接，得到第一拼接结果，然后将第一变换矩阵与第一拼接结果相乘，得到第一目标结果，将第一目标结果与偏移向量相加，得到第二目标结果，将第二目标结果作为第一激活函数的输入，通过第一激活函数输出目标连边的初始特征表征。
作为一个示例，可通过以下公式确定第k原子节点与第i原子节点之间的连边eki的初始特征表征
Figure BDA0003007683350000091
Figure BDA0003007683350000092
其中，σ1为第一激活函数，Wne为第一变换矩阵，
Figure BDA0003007683350000093
为连边eki中第k原子节点的第一原子特征，
Figure BDA0003007683350000094
为连边eki中第i原子节点的第一原子特征，bne为偏移向量，pki为连边eki中第k原子节点与第i原子节点之间的目标距离向量。可以理解，
Figure BDA0003007683350000095
作为一个示例，可通过以下公式确定ak，i，j：
Figure BDA0003007683350000096
其中，ak，i，j为与连边eki以及连边eij相关的第一标准化权重，表示在确定目标特征过程中，边节点eki对于边节点eij的重要程度，σ2为第二激活函数，ae为第一注意力权重，We为第一权重矩阵，
Figure BDA0003007683350000101
为连边eij的初始特征表征，
Figure BDA0003007683350000102
为邻居边集中连边eki的初始特征表征，
Figure BDA0003007683350000103
为邻居边集中连边eti的初始特征表征，Ne(eij)为连边eij的邻居边集合，Ne(eij)＝{eki|eki∈E，k≠j}。
作为一个示例，可通过以下公式确定第i原子节点与第j原子节点之间的连边eij的目标特征表征
Figure BDA0003007683350000104
Figure BDA0003007683350000105
其中，可以理解，
Figure BDA0003007683350000106
AGG表示聚合。
上述过程可确定边集合中第i原子节点与第j原子节点之间的连边的目标特征表征，由于1≤i≤N，1≤j≤M，如此，可通过上述类似过程，对边集合中每条连边的目标特征表征进行确定，只需要更新i、j的值即可，i、j的值更新，则第i原子节点与第j原子节点之间的连边的邻居边集、第i原子节点与第j原子之间的目标距离向量、第i原子节点的第一原子特征、第j原子节点的第一原子特征随之更新，如此，即可得到边集合中连边的目标特征表征。
在本实施例中，在目标特征表征确定过程中，融合了距离信息，可学习到空间分子图中的距离依赖关系，然后利用连边的目标特征表征确定原子节点的第二原子特征，如此，通过得到的第二原子特征确定候选药物与靶点之间的相关性参数值，可提高确定的候选药物与靶点之间的相关性参数值准确性。
在一个实施例中，利用第一图注意力模型对原子节点集的第一原子特征、原子节点集中原子节点之间的目标距离向量以及边集合中连边的目标特征表征进行预测，得到原子节点集的第二原子特征，包括：
利用第一图注意力模型对原子节点集的第一原子特征、原子节点集中原子节点之间的目标距离向量以及边集合中连边的目标特征表征进行预测，得到原子节点集的第二原子特征，包括：
确定第i原子节点的目标邻居边集合，目标邻居边集合中任一连边的终点为第i原子节点；基于目标邻居边集合中连边的目标特征表征、第i原子节点的第一原子特征、目标邻居边集合中连边的原子节点之间的目标距离向量、第一图注意力模型中的第二注意力权重、第二变换矩阵以及第二权重矩阵，确定第i原子节点的第二原子特征。
目标邻居边集合中任一连边指向第i原子节点，上述过程可确定第i原子节点的第二原子特征，由于1≤i≤N如此，可通过上述类似过程，对原子节点集中每个原子节点的第二原子特征进行确定，只需要更新i的值即可，i的值更新，则第i原子节点的目标邻居边集合、目标邻居边集合中连边的原子节点之间的目标距离向量、第i原子节点的第一原子特征、目标邻居边集合中连边的原子节点之间的目标距离向量随之更新，如此，即可得到原子节点集中每个原子节点的目标特征表征，即原子节点集的第二原子特征。
在本实施例中，在第二原子特征表征确定过程中，融合了距离信息，可学习到空间分子图中的距离依赖关系，以及考虑了连边的目标特征表征，如此，通过得到的第二原子特征确定候选药物与靶点之间的相关性参数值，可提高确定的候选药物与靶点之间的相关性参数值准确性。
在一个示例中，确定第i原子节点的第二原子特征的过程中，可先对目标邻居边集合中连边的目标特征表征进行变换，得到目标邻居边集合中连边的第一变换特征，例如，
Figure BDA0003007683350000111
并对第i原子节点的第一原子特征进行变换，得到第i原子节点的第二变换特征。例如，
Figure BDA0003007683350000112
其中，
Figure BDA0003007683350000113
表示第i原子节点的第一原子特征，Wh为第二权重矩阵，hk，i，e为边eki的第一变换特征，hi，a为第i原子节点的第二变换特征。
然后计算不同空间距离关系下的边节点的重要程度，边eki对于ai的注意力权重通过以下公式计算：
Figure BDA0003007683350000114
其中an是第二注意力权重，Ws是第二变换矩阵，σ3为第三激活函数。然后可对ωki进行标准化，例如，可通过softmax函数进行标准化，即可通过以下公式进行化得到第二标准化权重。
Figure BDA0003007683350000115
其中，βki为对ωki进行标准化后的第二标准化权重，Neon(ai)为第i原子节点的目标邻居边集合。
最后，基于计算得到的βki注意力权重对原子节点进行聚合更新，通过以下公式确定第i原子节点ai的第二原子特征
Figure BDA0003007683350000121
Figure BDA0003007683350000122
如此，可得到原子节点集合中每个原子节点的第二原子特征，将所有原子节点的第二原子特征求和作为分子图的表征
Figure BDA0003007683350000123
将其输入由多个全连接层级联的全连接层，通过该全连接层进行亲和性预测，得到相关性参数值。例如，
Figure BDA0003007683350000124
其中，
Figure BDA0003007683350000125
为预测的候选新药与靶点间的相关性参数值，MLP即Multi-Layer Perceptron，为多层感知器，W0为权重参数矩阵，b0为一个偏移参数。
在一个实施例中，第一图注意力模型可以是层级图注意网络，即包括L层图注意网络，L为大于1的整数，其中，相邻两层图注意网络中后一个图注意力模型的输入包括前一个图注意网络的输出，L层图注意网络中第1层图注意网络的输入包括原子节点集中原子节点之间的目标距离向量、空间分子图以及原子节点集的第一原子特征。第l层图注意网络的输出包括原子节点集的第l层原子特征，1≤l≤L，最后一层即第L层图注意网络的输出包括原子节点集的第L层原子特征，即原子节点集的第二原子特征。其中，第l层原子特征是利用第一图注意力模型中第l层图注意网络对原子节点集的第l-1层原子特征、原子节点集中原子节点之间的目标距离向量以及边集合中连边的第l层的目标特征表征进行预测得到，边集合中连边的第l层的目标特征表征是通过将原子节点集中原子节点之间的目标距离向量、空间分子图以及原子节点集的第l-1层原子特征输入第l层图注意力模型进行预测得到。
例如，作为一个示例，可通过以下公式确定第k原子节点与第i原子节点之间的连边eki在第l层的初始特征表征
Figure BDA0003007683350000126
Figure BDA0003007683350000127
其中，σ1为第一激活函数，
Figure BDA0003007683350000128
为第l层图注意力模型的第一变换矩阵，
Figure BDA0003007683350000129
为连边eki中第k原子节点的第l-1层原子特征，
Figure BDA00030076833500001210
为连边eki中第i原子节点的第l-1层原子特征，
Figure BDA00030076833500001211
为第l层图注意力模型的偏移向量，pki为连边eki中第k原子节点与第i原子节点之间的目标距离向量。例如，第一激活函数可以为ReLu函数。
作为一个示例，可通过以下公式确定
Figure BDA0003007683350000131
Figure BDA0003007683350000132
其中，
Figure BDA0003007683350000133
为第一标准化权重中与连边eki以及连边eij相关的第l层图注意力模型的标准化权重，表示在聚合时在第l层图注意力模型中边节点eki对于边节点eij的重要程度，σ2为第二激活函数，ae，l为第l层图注意力模型的第一注意力权重，
Figure BDA0003007683350000134
为第l层图注意力模型的第一权重矩阵，
Figure BDA0003007683350000135
为连边eij的在第l层图注意力模型的初始特征表征，
Figure BDA0003007683350000136
为邻居边集中连边eki在第l层图注意力模型的初始特征表征，
Figure BDA0003007683350000137
为邻居边集中连边eti在第l层图注意力模型的初始特征表征，Ne(eij)为连边eij的邻居边集合。例如，第二激活函数可以是LeakyReLu函数。
作为一个示例，可通过以下公式确定第i原子节点与第j原子节点之间的连边eij在第l层图注意力模型的目标特征表征，即第i原子节点与第j原子节点之间的连边eij的第l层原子特征
Figure BDA0003007683350000138
Figure BDA0003007683350000139
第i原子节点的目标邻居边集合Neon(ai)可通过以下方式表示：
Neon(ai)＝{eki|eki＝(ak，ai)∈E}。
在节点聚合之前把原子节点和边节点的表征统一变换到同一向量空间：
Figure BDA00030076833500001310
其中，
Figure BDA00030076833500001311
表示第i原子节点ai的第l-1层原子特征，
Figure BDA00030076833500001312
为第l图注意力模型的第二权重矩阵，
Figure BDA00030076833500001313
为第i原子节点与第j原子节点之间的连边eij在第l图注意力模型的目标特征表征，
Figure BDA00030076833500001314
为第i原子节点ai的第l-1层原子特征，即是第i原子节点ai在第l-1图注意力模型的第二原子特征，在l＝1的情况下，l-1为0，此时，
Figure BDA00030076833500001315
为第i原子节点的第一原子特征。
然后计算不同空间距离关系下的边节点的重要程度，在第l图注意力模型中边eki对于ai的注意力权重通过以下公式计算：
Figure BDA0003007683350000141
其中an，l是第l图注意力模型的第二注意力权重，
Figure BDA0003007683350000142
是第l图注意力模型的第二变换矩阵，σ3为第三激活函数。然后可通过softmax函数对
Figure BDA0003007683350000143
进行标准化：
Figure BDA0003007683350000144
Figure BDA0003007683350000145
为对
Figure BDA0003007683350000146
进行标准化后的在第l图注意力模型的第二标准化权重，Neon(ai)为第i原子节点的目标邻居边集合。
最后，基于计算得到的
Figure BDA0003007683350000147
注意力权重对原子节点进行聚合更新，类似于GAT(图注意力模型)可扩展到使用多头图注意力模型，并且对最后得到的表征进行平均化：
Figure BDA0003007683350000148
其中，
Figure BDA0003007683350000149
为第i原子节点ai在第l图注意力模型的第二原子特征，即第i原子节点ai的第l层原子特征，P表示多头图注意力模型的数目，即第一图注意力模型为P头图注意力模型，每一头图注意力模型均包括L层图注意力模型，σ4是第四激活函数，
Figure BDA00030076833500001410
为在第m头图注意力模型的第l图注意力模型中边eki对于ai的注意力权重
Figure BDA00030076833500001411
进行标准化后的第二标准权重，
Figure BDA00030076833500001412
为。叠加L层空间感知的图注意力层来有效学习分子图的拓扑结构和空间距离信息，并且使用
Figure BDA00030076833500001413
来表示第i原子节点ai经过该第一图注意力模型得到的第二原子节点特征。
在最终的预测阶段，将所有原子节点的第二原子特征求和作为分子图的表征
Figure BDA00030076833500001414
后续通过多个全连接层进行预测亲和性
Figure BDA00030076833500001415
需要说明的是，图注意力模型在训练时，可采用训练样本的预测结果
Figure BDA00030076833500001416
和真实观测结果y均方误差作为训练损失函数：
Figure BDA00030076833500001417
Figure BDA00030076833500001418
为训练样本，
Figure BDA00030076833500001419
为训练样本的数量。
在本申请实施例中，如图3所示，首先基于空间关联的分子图的构建，建立基于空间关联的分子图之后，提出了一个新的模型结合空间信息来学习药物与靶点复合物的表征，如图3所示。模型首先叠加多层图神经网络模块来更新每个原子节点的表征，其中每一层图神经网络包括原子节点的聚合学习和边节点的聚合学习两个部分组成；接着图池化层聚合所有原子节点得到分子图表征，最后通过多层全连接层进行预测。
本申请可以有效学习分子在三维空间的距离信息，并结合分子图的拓扑结构信息，从而快速准确预测药物-靶点的结合亲和性。具体而言，相比于传统方法和基于物理的方法计算成本和时间成本更低，相比于机器学习方法不需要领域专家知识进行特征抽取，且模型的预测准确性更高。此外，相比于一般的深度学习模型，可以准确建模分子的空间关联性，解决一般方法不能学习空间距离信息的问题，从而进一步提高模型的性能。
如图4所示，根据本申请的实施例，本申请还提供一种药物与靶点间的相关性确定装置400，装置包括：
建立模块401，用于建立候选药物与靶点的空间分子图，空间分子图包括原子节点集以及边集合，原子节点集包括候选药物中的原子以及靶点中的原子，边集合包括至少一条原子连边；
预测模块402，用于将原子节点集的第一原子特征以及空间分子图输入第一图注意力模型进行预测，得到原子节点集的第二原子特征；
第一确定模块403，用于基于原子节点集的第二原子特征，确定候选药物与靶点之间的相关性参数值。
在一个实施例中，建立候选药物与靶点的空间分子图，包括：
基于原子节点集中原子节点之间的距离，建立空间分子图；
其中，边集合中任一连边的两个原子节点之间的距离小于或等于预设距离阈值。
在一个实施例中，装置还包括：
编码模块，用于对原子节点集中原子节点之间的距离进行编码，得到原子节点集中原子节点之间的第一距离向量；
第一转换模块，用于对原子节点集中原子节点之间的第一距离向量进行转换，得到原子节点集中原子节点之间的目标距离向量；
其中，将原子节点集的第一原子特征以及空间分子图输入第一图注意力模型进行预测，得到原子节点集的第二原子特征，包括：
将原子节点集的第一原子特征、空间分子图以及原子节点集中原子节点之间的目标距离向量输入第一图注意力模型进行预测，得到原子节点集的第二原子特征。
在一个实施例中，预测模块，包括：
第二确定模块，用于将原子节点集中原子节点之间的目标距离向量、空间分子图以及原子节点集的第一原子特征输入第一图注意力模型进行预测，得到边集合中连边的目标特征表征；
第三确定模块，用于利用第一图注意力模型对原子节点集的第一原子特征、原子节点集中原子节点之间的目标距离向量以及边集合中连边的目标特征表征进行预测，得到原子节点集的第二原子特征。
在一个实施例中，第二确定模块，包括：
邻居边确定模块，用于确定边集合中第i原子节点与第j原子节点之间的连边的邻居边集，i与j均为整数，且1≤i≤N，1≤j≤M，N为原子节点集中原子节点的总数，M为与第i原子节点之间存在连边的原子节点数量；
第一确定子模块，用于利用邻居边集中连边的原子节点之间的目标距离向量、邻居边集中连边的原子节点的第一原子特征、第一图注意力模型中的第一激活函数、第一变换矩阵以及偏移向量，确定邻居边集中连边的初始特征表征；
第二确定子模块，用于基于邻居边集中连边的初始特征表征、第一图注意力模型中的第一权重矩阵、第二激励函数以及第一注意力权重，确定第一标准化权重；
第三确定子模块，用于根据邻居边集中连边的初始特征表征、第一标准化权重以及第一图注意力模型中的第一权重矩阵，确定第i原子节点与第j原子节点之间的连边的目标特征表征。
在一个实施例中，第二确定模块，包括：
第四确定子模块，用于确定第i原子节点的目标邻居边集合，目标邻居边集合中任一连边的终点为第i原子节点；
第五确定子模块，用于基于目标邻居边集合中连边的目标特征表征、第i原子节点的第一原子特征、目标邻居边集合中连边的原子节点之间的目标距离向量、第一图注意力模型中的第二注意力权重、第二变换矩阵以及第二权重矩阵，确定第i原子节点的第二原子特征。
上述各实施例的药物与靶点间的相关性确定装置为实现上述各实施例的药物与靶点间的相关性确定方法的装置，技术特征对应，技术效果对应，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
本申请实施例的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的药物与靶点间的相关性确定方法。
本申请实施例的计算机程序产品，包括计算机程序，计算机程序用于使计算机执行本申请各实施例提供的药物与靶点间的相关性确定方法。
图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如药物与靶点间的相关性确定方法。例如，在一些实施例中，药物与靶点间的相关性确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的药物与靶点间的相关性确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行药物与靶点间的相关性确定方法。本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (15)

1.一种药物与靶点间的相关性确定方法，该方法包括：
建立候选药物与靶点的空间分子图，所述空间分子图包括原子节点集以及边集合，所述原子节点集包括所述候选药物中的原子以及所述靶点中的原子，所述边集合包括至少一条原子连边；
将所述原子节点集的第一原子特征以及所述空间分子图输入第一图注意力模型进行预测，得到所述原子节点集的第二原子特征；
基于所述原子节点集的第二原子特征，确定所述候选药物与所述靶点之间的相关性参数值。
2.根据权利要求1所述的方法，其中，所述建立候选药物与靶点的空间分子图，包括：
基于所述原子节点集中原子节点之间的距离，建立所述空间分子图；
其中，所述边集合中任一连边的两个原子节点之间的距离小于或等于预设距离阈值。
3.根据权利要求1所述的方法，其中，所述将所述原子节点集的第一原子特征以及所述空间分子图输入第一图注意力模型进行预测，得到所述原子节点集的第二原子特征之前，还包括：
对所述原子节点集中原子节点之间的距离进行编码，得到所述原子节点集中原子节点之间的第一距离向量；
对所述原子节点集中原子节点之间的第一距离向量进行转换，得到所述原子节点集中原子节点之间的目标距离向量；
其中，所述将所述原子节点集的第一原子特征以及所述空间分子图输入第一图注意力模型进行预测，得到所述原子节点集的第二原子特征，包括：
将所述原子节点集的第一原子特征、所述空间分子图以及所述原子节点集中原子节点之间的目标距离向量输入所述第一图注意力模型进行预测，得到所述原子节点集的第二原子特征。
4.根据权利要求3所述的方法，其中，所述将所述原子节点集的第一原子特征、所述空间分子图以及所述原子节点集中原子节点之间的目标距离向量输入所述第一图注意力模型进行预测，得到所述原子节点集的第二原子特征，包括：
将所述原子节点集中原子节点之间的目标距离向量、所述空间分子图以及所述原子节点集的第一原子特征输入所述第一图注意力模型进行预测，得到所述边集合中连边的目标特征表征；
利用所述第一图注意力模型对所述原子节点集的第一原子特征、所述原子节点集中原子节点之间的目标距离向量以及所述边集合中连边的目标特征表征进行预测，得到所述原子节点集的第二原子特征。
5.根据权利要求4所述的方法，其中，所述将所述原子节点集中原子节点之间的目标距离向量、所述空间分子图以及所述原子节点集的第一原子特征输入所述第一图注意力模型进行预测，得到所述边集合中连边的目标特征表征，包括：
确定所述边集合中第i原子节点与第j原子节点之间的连边的邻居边集，i与j均为整数，且1≤i≤N，1≤j≤M，N为所述原子节点集中原子节点的总数，M为与所述第i原子节点之间存在连边的原子节点数量；
利用所述邻居边集中连边的原子节点之间的目标距离向量、所述邻居边集中连边的原子节点的第一原子特征、所述第一图注意力模型中的第一激活函数、第一变换矩阵以及偏移向量，确定所述邻居边集中连边的初始特征表征；
基于所述邻居边集中连边的初始特征表征、所述第一图注意力模型中的第一权重矩阵、第二激励函数以及第一注意力权重，确定第一标准化权重；
根据所述邻居边集中连边的初始特征表征、所述第一标准化权重以及所述第一图注意力模型中的第一权重矩阵，确定所述第i原子节点与所述第j原子节点之间的连边的目标特征表征。
6.根据权利要求5所述的方法，其中，所述利用所述第一图注意力模型对所述原子节点集的第一原子特征、所述原子节点集中原子节点之间的目标距离向量以及所述边集合中连边的目标特征表征进行预测，得到所述原子节点集的第二原子特征，包括：
确定所述第i原子节点的目标邻居边集合，所述目标邻居边集合中任一连边的终点为所述第i原子节点；
基于所述目标邻居边集合中连边的目标特征表征、所述第i原子节点的第一原子特征、所述目标邻居边集合中连边的原子节点之间的目标距离向量、所述第一图注意力模型中的第二注意力权重、第二变换矩阵以及第二权重矩阵，确定所述第i原子节点的第二原子特征。
7.一种药物与靶点间的相关性确定装置，该装置包括：
建立模块，用于建立候选药物与靶点的空间分子图，所述空间分子图包括原子节点集以及边集合，所述原子节点集包括所述候选药物中的原子以及所述靶点中的原子，所述边集合包括至少一条原子连边；
预测模块，用于将所述原子节点集的第一原子特征以及所述空间分子图输入第一图注意力模型进行预测，得到所述原子节点集的第二原子特征；
第一确定模块，用于基于所述原子节点集的第二原子特征，确定所述候选药物与所述靶点之间的相关性参数值。
8.根据权利要求7所述的装置，其中，所述建立候选药物与靶点的空间分子图，包括：
基于所述原子节点集中原子节点之间的距离，建立所述空间分子图；
其中，所述边集合中任一连边的两个原子节点之间的距离小于或等于预设距离阈值。
9.根据权利要求7所述的装置，其中，所述装置还包括：
编码模块，用于对所述原子节点集中原子节点之间的距离进行编码，得到所述原子节点集中原子节点之间的第一距离向量；
第一转换模块，用于对所述原子节点集中原子节点之间的第一距离向量进行转换，得到所述原子节点集中原子节点之间的目标距离向量；
其中，所述将所述原子节点集的第一原子特征以及所述空间分子图输入第一图注意力模型进行预测，得到所述原子节点集的第二原子特征，包括：
将所述原子节点集的第一原子特征、所述空间分子图以及所述原子节点集中原子节点之间的目标距离向量输入所述第一图注意力模型进行预测，得到所述原子节点集的第二原子特征。
10.根据权利要求9所述的装置，其中，所述预测模块，包括：
第二确定模块，用于将所述原子节点集中原子节点之间的目标距离向量、所述空间分子图以及所述原子节点集的第一原子特征输入所述第一图注意力模型进行预测，得到所述边集合中连边的目标特征表征；
第三确定模块，用于利用所述第一图注意力模型对所述原子节点集的第一原子特征、所述原子节点集中原子节点之间的目标距离向量以及所述边集合中连边的目标特征表征进行预测，得到所述原子节点集的第二原子特征。
11.根据权利要求10所述的装置，其中，所述第二确定模块，包括：
邻居边确定模块，用于确定所述边集合中第i原子节点与第j原子节点之间的连边的邻居边集，i与j均为整数，且1≤i≤N，1≤j≤M，N为所述原子节点集中原子节点的总数，M为与所述第i原子节点之间存在连边的原子节点数量；
第一确定子模块，用于利用所述邻居边集中连边的原子节点之间的目标距离向量、所述邻居边集中连边的原子节点的第一原子特征、所述第一图注意力模型中的第一激活函数、第一变换矩阵以及偏移向量，确定所述邻居边集中连边的初始特征表征；
第二确定子模块，用于基于所述邻居边集中连边的初始特征表征、所述第一图注意力模型中的第一权重矩阵、第二激励函数以及第一注意力权重，确定第一标准化权重；
第三确定子模块，用于根据所述邻居边集中连边的初始特征表征、所述第一标准化权重以及所述第一图注意力模型中的第一权重矩阵，确定所述第i原子节点与所述第j原子节点之间的连边的目标特征表征。
12.根据权利要求11所述的装置，其中，所述第二确定模块，包括：
第四确定子模块，用于确定所述第i原子节点的目标邻居边集合，所述目标邻居边集合中任一连边的终点为所述第i原子节点；
第五确定子模块，用于基于所述目标邻居边集合中连边的目标特征表征、所述第i原子节点的第一原子特征、所述目标邻居边集合中连边的原子节点之间的目标距离向量、所述第一图注意力模型中的第二注意力权重、第二变换矩阵以及第二权重矩阵，确定所述第i原子节点的第二原子特征。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6任一所述的药物与靶点间的相关性确定方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6任一所述的药物与靶点间的相关性确定方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一所述的药物与靶点间的相关性确定方法。
CN202110367301.8A 2021-04-06 2021-04-06 一种药物与靶点间的相关性确定方法、装置及电子设备 Pending CN112908429A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110367301.8A CN112908429A (zh) 2021-04-06 2021-04-06 一种药物与靶点间的相关性确定方法、装置及电子设备
US17/570,505 US20220130495A1 (en) 2021-04-06 2022-01-07 Method and Device for Determining Correlation Between Drug and Target, and Electronic Device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110367301.8A CN112908429A (zh) 2021-04-06 2021-04-06 一种药物与靶点间的相关性确定方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN112908429A true CN112908429A (zh) 2021-06-04

Family

ID=76110003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110367301.8A Pending CN112908429A (zh) 2021-04-06 2021-04-06 一种药物与靶点间的相关性确定方法、装置及电子设备

Country Status (2)

Country Link
US (1) US20220130495A1 (zh)
CN (1) CN112908429A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117060A (zh) * 2021-10-26 2022-03-01 苏州浪潮智能科技有限公司 评论数据的质量分析方法、装置、电子设备及存储介质
CN114420309A (zh) * 2021-09-13 2022-04-29 北京百度网讯科技有限公司 建立药物协同作用预测模型的方法、预测方法及对应装置
CN115620807A (zh) * 2022-12-19 2023-01-17 粤港澳大湾区数字经济研究院(福田) 靶点蛋白分子与药物分子之间相互作用强度的预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111755078A (zh) * 2020-07-30 2020-10-09 腾讯科技（深圳）有限公司 药物分子属性确定方法、装置及存储介质
CN112037856A (zh) * 2020-09-30 2020-12-04 华中农业大学 基于注意力神经网络的药物互作用及事件预测方法和模型

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111755078A (zh) * 2020-07-30 2020-10-09 腾讯科技（深圳）有限公司 药物分子属性确定方法、装置及存储介质
CN112037856A (zh) * 2020-09-30 2020-12-04 华中农业大学 基于注意力神经网络的药物互作用及事件预测方法和模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JINGBO ZHOU 等: "Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction", ARXIV, pages 3 - 4 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114420309A (zh) * 2021-09-13 2022-04-29 北京百度网讯科技有限公司 建立药物协同作用预测模型的方法、预测方法及对应装置
CN114420309B (zh) * 2021-09-13 2023-11-21 北京百度网讯科技有限公司 建立药物协同作用预测模型的方法、预测方法及对应装置
CN114117060A (zh) * 2021-10-26 2022-03-01 苏州浪潮智能科技有限公司 评论数据的质量分析方法、装置、电子设备及存储介质
CN114117060B (zh) * 2021-10-26 2023-11-17 苏州浪潮智能科技有限公司 评论数据的质量分析方法、装置、电子设备及存储介质
CN115620807A (zh) * 2022-12-19 2023-01-17 粤港澳大湾区数字经济研究院(福田) 靶点蛋白分子与药物分子之间相互作用强度的预测方法

Also Published As

Publication number Publication date
US20220130495A1 (en) 2022-04-28

Similar Documents

Publication Publication Date Title
CN112908429A (zh) 一种药物与靶点间的相关性确定方法、装置及电子设备
CN113241126B (zh) 用于训练确定分子结合力的预测模型的方法和装置
CN112580733A (zh) 分类模型的训练方法、装置、设备以及存储介质
CN112668722A (zh) 量子电路处理方法、装置、设备、存储介质及产品
CN114357105A (zh) 地理预训练模型的预训练方法及模型微调方法
CN113705628A (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
KR20220042315A (ko) 교통 데이터 예측 방법, 장치 및 전자 기기
CN115222046A (zh) 神经网络结构搜索方法、装置、电子设备及存储介质
CN112966140B (zh) 字段识别方法、装置、电子设备、存储介质和程序产品
US20220383064A1 (en) Information processing method and device
CN114580643B (zh) 确定方法、模型处理方法、装置、设备及存储介质
CN115458040A (zh) 蛋白质的生成方法、装置、电子设备及存储介质
CN113642654B (zh) 图像特征的融合方法、装置、电子设备和存储介质
CN115687764A (zh) 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置
CN113961720A (zh) 预测实体关系的方法和关系预测模型的训练方法、装置
CN114429801A (zh) 数据处理方法、训练方法、识别方法、装置、设备及介质
CN113297443A (zh) 分类方法、装置、计算设备和介质
CN112559640A (zh) 图谱表征***的训练方法及装置
CN114446413B (zh) 一种分子性质预测方法、装置及电子设备
CN115018009B (zh) 对象描述方法、网络模型的训练方法及装置
CN114661842B (zh) 地图匹配方法、装置和电子设备
CN115131453B (zh) 颜色填充模型训练、颜色填充方法及装置、电子设备
CN117522614B (zh) 一种数据的处理方法、装置、电子设备及存储介质
CN116416500B (zh) 图像识别模型训练方法、图像识别方法、装置及电子设备
CN116341634B (zh) 神经结构搜索模型的训练方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination