本技术公开了一种基于Transformer架构的中药多靶标相互作用预测方法，步骤包括创建药物与靶标的交互标签；分别对中药成分数据和靶标蛋白质数据进行特征提取；将中药成分特征向量和靶标特征向量通过交叉注意力机制进行融合；将特征向量F和药物与靶标的交互标签创建数据集；构建并训练Transformer编码器；将待测药物‑靶标数据集输入到训练后的Transformer编码器中，输出每个靶标与中药成分发生相互作用的概率值，其中，中药成分与靶标相互作用的概率值大于预定阈值时，则判定存在相互作用；本发明提供了一种高效、准确的中药多靶标相互作用预测手段，有助于加速中药研究和新药开发过程。
背景技术
中药因其多成分、多靶点的作用机制而呈现出复杂性，预测中药成分与靶标之间的相互作用是一项关键任务。中药由多种化学成分组成，成分间可能存在协同或拮抗作用，且靶标涉及不同生物途径和系统，呈现多靶标、多途径的高度非线性特性，导致现有模型难以准确捕捉复杂关系，使得中药多靶标相互作用预测面临挑战。传统的预测方法通常依赖于生物实验和有限的计算模型，同时由于中药组分之间存在大量复杂信息，给药物-靶标预测带来不确定性。因此，亟需一种高效且准确的方法来解决这些问题。
随着深度学习技术的发展，尤其是Transformer架构的成功应用，通过多头注意力机制和前馈神经网络等模块组合预测药物与靶标之间的相互作用成为可能，然而，现有的模型在处理中药多靶标相互作用预测时存在如何有效提取中药成分和靶标的特征以及如何准确地预测多个靶标的相互作用的问题
实现思路