药物靶点是能够与药物结合并在细胞内发挥特殊作用的分子，蛋白质是药物的主要分子靶点。我们需要对数千种化合物进行测试和实验，以找到安全有效的药物。因此，药物发现是一个费时费力的过程，有失败的风险。但通过计算药物与靶点相互作用的概率，可以减少药物发现过程中昂贵的损失。为了实现这一目标，越来越多的研究者正在探索其他方法来预测药物与靶点之间的关系。药物靶向关系预测不仅可以减少药物发现过程中的损失，而且对药物迁移、多药药理学、耐药性预测、副作用预测等都具有指导作用。传统的预测已知药物新靶点的方法是基于小分子、蛋白质靶点或表型特征。现有的药物‑蛋白质关系预测方法有基于机器学习的方法、基于二部局部模型的方法、基于结构的方法、基于深度学习的方法等。对于结构未知的蛋白质，使用基于结构的预测方法得到的回报往往很小，而许多蛋白质的回报却很小。近年来，充分利用药物和靶点的特点，利用基于深度学习和机器学习的方法对药物和靶点的性能进行预测。虽然越来越多的研究表明深度学习可以用来预测药物靶向关系，但是现有的预测方法需要依赖于手工进行特征的提取，这种特征提取的方式必然会受到人为主观因素的影响，导致对特征的提取不准确，进而影响药物靶标相互作用预测的准确性。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。本发明适用于药物与靶标关系预测技术领域，通过实验对比发现，本发明方法的性能明显优于现有的NRLMF、DTINet、DTI‑CNN方法。本发明方法克服了现有方法需要依赖手工提取特征的问题，使提取到的特征准确，通过实验证明，采用本发明方法获得的Roc面积为0 .9616，获得的PR面积为0.9612，明显高于现有方法，提高了对药物靶标相互作用预测的准确性。

东北林业大学

该项目为储备库项目资源，暂无效益分析内容。