基于CUDA异构平台的大规模高精度药物-靶标相互作用预测研究

Identification of drug targets is the key to modern drug research and development, and it plays a very important role in drug side effects research, new uses for old drugs and individual treatment. However, traditional drug target identification by bio-experimental methods is often difficult to develop due to limitations of precision, flux and cost. With the rapid development of bioinformatics and computational biology, computer-aided drug-target interaction prediction method has been paid more and more attention by researchers as a fast and accurate mean of drug target recognition. In this project, combine the information of molecular fingerprints and protein amino acid sequence of drug compounds, we propose a drug-target potential interaction prediction method based on CUDA heterogeneous framework and depth learning theory to achieve the goal of research and development of new drugs. Firstly, the study of drug compounds and amino acid sequence numerical coding of new methods; Then, the feature extraction algorithm based on deep learning is used to automatically extract advanced abstract features which can describe the essential attributes of data ; Finally, the CUDA-based machine learning framework is used to quickly and accurately predict the interaction between drug and target. Our research will provide highly reliable data support and theoretical basis for targeted drug design, which is of great scientific significance.

药物靶标的识别是新药研发的关键，它在老药新用、药物毒副作用研究以及个体化治疗中都起着十分重要的作用。然而，受到精度、通量和成本的限制，基于生物实验的传统药物靶标识别方法通常难以展开。随着生物信息学与计算生物学的迅速发展，计算机辅助的药物-靶标相互作用预测方法作为一种快速而准确的药物靶标识别手段，受到越来越多研究者的重视。本项目结合药物化合物分子指纹信息及蛋白质氨基酸序列信息，拟提出一种基于CUDA异构框架和深度学习理论的药物-靶标潜在相互作用预测方法，以实现为新药研发锁定目标、节约成本的目的。首先，研究药物化合物分子及氨基酸序列数值化编码新方法；然后，使用基于深度学习的特征抽取算法自动客观地抽取能定量刻画数据本质属性的高级抽象特征；最后，利用基于CUDA的机器学习框架快速、精确地预测药物-靶标间的相互作用。本项目研究将为靶向药物设计提供高可信的数据支持和理论依据，具有非常重要的科学意义。

随着人们对靶标药物识别在新药研发过程中重要性认识的不断提高，快速准确地分析和预测药物与靶标之间相互作用关系已成为生物信息学领域的热点问题。对其研究将为药物研发实验提供有价值的指导，并对生物医学的发展起到强有力的推动作用。本项目结合药物化合物分子指纹信息与蛋白质氨基酸序列信息，在数值化描述符编码、自动化特征抽取及框架化模型构建方面进行了深入研究，以探索药物-靶标相互作用及其功能行使的规律与本质。本项目按预期计划完成原定目标，主要研究内容包括：（1）为有效描述药物化合物分子结构信息和蛋白质氨基酸序列信息，提出一种基于分子指纹的药物小分子结构数值化表征方法和基于氨基酸序列矩阵低秩表征方法，从而定量描述药物-靶标相互作用内在本质属性。（2）针对药物-靶标相互作用预测中自动客观抽取有代表性特征问题，提出一种基于深度学习算法的药物-靶标特征抽取模型。（3）针对药物-靶标相互作用预测研究中大规模数据高效预测问题，提出一种基于CUDA异构平台的高性能计算模型，实现在保证预测准确率的前提下大幅提高运算速度的目的。本项目共发表论文20篇，其中SCI收录18篇，EI收录2篇。项目设计的多个大规模计算模型均取得了处于领先水平的性能和预测精度，研究工作引起国内外相关研究人员的广泛兴趣。项目的研究成果为加深靶标药物的认知及疾病机理的揭示提供理论上的依据。