科创中国
基于深度卷积神经网络的离子通道预测及药物靶标识别研究
发布时间: 2026-08-23
基本信息
合作方式：
技术服务
成果类型：
新技术
行业领域：
新一代信息技术产业
成果介绍
本成果旨在针对离子通道作为仅次于GPCR的第二大药物靶标家族在心律失常、癫痫、癌症等多种重大疾病治疗中的关键地位，开发基于深度卷积神经网络（CNN）的计算预测方法。研究内容涵盖两个层面：一是利用CNN自动提取蛋白质序列中的局部保守基序与空间模式特征，实现离子通道蛋白与非离子通道膜蛋白的高精度分类与预测；二是在此基础上，将预测框架延伸至药物-离子通道相互作用的识别，通过整合靶标序列特征与药物分子结构信息构建端到端的预测模型。本课题顺应了深度学习在生物信息学中从“手工特征工程”向“端到端表征学习”范式转变的趋势，为离子通道相关药物靶标发现与虚拟筛选提供了高效、可扩展的计算工具支撑。
成果亮点
本成果"基于深度卷积神经网络的离子通道预测及药物靶标识别研究"的核心亮点在于顺应了深度学习在生物信息学领域从"手工特征工程"向"端到端表征学习"范式转变的趋势，将卷积神经网络（CNN）创新性地引入离子通道这一重要药物靶标家族的计算预测任务中。其技术独创性体现在两个层面：一是精准捕获序列中的局部保守基序，CNN通过卷积核自动提取蛋白质序列中与离子通道功能密切相关的局部空间模式与保守序列特征，突破了传统方法依赖人工设计理化属性描述符的局限，与国际上近年兴起的ProtBERT等蛋白质语言模型与CNN融合的离子通道预测思路形成互补；二是从靶标预测延伸至相互作用识别，将预测框架从单纯的离子通道蛋白分类拓展至药物-离子通道相互作用的端到端预测，这与当前药物-靶标相互作用（DTI）预测领域向多通道深度学习模型演进的主流方向一致。本课题以离子通道（仅次于GPCR的第二大药物靶标家族）为切入点，顺应了AlphaFold等深度学习方法在离子通道结构建模领域取得突破后，行业对配套序列水平功能预测工具日益增长的需求，为心律失常、癫痫、癌症等重大疾病相关的离子通道药物靶标发现与虚拟筛选提供了高效、可扩展计算支撑
团队介绍
本课题“基于深度卷积神经网络的离子通道预测及药物靶标识别研究”由河南工学院王鲜芳教授主持，为河南省自然科学基金面上项目，旨在针对离子通道作为仅次于GPCR的第二大药物靶标家族的重要地位，开发基于深度卷积神经网络（CNN）的计算预测方法。研究突破传统人工特征工程的局限，利用CNN自动提取蛋白质序列中的局部保守基序与空间模式特征，实现离子通道蛋白与非离子通道膜蛋白的高精度分类；并将预测框架延伸至药物-离子通道相互作用的端到端识别，通过整合靶标序列与药物分子结构信息构建高效预测模型。该成果顺应了深度学习从“手工特征工程”向“端到端表征学习”范式转变的趋势，为心律失常、癫痫、癌症等重大疾病相关的离子通道药物靶标发现与虚拟筛选提供了高效、可扩展的计算工具支撑。课题组依托河南工学院计算机科学与技术学院，成员涵盖人工智能、生物信息学、模式识别等交叉学科背景，在生物大数据处理与药物靶标识别方向积累了扎实的理论基础与工程经验。
成果资料
下载app