一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法

本发明涉及人工智能，尤其涉及一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法。

背景技术：

1、药物靶标相互作用预测（dti）在新药研发和药物再利用中具有核心地位。传统的体外实验方法尽管准确性较高，但往往成本昂贵、周期漫长，难以支撑大规模药物筛选与分析。相比之下，深度学习为该问题提供了一种高效的计算替代方案，能够在大幅缩减候选化合物范围的同时提升药物和靶标的识别效率。其中，基于图神经网络的建模方法近年来逐渐成为研究热点，并在dti预测领域展现出独特优势。例如，提出一种基于基因本体信息与表达谱数据构建图神经网络的方法，用于提高目标预测的准确性；也有研究通过将图卷积神经网络应用于药物分子图和蛋白序列表征，实现了更具泛化性的dti预测。这类方法能够捕捉图结构中的长程依赖关系，从而有效刻画生物网络的拓扑特征及复杂的药物分子和靶蛋白的交互模式。

2、尽管现有方法已取得进展，但仍面临三方面的挑战：（1）多模态融合虽能利用模态间的互补性提升预测精度与泛化能力，但如何有效处理多模态融合中引入的固有噪声仍是一大挑战，这类噪声不仅可能削弱模型预测的稳定性，还可能导致假阳性结果增加；（2）另一项重要挑战在于已知的dti关系数量有限，而获取高质量实验标注的成本极其高昂，这直接限制了模型的泛化能力；（3）预测结果缺乏可解释性为此，为此，提出一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法。

技术实现思路

1、本发明的目的是为了解决现有技术中的问题，而提出的一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法。

2、一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法，包括以下步骤：

3、s1、获取药物分子数据和靶蛋白序列数据，构建药物-靶标异质图网络；所述异质图网络中，药物和靶标表示图中的节点，药物与靶标之间的相互作用关系表示节点之间的边；

4、s2、利用图神经网络对所述异质图网络进行特征提取，并通过注意力机制计算所述异质图网络中每个节点与其邻居节点之间的注意力系数，进而更新节点的特征表示；

5、s3、基于所述异质图网络，采用多核映射方法对多个视图下的数据进行处理，以学习多模态数据的差异化分布，并将不同视图下的特征表示映射到统一的希尔伯特空间；其中，所述多个视图包括节点视图、边视图和网络视图；

6、s4、构建对比学习损失函数，利用所述多核映射后得到的特征表示进行对比学习，以优化模型的特征表征能力；

7、s5、利用预训练语言模型对药物-靶标对的特征进行优化，并将优化后的特征输入多层感知机，通过softmax函数输出药物-靶标相互作用的二分类预测结果；

8、s6、输出所述注意力机制计算得到的注意力权重，用于对预测结果进行可视化解释。

9、优选地，所述步骤s2中，具体步骤包括：

10、采用图卷积网络对节点特征进行初始编码；

11、通过注意力机制计算每个节点与其邻居节点的注意力系数并进行归一化；

12、利用归一化后的注意力系数对邻居节点的信息进行加权求和；

13、引入多头注意力机制，对多个注意力头的输出取平均，获得最终的综合节点特征表示。

14、优选地，所述步骤s3中，具体步骤包括：

15、通过对异质图数据的节点和板进行随机丢弃操作得到节点视图和边视图，在图神经网络中采用随机失活机制得到网络视图；

16、将不同视图下的数据通过映射函数编码到统一的潜在空间；

17、采用多种核函数将不同视图下的表示映射到统一的希尔伯特空间，得到各视图对应的核矩阵。

18、优选地，所述多种核函数包括余弦相似核函数和拉普拉斯核函数。

19、优选地，所述步骤s4中，对比学习损失函数表示为：

20、

21、其中，表示核函数的数量，表示节点集合，表示样本总数量，表示邻接矩阵，表示第个视图下第个样本经归一化后的特征表示，表示与第个视图对应的第个核函数，表示损失归一化系数，表示指数函数。

22、优选地，所述步骤s5中，利用预训练语言模型对药物-靶标对的特征进行优化具体包括：

23、采用图卷积神经网络与卷积神经网络对药物分子图与药物smiles序列进行编码，提取药物特征向量；

24、采用卷积神经网络对靶标蛋白序列进行编码，提取靶标特征向量；

25、将所述药物特征向量与所述靶标特征向量融合后输入基于llama的预训练语言模型进行特征优化。

26、优选地，所述步骤s5中，模型的总体损失函数为有监督交叉熵损失函数与无监督对比学习损失函数的加权和，用于同时利用有标注数据和无标注数据进行模型训练，所述总体损失函数表示为：

27、

28、其中，为对比学习损失函数，为有监督交叉熵损失函数，和为超参数。

29、优选地，所述步骤s6中，通过可视化药物-靶标相互作用对中注意力权重最高的前n个靶蛋白残基和药物原子，识别关键的分子相互作用位点。

30、优选地，所述模型的优化过程采用小批量采样和随机梯度下降方法，模型参数和核映射权重分别按照以下公式进行迭代更新：

31、

32、

33、其中，表示模型参数，表示第视图的核映射权重，和表示学习率。

34、与现有的技术相比，本发明优点在于：

35、1、本发明通过构建药物-靶标异质图、多核映射融合多模态特征及对比学习机制，有效缓解了标注数据稀缺问题，显著提升了模型在少样本场景下的泛化性能，从而充分挖掘不同视角数据的互补性与一致性，捕获其复杂结构与潜在模式，进而提升模型的预测精度。

36、2、本发明利用注意力机制输出药物原子与靶蛋白残基的注意力权重，使模型能够聚焦于输入特征中最具价值的部分，从而揭示预测背后的分子交互逻辑，揭示药物-靶标相互作用的分子机制，弥补了现有技术中预测结果缺乏可解释性的不足。

1.一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法，其特征在于：所述步骤s2中，具体步骤包括：

3.根据权利要求1所述的一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法，其特征在于：所述步骤s3中，具体步骤包括：

4.根据权利要求3所述的一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法，其特征在于：所述多种核函数包括余弦相似核函数和拉普拉斯核函数。

5.根据权利要求1所述的一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法，其特征在于：所述步骤s4中，对比学习损失函数表示为：

6.根据权利要求1所述的一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法，其特征在于：所述步骤s5中，利用预训练语言模型对药物-靶标对的特征进行优化具体包括：

7.根据权利要求6所述的一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法，其特征在于：所述步骤s5中，模型的总体损失函数为有监督交叉熵损失函数与无监督对比学习损失函数的加权和，用于同时利用有标注数据和无标注数据进行模型训练，所述总体损失函数表示为：

8.根据权利要求1所述的一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法，其特征在于：所述步骤s6中，通过可视化药物-靶标相互作用对中注意力权重最高的前n个靶蛋白残基和药物原子，识别关键的分子相互作用位点。

9.根据权利要求1所述的一种可解释的多模态分子语言模型用于药物-靶标相互作用预测的方法，其特征在于：所述模型的优化过程采用小批量采样和随机梯度下降方法，模型参数和核映射权重分别按照以下公式进行迭代更新：