33、药物重定位中的药物 - 靶点相互作用预测与多机器人任务分配问题解决方案

药物重定位中的药物 - 靶点相互作用预测与多机器人任务分配问题解决方案

在药物研发和机器人应用领域，药物 - 靶点相互作用预测以及多机器人任务分配都是至关重要的研究方向。下面将详细介绍相关的研究方法和成果。

药物 - 靶点相互作用预测

在药物重定位中，准确预测药物 - 靶点相互作用（DTIs）是关键。由于已知的药物 - 靶点相互作用数量有限，且阳性样本远少于阴性样本，因此需要采用半监督学习和深度学习相结合的方法来解决这一问题。

特征提取

首先，研究人员从药物的分子指纹和蛋白质序列中提取特征。药物特征使用 Rcpi 包计算，包括组成、拓扑和几何描述符等；靶点特征通过 PROFEAT 网络服务器获得，涵盖氨基酸组成、二肽组成、自相关等多种描述符。最终，分别为药物和靶点获得了 193 个和 1290 个特征。

每个药物 - 靶点对由特征向量表示，该向量通过连接相应药物和靶点的特征向量形成。例如，一个药物 - 靶点对的特征向量可以表示为：
[ [d_1, d_2, d_3, \cdots, d_{193}, t_1, t_2, t_3, \cdots, t_{1290}] ]
其中，([d_1, d_2, \cdots, d_{193}]) 是对应药物 (d) 的特征向量，([t_1, t_2, \cdots, t_{1290}]) 是对应靶点 (t) 的特征向量。每个样本还会关联一个标签（+1 或 -1）。

模型训练

提出的 DeepSS - DTIs 模型采用半监督深度学习方法，训练过程分为两个连续的阶段：
1. 层式无监督预训练