按照2022年度山东省自然科学奖提名公示的相关规定，现将我校王磊同志以第1位完成人，枣庄学院为第1完成单位的“药物靶标蛋白关联预测研究”山东省科自然科学奖推荐项目予以公示。公示期内，任何单位或者个人对公布项目的创新性、先进性、实用性及推荐材料真实性和项目主要完成人、主要完成单位持有异议的，可于公示期内书面或电话向科技处提出。为便于查证事实和处理异议，提出异议的单位或个人应实名举报。
公示联系电话：3786659
公示联系人：孟扬
公示日期：2022年2月15日-2022年2月17日
2022年度山东省自然科学奖提名公示
一、项目名称
药物靶标蛋白关联预测研究
二、提名者及提名意见
山东省教育厅
药物靶标蛋白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发挥着关键作用。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。该项目聚焦计算机辅助药物靶标蛋白关联预测研究，提出了药物化合物分子指纹和蛋白质氨基酸序列数值化编码方法，设计了客观抽取数据隐藏特征深度学习算法，构建了快速精确药物靶标关联预测并行异构框架模型；获授权发明专利15件，出版专著1部，发表论文277篇，其中SCI/EI论文收录214篇次。成果创新性强，得到业内专家高度评价，总体达到国际领先水平，项目成果从计算机科学角度为靶向药物设计提供了新认知及高可信的数据支持和理论依据。
申报材料属实，符合山东省科技奖申报条件，同意提名该成果申报2022年度山东省自然科学奖。
提名该项目为2022年度山东省自然科学奖二等奖。
三、提名等级
二等
四、项目简介
药物靶标蛋白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发挥着关键作用。长期以来，基于生物实验的传统药物靶标识别方法受到精度、通量和成本的限制通常难以展开。项目组聚焦计算机辅助药物靶标蛋白关联预测研究，以蛋白质氨基酸序列、药物化合物结构为研究对象，取得如下创新：
1. 提出蕴含化学属性的药物分子指纹和蕴含生物进化信息的蛋白序列数值化编码新方法，解决了药物分子和靶标蛋白信息量携带不足短板，有助于潜在靶标蛋白隐藏特征的提取。
2. 设计基于图结构深度学习的药物靶标特征提取算法，以深度逐层的方式提取出原始数据的高级抽象特征，解决了自动客观地提取数据本质属性特征技术难题。
3. 构建基于并行异构平台的大规模药物靶标蛋白关联预测模型，通过GPU高度并行的特点加速计算，解决了在保证准确率的前提下有效地提高预测速度问题。
该成果获授权发明专利15件，出版专著1部，发表论文277篇，其中SCI/EI论文收录214篇次；项目成果从计算机科学角度为靶向药物设计提供新认知及高可信的数据支持和理论依据，有效提高新药研发速度，降低研发成本。第三方评价表明，成果总体达到国际领先水平。
五、代表性论文专著目录
序号 |
论文（专著）名称 |
刊名（出版社） |
Doi /ISBN |
发表时间 |
作者（按刊物发表顺序） |
通讯作者 （含共同） |
第一作者 （含共同） |
他引 总次数 |
检索 数据库 |
通讯/一作是否为第一完成人 |
第一署名单位是否为第一完成单位 |
1 |
RFDT: A rotation forest-based predictor for predicting drug-target interactions using drug structure and protein sequence information |
Current Protein and Peptide Science |
10.2174/1389203718666161114111656 |
2018.5 |
王磊，尤著宏，陈兴，闫欣，刘刚，张伟 |
尤著宏，陈兴 |
王磊，尤著宏 |
43 |
SCI-EXPANDED、WOS、ESI、JCR |
是 |
否 |
2 |
A computational-based method for predicting drug–target interactions by using stacked autoencoder deep neural network |
Journal of Computational Biology |
10.1089/cmb.2017.0135 |
2018.3 |
王磊，尤著宏，陈兴，夏士雄，刘峰，闫欣，周勇，宋克俭 |
尤著宏，陈兴 |
王磊，尤著宏 |
60 |
SCI-EXPANDED、WOS、ESI、JCR |
是 |
否 |
3 |
LMTRDA: Using logistic model tree to predict MiRNA-disease associations by fusing multi-source information of sequences and similarities |
PLoS Computational Biology |
10.1371/journal.pcbi.1006865 |
2019.3 |
王磊，尤著宏，陈兴，李阳明，董亚楠，李丽萍，郑凯 |
尤著宏，陈兴 |
王磊，尤著宏 |
25 |
SCI-EXPANDED、WOS、ESI、JCR |
是 |
否 |
4 |
Combining high speed ELM learning with a deep convolutional neural network feature encoding for predicting protein-RNA interactions |
IEEE/ACM Transactions on Computational Biology and Bioinformatics |
10.1109/TCBB.2018.2874267 |
2018.3 |
王磊，尤著宏，黄德双，周峰峰 |
尤著宏 |
王磊 |
12 |
SCI-EXPANDED、WOS、ESI、JCR |
是 |
是 |
5 |
Predicting protein-protein interactions from matrix-based protein sequence using convolution neural network and feature-selective rotation forest |
Scientific Reports |
10.1038/s41598-019-46369-4 |
2019.7 |
王磊，王海峰，刘三荣，闫欣，宋克俭 |
王磊，闫欣 |
王磊 |
16 |
SCI-EXPANDED、WOS、ESI、JCR |
是 |
是 |
合计 |
156 |
|
|
|
六、代表性论文专著被他人引用的情况
序号 |
被引论文专著 |
引文名称及作者 |
引文刊名 |
引文发表时间 |
1 |
RFDT: A rotation forest-based predictor for predicting drug-target interactions using drug structure and protein sequence information |
The missing pieces of artificial intelligence in medicine
Coryandar Gilvary，Neel Madhukar，Jamal Elkhader，Olivier Elemento |
Trends in Pharmacological Sciences |
2019.8 |
2 |
A computational-based method for predicting drug–target interactions by using stacked autoencoder deep neural network |
Artificial intelligence in drug combination therapy
Igor F. Tsigelny |
Briefings in Bioinformatics |
2018.1 |
3 |
LMTRDA: Using logistic model tree to predict MiRNA-disease associations by fusing multi-source information of sequences and similarities |
Benchmark of computational methods for predicting microRNA-disease associations
Zhou Huang, Leibo Liu, Yuanxu Gao, Jiangcheng Shi, Qinghua Cui, Jianwei Li, Yuan Zhou |
Genome Biology |
2019.8 |
4 |
Combining high speed ELM learning with a deep convolutional neural network feature encoding for predicting protein-RNA interactions |
Deep learning for mining protein data
Qiang Shi, Weiya Chen, Siqi Huang, Yan Wang, Zhidong Xue |
Briefings in Bioinformatics |
2021.1 |
5 |
Predicting protein-protein interactions from matrix-based protein sequence using convolution neural network and feature-selective rotation forest |
Pathogen effectors: Exploiting the promiscuity of plant signaling hubs
Evi Ceulemans, Heba M.M. Ibrahim, Barbara De Coninck, Alain Goossens |
Trends in Plant Science |
2021.8 |
七、主要完成人
姓名 |
排名 |
行政职务 |
技术职称 |
工作单位 |
完成单位 |
对本项目贡献 |
王磊 |
1 |
无 |
副教授 |
枣庄学院 |
枣庄学院 |
对第1、2、3创新点做出了贡献，在该项研究工作中投入的工作量占本人工作总量的80%。主要贡献：构建了药物分子和蛋白序列数值化编码方法（王磊，2018，Current Protein and Peptide Science）、深度学习的药物靶标特征提取算法（王磊，2019，PLoS Computational Biology；王磊，2018，IEEE/ACM Transactions on Computational Biology and Bioinformatics；王磊，2019，Scientific Reports）、药物靶标蛋白关联预测模型（王磊，2018，Journal of Computational Biology）等新技术。 |
杨斌 |
2 |
副院长 |
教授 |
枣庄学院 |
枣庄学院 |
对第2、3创新点做出了贡献，在该项研究工作中投入的工作量占本人工作总量的60%。主要贡献：提出了基于复数柔性神经树模型的时滞生成调节网络模型（杨斌，2018，International Journal of Molecular Sciences），设计了基于柔性神经树集成的体细胞突变检测模型（杨斌，2016，Neurocomputing ），构建了基于并行MapReduce云平台的大规模时滞生成调节网络模型（杨斌，2018，Scientific Reports）。 |
屈洪春 |
3 |
无 |
教授 |
枣庄学院 |
枣庄学院 |
对第1、2创新点做出了贡献，在该项研究工作中投入的工作量占本人工作总量的60%。主要贡献：提出了基于仿真的生物授粉编码模型（屈洪春，2018，Computers and electronics in agriculture），构建了结构协同进化无线传感器网络入侵检测中的无监督学习模型（屈洪春，2018，Applied Soft Computing） |
李政伟 |
4 |
无 |
副教授 |
中国矿业大学 |
中国矿业大学 |
对第1、2、3创新点做出了贡献，在该项研究工作中投入的工作量占本人工作总量的50%。主要贡献：构建了基于路径的疾病药物靶标关联预测计算模型（李政伟，2017，PLoS Computational Biology），构建了基于深度表征学习的疾病药物靶标关联预测计算模型（李政伟，2018，Journal of Cellular and Molecular Medicine）,提出了结合进化信息和物理化学特征的蛋白质相互作用预测模型（李政伟，2016，International Journal of Molecular Sciences）。 |
徐丽 |
5 |
无 |
讲师 |
枣庄学院 |
枣庄学院 |
对第2、3创新点做出了贡献，在该项研究工作中投入的工作量占本人工作总量的70%。主要贡献：构建了基于粗糙集理论和亲和传播聚类优化的自适应极限学习机模型（徐丽，2016，Cognitive Computation），提出了基于粒度计算的聚类集成模型（徐丽，2021，Applied Intellligence），提出了双粒度加权集成聚类模型（徐丽，2021，Knowledge-based Systems） |
李梅菊 |
6 |
无 |
讲师 |
枣庄学院 |
枣庄学院 |
对第2创新点做出了贡献，在该项研究工作中投入的工作量占本人工作总量的70%。主要贡献：设计了基于简化和声搜索和编码的超宽带网络算法（李梅菊，2018，Journal of Sensors），提出了基于接收信号强度的网络协议（李梅菊，2018，Journal of Information） |
曹旨昊 |
7 |
无 |
讲师 |
枣庄学院 |
枣庄学院 |
对第2创新点做出了贡献，在该项研究工作中投入的工作量占本人工作总量的60%。主要贡献：提出了基于卷积神经网络的双属性分类模型（曹旨昊，2020，The Visual Computer），设计了非平衡图像识别的CNN-LSVM模型（曹旨昊，2019，Neural Network World） |
八、主要完成单位情况
单位名称 |
排名 |
对本项目主要学术贡献 |
枣庄学院 |
1 |
对第1、2、3创新点做出贡献。 主要学术贡献：构建了基于分子指纹表示的药物化合物分子结构及基于矩阵低秩表示的蛋白质氨基酸序列数值化表征方法；提出了模拟人脑分层结构的深度学习算法框架，用于自动客观地抽取原始数据隐藏特性信息以得到最优特征表示；构建了预测药物靶标蛋白关联的并行异构模型，在提高单线程性能、减少执行和通信延迟及降低CPU工作负载的同时准确预测药物靶标蛋白关联。 |
中国矿业大学 |
2 |
对第2、3创新点做出贡献。 主要学术贡献：构建了包含卷积计算及有深度结构的前馈网络模型，按照层级结构对药物分子结构和蛋白质序列数据进行平移不变策略抽取深度特征；构建了无监督图神经网络模型，通过保留药物-蛋白质网络拓扑结构和节点内容信息，将图顶点表示为低维向量来抽取其隐藏特征。 |
