药物靶点相互作用分析方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术，可用于医疗健康领域，尤其涉及一种药物靶点相互作用分析方法、装置、电子设备及存储介质。


背景技术：

2.在医疗科技领域，药物靶点相互作用(drug-target interaction，dti)是指药物分子与生物体内的蛋白质或其他大分子之间的结合作用，是药物发现过程中的重要环节。通过预测药物与潜在靶点的相互作用，可以筛选出具有治疗效果的候选药物，同时避免不良反应和副作用。因此，需要分析药物靶点相互作用。
3.但是现有的药物靶点相互作用需要利用专业的数据训练专门的神经网络模型，需要大量的标注数据进行模型的训练更新，导致药物靶点相互作用分析的便利性较差。


技术实现要素：

4.本发明提供一种药物靶点相互作用分析方法、装置、电子设备及存储介质，其主要目的在于提高药物靶点相互作用分析的便利性。
5.获取目标药物与目标靶点蛋白；
6.基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句；
7.获取药物靶点信息集，其中，所述药物靶点信息集中的每个药物靶点信息，包括：示例药物、示例靶点蛋白及所述示例药物与所述示例靶点蛋白的相互作用关系；
8.基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本；
9.基于所述药物靶点相互作用样本的格式，构建所述目标药物与所述目标靶点蛋白的相互作用关系的查询样本；
10.基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果。
11.可选地，所述基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句，包括：
12.将所述药物靶点相互作用分析语句模板中的预设药物占位符替换为所述目标药物，得到初始模板语句；
13.将所述初始模板语句中的预设靶点蛋白占位符替换为所述目标靶点蛋白，得到所述相互作用分析任务语句。
14.可选地，所述相互作用关系为相关或不相关。
15.可选地，所述药物靶点信息集中相互作用关系为相关的药物靶点信息数量大于预
设数量，其中，所述预设数量为所述药物靶点信息集中药物靶点信息的总数量与预设比例的乘积。
16.可选地，所述基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本，包括：
17.获取所述目标药物的格式，得到药物格式；
18.获取所述目标靶点蛋白的格式，得到靶点蛋白格式；
19.将所述药物靶点信息中的示例药物转换为所述药物格式，得到所述药物靶点信息对应的目标示例药物；
20.将所述药物靶点信息中的示例靶点蛋白转换为所述靶点蛋白格式，得到所述药物靶点信息对应的目标示例靶点蛋白；
21.根据所述药物靶点信息对应的目标示例药物及目标示例靶点蛋白、所述药物靶点信息中的相互作用关系，利用预设的连接符号进行连接，得到该药物靶点信息对应的药物靶点相互作用样本。
22.可选地，所述基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果，包括：
23.将所述相互作用分析任务语句、所有所述药物靶点相互作用样本及所述查询样本进行组合，得到输入序列；
24.将所述输入序列输入所述大型语言模型，得到所述大型语言模型输出的输出单元；
25.判断所述输出单元是否为预设结束符；
26.当所述输出单元为预设结束符，将所有所述输出单元按照输出的先后顺序进行组合，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果；
27.当所述输出单元为预设结束符，将所述输出单元添加至所述输入序列，以对所述输入序列进行更新，并返回所述将所述输入序列输入所述大型语言模型步骤。
28.为了解决上述问题，本发明还提供一种药物靶点相互作用分析装置，所述装置包括：
29.数据获取模块，用于获取目标药物与目标靶点蛋白；
30.样本构建模块，用于基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句；获取药物靶点信息集，其中，所述药物靶点信息集中的每个药物靶点信息，包括：示例药物、示例靶点蛋白及所述示例药物与所述示例靶点蛋白的相互作用关系；基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本；基于所述药物靶点相互作用样本的格式，构建所述目标药物与所述目标靶点蛋白的相互作用关系的查询样本；
31.模型分析模块，用于基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果。
32.可选地，所述基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所
述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果，包括：
33.将所述相互作用分析任务语句、所有所述药物靶点相互作用样本及所述查询样本进行组合，得到输入序列；
34.将所述输入序列输入所述大型语言模型，得到所述大型语言模型输出的输出单元；
35.判断所述输出单元是否为预设结束符；
36.当所述输出单元为预设结束符，将所有所述输出单元按照输出的先后顺序进行组合，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果；
37.当所述输出单元为预设结束符，将所述输出单元添加至所述输入序列，以对所述输入序列进行更新，并返回所述将所述输入序列输入所述大型语言模型步骤。
38.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
39.存储器，存储至少一个计算机程序；及
40.处理器，执行所述存储器中存储的计算机程序以实现上述所述的药物靶点相互作用分析方法。
41.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的药物靶点相互作用分析方法。
42.本发明实施例为基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句；基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本；基于所述药物靶点相互作用样本的格式，构建所述目标药物与所述目标靶点蛋白的相互作用关系的查询样本；基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果，只需要利用通过包含少量已知的药物和靶点蛋白的相互作用关系的药物靶点相互作用样本作为示例，帮助大型语言模型理解药物和靶点之间的相互作用关系，进而利用相互作用分析任务语句及查询样本作为分析任务进行自回归分析，即可得到相互作用关系分析结果；不需要获取大量的标注数据训练专门的训练模型进行药物靶点作用相互分析，提高了药物靶点相互作用分析的便利性。因此本发明实施例提出的药物靶点相互作用分析方法、装置、电子设备及可读存储介质提高了药物靶点相互作用分析的便利性。
附图说明
43.图1为本发明一实施例提供的药物靶点相互作用分析方法的流程示意图；
44.图2为本发明一实施例提供的药物靶点相互作用分析装置的模块示意图；
45.图3为本发明一实施例提供的实现药物靶点相互作用分析方法的电子设备的内部结构示意图；
46.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
47.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
48.本发明实施例提供一种药物靶点相互作用分析方法。所述药物靶点相互作用分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述药物靶点相互作用分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
49.参照图1所示的本发明一实施例提供的药物靶点相互作用分析方法的流程示意图，在本发明实施例中，所述药物靶点相互作用分析方法包括以下步骤：
50.s1、获取目标药物与目标靶点蛋白；
51.本发明实施例中所述目标药物与所述目标靶点蛋白为需要进行相互作用分析的药物及靶点蛋白。本发明实施例中所述目标药物可以用文本、药物的原始序列或结构来表示。所述目标靶点蛋白可以用文本、蛋白的原始序列或结构表示。
52.s2、基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句；
53.本发明实施例中所述药物靶点相互作用分析语句模板是用自然语言描述任务的目标和要求的语句模板。
54.详细地，本发明实施例中所述基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句，包括：
55.将所述药物靶点相互作用分析语句模板中的预设药物占位符替换为所述目标药物，得到初始模板语句；
56.将所述初始模板语句中的预设靶点蛋白占位符替换为所述目标靶点蛋白，得到所述相互作用分析任务语句。
57.例如：所述目标药物为“阿司匹林”，所述目标靶点蛋白为“血小板活化因子受体”，所述药物靶点相互作用分析语句模板为“预测给定药物与给定靶点之间是否存在相互作用，并给出解释和依据”，其中，所述预设药物占位符为“给定药物”，所述预设靶点蛋白占位符为“给定靶点”，那么，所述相互作用分析任务语句为“预测阿司匹林与血小板活化因子受体之间是否存在相互作用，并给出解释和依据”。
58.s3、获取药物靶点信息集，其中，所述药物靶点信息集中的每个药物靶点信息，包括：示例药物、示例靶点蛋白及所述示例药物与所述示例靶点蛋白的相互作用关系；
59.本发明实施例中为了使得后续模型学习已知的药物和靶点蛋白的相互作用关系，获取药物靶点信息集，其中，所述药物靶点信息集中的每个药物靶点信息，包括：示例药物、示例靶点蛋白及所述示例药物与所述示例靶点蛋白的相互作用关系，所述药物靶点信息集中包含了少量的药物靶点信息，可选地，所述药物靶点信息集中包含4条药物靶点信息。
60.具体地，本发明实施例中所述相互作用关系为相关或不相关，本发明实施例中可
用文本或符号标识相互作用关系，如：用“是”表示相关，用“否”表示不相关，本发明实施例对此不作限制。
61.进一步地，本发明实施例中所述药物靶点信息集中相互作用关系为相关的药物靶点信息数量大于预设数量，其中，所述预设数量为所述药物靶点信息集中药物靶点信息的总数量与预设比例的乘积。具体地，本发明实施例中所述预设比例为大于0小于1的一个实数。
62.s4、基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本；
63.本发明实施例中所述基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本，包括：
64.获取所述目标药物的格式，得到药物格式；
65.获取所述目标靶点蛋白的格式，得到靶点蛋白格式；
66.将所述药物靶点信息中的示例药物转换为所述药物格式，得到所述药物靶点信息对应的目标示例药物；
67.将所述药物靶点信息中的示例靶点蛋白转换为所述靶点蛋白格式，得到所述药物靶点信息对应的目标示例靶点蛋白；
68.根据所述药物靶点信息对应的目标示例药物及目标示例靶点蛋白、所述药物靶点信息中的相互作用关系，利用预设的连接符号进行连接，得到该药物靶点信息对应的药物靶点相互作用样本。
69.例如：药物靶点信息a对应的目标示例药物为“阿司匹林”，药物靶点信息a对应的目标示例靶点蛋白为“血小板活化因子受体”，药物药物靶点信息a中的相互作用关系为“是”，所述连接符号为
“‑”
，那么药物靶点信息a对应的药物靶点相互作用样本为“阿司匹林-血小板活化因子受体-是”。
70.s5、基于所述药物靶点相互作用样本的格式，构建所述目标药物与所述目标靶点蛋白的相互作用关系的查询样本；
71.本发明实施例中基于所述药物靶点相互作用样本的格式，构建所述目标药物与所述目标靶点蛋白的相互作用关系的查询样本，包括：
72.按照所述药物靶点相互作用样本中目标示例药物及目标示例靶点蛋白连接的格式，将所述目标药物与所述目标靶点蛋白进行相同格式的连接，得到所述查询样本。
73.s6、基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果。
74.本发明实施例中所述大型语言模型为预训练好的llm((large language model，大型语言模型)，如gpt-3等。要解释的是llm已经从大规模的文本数据中学习了药物和靶点的相关知识，如结构、功能、相似性、相互作用等。
75.详细地，本发明实施例中所述基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果，包括：
76.将所述相互作用分析任务语句、所有所述药物靶点相互作用样本及所述查询样本
进行组合，得到输入序列；
77.将所述输入序列输入所述大型语言模型，得到所述大型语言模型输出的输出单元；
78.判断所述输出单元是否为预设结束符；
79.当所述输出单元为预设结束符，将所有所述输出单元按照输出的先后顺序进行组合，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果；
80.当所述输出单元为预设结束符，将所述输出单元添加至所述输入序列，以对所述输入序列进行更新，并返回所述将所述输入序列输入所述大型语言模型步骤。
81.可选地，本发明实施例中所述预设结束符为用来表示输出单元生成结束的特殊值或标志，如eof(end of file)，eol(end of line)，eot(end of transmission)等，本发明实施例对此不作限制。
82.进一步地，本发明实施例中所述将所述相互作用分析任务语句、所有所述药物靶点相互作用样本及所述查询样本进行组合，得到输入序列，包括：
83.将所述相互作用分析任务语句确定为任务指令；
84.将所有所述药物靶点相互作用样本确定为示例对；
85.将所述查询样本确定为查询对；
86.利用预设的分隔符将所述任务指令、所述示例对、所述查询对进行组合，得到所述输入序列。
87.例如：所述相互作用分析任务语句为“预测阿司匹林与血小板活化因子受体之间是否存在相互作用，并给出解释和依据”，共有所述药物靶点相互作用样本分别为阿司匹林-环氧合酶-是、阿司匹林-血小板活化因子受体-是、阿司匹林-血管紧张素转换酶-否、阿司匹林-胆碱乙酰化酶-否；查询样本为阿司匹林-血管紧张素ii受体；那么任务指令为“预测阿司匹林与血小板活化因子受体之间是否存在相互作用，并给出解释和依据”，示例对为：“示例对：阿司匹林-环氧合酶-是阿司匹林-血小板活化因子受体-是阿司匹林-血管紧张素转换酶-否阿司匹林-胆碱乙酰化酶-否”，查询对为：“查询对：阿司匹林-血管紧张素ii受体”，分割符为\n，那么所述输入序列为“预测阿司匹林与血小板活化因子受体之间是否存在相互作用，并给出解释和依据\n示例对：阿司匹林-环氧合酶-是阿司匹林-血小板活化因子受体-是阿司匹林-血管紧张素转换酶-否阿司匹林-胆碱乙酰化酶-否\n查询对：阿司匹林-血管紧张素ii受体”。
88.本发明实施例利用所述任务指令使得大型语言模型知道如何根据输入序列中的示例对及指令来学习任务，进而帮助大型语言模型更好地理解和生成序列信息，同时也可以提高输出结果的可解释性和可信度；所述示例对通过若干个已知的药物和靶点蛋白的相互作用关系作为示例，以便于大型语言模型根据这些示例来学习任务，帮助大型语言模型理解药物和靶点之间的相互作用关系，从而提高大型语言模型的表示能力和泛化能力。同时，示例对作为输入序列的一部分，指引大型语言模型根据输入序列中的任务指令和查询对来生成输出序列；所述查询对可以帮助大型语言模型理解目标药物与所述目标靶点蛋白的相互作用的预测目标；所述分隔符用来分隔任务指令、示例对及查询对，便于模型更准确的理解各个输入序列中的各个部分，可以为“\n”、“|”、“,”等，本发明实施例对此不作限制。
89.如图2所示，是本发明药物靶点相互作用分析装置的功能模块图。
90.本发明所述药物靶点相互作用分析装置100可以安装于电子设备中。根据实现的功能，所述药物靶点相互作用分析装置可以包括数据获取模块101、样本构建模块102、模型分析模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
91.在本实施例中，关于各模块/单元的功能如下：
92.所述数据获取模块101用于获取目标药物与目标靶点蛋白；
93.所述样本构建模块102用于基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句；获取药物靶点信息集，其中，所述药物靶点信息集中的每个药物靶点信息，包括：示例药物、示例靶点蛋白及所述示例药物与所述示例靶点蛋白的相互作用关系；基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本；基于所述药物靶点相互作用样本的格式，构建所述目标药物与所述目标靶点蛋白的相互作用关系的查询样本；
94.所述模型分析模块103用于基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果。
95.详细地，本发明实施例中所述药物靶点相互作用分析装置100中所述的各模块在使用时采用与上述图1中所述的药物靶点相互作用分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
96.如图3所示，是本发明实现药物靶点相互作用分析方法的电子设备的结构示意图。
97.所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如药物靶点相互作用分析程序。
98.其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如药物靶点相互作用分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
99.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如药物靶点相互作用分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
100.所述通信总线12可以是外设部件互连标准(peripheralcomponent interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
101.图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
102.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
103.可选地，所述通信接口13可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
104.可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
105.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
106.所述电子设备中的所述存储器11存储的药物靶点相互作用分析程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
107.获取目标药物与目标靶点蛋白；
108.基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句；
109.获取药物靶点信息集，其中，所述药物靶点信息集中的每个药物靶点信息，包括：示例药物、示例靶点蛋白及所述示例药物与所述示例靶点蛋白的相互作用关系；
110.基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本；
111.基于所述药物靶点相互作用样本的格式，构建所述目标药物与所述目标靶点蛋白的相互作用关系的查询样本；
112.基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果。
113.具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
114.进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
115.本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
116.获取目标药物与目标靶点蛋白；
117.基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句；
118.获取药物靶点信息集，其中，所述药物靶点信息集中的每个药物靶点信息，包括：示例药物、示例靶点蛋白及所述示例药物与所述示例靶点蛋白的相互作用关系；
119.基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本；
120.基于所述药物靶点相互作用样本的格式，构建所述目标药物与所述目标靶点蛋白的相互作用关系的查询样本；
121.基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果。
122.进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
123.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
124.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
125.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
126.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
127.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
128.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本
发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
129.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
130.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
131.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种药物靶点相互作用分析方法，其特征在于，所述方法包括：获取目标药物与目标靶点蛋白；基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句；获取药物靶点信息集，其中，所述药物靶点信息集中的每个药物靶点信息，包括：示例药物、示例靶点蛋白及所述示例药物与所述示例靶点蛋白的相互作用关系；基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本；基于所述药物靶点相互作用样本的格式，构建所述目标药物与所述目标靶点蛋白的相互作用关系的查询样本；基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果。2.如权利要求1所述的药物靶点相互作用分析方法，其特征在于，所述基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句，包括：将所述药物靶点相互作用分析语句模板中的预设药物占位符替换为所述目标药物，得到初始模板语句；将所述初始模板语句中的预设靶点蛋白占位符替换为所述目标靶点蛋白，得到所述相互作用分析任务语句。3.如权利要求1中所述的药物靶点相互作用分析方法，其特征在于，所述相互作用关系为相关或不相关。4.如权利要求3所述的药物靶点相互作用分析方法，其特征在于，所述药物靶点信息集中相互作用关系为相关的药物靶点信息数量大于预设数量，其中，所述预设数量为所述药物靶点信息集中药物靶点信息的总数量与预设比例的乘积。5.如权利要求1所述的药物靶点相互作用分析方法，其特征在于，所述基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本，包括：获取所述目标药物的格式，得到药物格式；获取所述目标靶点蛋白的格式，得到靶点蛋白格式；将所述药物靶点信息中的示例药物转换为所述药物格式，得到所述药物靶点信息对应的目标示例药物；将所述药物靶点信息中的示例靶点蛋白转换为所述靶点蛋白格式，得到所述药物靶点信息对应的目标示例靶点蛋白；根据所述药物靶点信息对应的目标示例药物及目标示例靶点蛋白、所述药物靶点信息中的相互作用关系，利用预设的连接符号进行连接，得到该药物靶点信息对应的药物靶点相互作用样本。6.如权利要求1至5中任意一项所述的药物靶点相互作用分析方法，其特征在于，所述基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果，包括：
将所述相互作用分析任务语句、所有所述药物靶点相互作用样本及所述查询样本进行组合，得到输入序列；将所述输入序列输入所述大型语言模型，得到所述大型语言模型输出的输出单元；判断所述输出单元是否为预设结束符；当所述输出单元为预设结束符，将所有所述输出单元按照输出的先后顺序进行组合，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果；当所述输出单元为预设结束符，将所述输出单元添加至所述输入序列，以对所述输入序列进行更新，并返回所述将所述输入序列输入所述大型语言模型步骤。7.一种药物靶点相互作用分析装置，其特征在于，包括：数据获取模块，用于获取目标药物与目标靶点蛋白；样本构建模块，用于基于所述目标药物及所述目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到所述目标药物与所述目标靶点蛋白的相互作用分析任务语句；获取药物靶点信息集，其中，所述药物靶点信息集中的每个药物靶点信息，包括：示例药物、示例靶点蛋白及所述示例药物与所述示例靶点蛋白的相互作用关系；基于所述药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本；基于所述药物靶点相互作用样本的格式，构建所述目标药物与所述目标靶点蛋白的相互作用关系的查询样本；模型分析模块，用于基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果。8.如权利要求7所述的药物靶点相互作用分析方法，其特征在于，所述基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果，包括：将所述相互作用分析任务语句、所有所述药物靶点相互作用样本及所述查询样本进行组合，得到输入序列；将所述输入序列输入所述大型语言模型，得到所述大型语言模型输出的输出单元；判断所述输出单元是否为预设结束符；当所述输出单元为预设结束符，将所有所述输出单元按照输出的先后顺序进行组合，得到所述目标药物与所述目标靶点蛋白的相互作用关系分析结果；当所述输出单元为预设结束符，将所述输出单元添加至所述输入序列，以对所述输入序列进行更新，并返回所述将所述输入序列输入所述大型语言模型步骤。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的药物靶点相互作用分析方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处
理器执行时实现如权利要求1至6中任一项所述的药物靶点相互作用分析方法。

技术总结
本发明涉及人工智能技术及数字医疗领域，揭露一种药物靶点相互作用分析方法，包括：基于目标药物及目标靶点蛋白对预构建的药物靶点相互作用分析语句模板进行更新，得到相互作用分析任务语句；基于获取的药物靶点信息集中的每个药物靶点信息构建对应的药物靶点相互作用样本；基于所述药物靶点相互作用样本的格式，构建查询样本；基于所述相互作用分析任务语句、所述药物靶点相互作用样本及所述查询样本，利用预训练的大型语言模型进行自回归分析，得到相互作用关系分析结果。本发明还提出一种药物靶点相互作用分析装置、设备以及介质，可用于医疗领域，提高了药物靶点相互作用分析的便利性。分析的便利性。分析的便利性。


技术研发人员：王俊
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.07.12
技术公布日：2023/10/15