一种基于深度图神经网络的药物靶标激活与抑制关系预测方法

本发明公开了一种基于深度图神经网络的药物靶标激活与抑制关系预测方法，旨在提高对药物与靶标间激活或抑制作用机制的建模精度和预测性能。该方法基于细粒度图交互建模机制，融合药物分子的多尺度结构特征与蛋白质残基级别的三维空间结构信息，构建药物与蛋白质之间的异构交互图。首先，通过公开数据库获取具有激活/抑制标签的药物‑靶标样本，利用AlphaFold2预测蛋白质结构，并构建蛋白质残基图与药物分子图。药物图特征通过子图分解、原子级特征提取和图神经网络编码获得多尺度结构语义表示；蛋白质图节点特征结合由预训练语言模型生成的上下文嵌入、DSSP编码、二级结构谱与原子结构特征构建，边特征基于残基间几何关系设计。随后，基于空间距离、生化相似性等约束建立药物原子与蛋白质残基之间的细粒度映射关系，构建交互图，并通过GraphSAGE网络进行编码。最终，将交互后的多源嵌入进行融合，通过多层感知机完成激活/抑制关系的预测。模型训练中采用交叉熵损失函数、Adam优化器与超参数网格搜索；评估阶段采用五折交叉验证与独立测试集，并使用精确率、召回率、F1分数、特异性和马修斯相关系数等指标综合评估模型性能。实验结果表明，相较于现有方法，本发明在预测准确性和机制解释性方面均具有显著提升，具有良好的泛化能力和应用前景，适用于药物作用机制研究与新药发现等多个领域。