欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實(shí)戰(zhàn)洞察。

基于知識(shí)圖譜與推薦系統(tǒng)的藥物靶點(diǎn)預(yù)測:從數(shù)據(jù)到AI模型實(shí)戰(zhàn)

基于知識(shí)圖譜與推薦系統(tǒng)的藥物靶點(diǎn)預(yù)測:從數(shù)據(jù)到AI模型實(shí)戰(zhàn) 簡介本資源是一套面向計(jì)算機(jī)及相關(guān)專業(yè)本科生的課程設(shè)計(jì)與期末大作業(yè)實(shí)戰(zhàn)項(xiàng)目聚焦于生物信息學(xué)交叉場景——利用知識(shí)圖譜與推薦系統(tǒng)協(xié)同預(yù)測藥物-靶點(diǎn)相互作用。項(xiàng)目代碼完整、結(jié)構(gòu)清晰涵蓋數(shù)據(jù)預(yù)處理如hetionet.py、yamanishi_08.py、知識(shí)圖譜構(gòu)建BioKG.py、多種推薦模型實(shí)現(xiàn)deepdti.py、kge_rf.py、kge_nfm.py及訓(xùn)練評(píng)估全流程配套詳細(xì)操作指南與環(huán)境配置說明Pipfile、requirements.txt、README.md。壓縮包共40個(gè)文件含9個(gè)核心Python腳本、6個(gè).DS_Store占位文件、1個(gè)說明文檔、1個(gè)許可證及若干配置與日志文件整體僅56KB輕量易部署。已有94人學(xué)習(xí)下載適合具備基礎(chǔ)Python與機(jī)器學(xué)習(xí)認(rèn)知的學(xué)生開展項(xiàng)目復(fù)現(xiàn)、算法對(duì)比或課程報(bào)告拓展可直接用于答辯演示、模型調(diào)優(yōu)實(shí)踐與知識(shí)圖譜推薦系統(tǒng)融合應(yīng)用的入門理解。1. 項(xiàng)目緣起當(dāng)藥物研發(fā)遇上AI推薦在藥物研發(fā)這個(gè)漫長且昂貴的鏈條里有一個(gè)環(huán)節(jié)至關(guān)重要那就是尋找能與特定疾病靶點(diǎn)通常是蛋白質(zhì)發(fā)生作用的候選藥物分子。傳統(tǒng)的高通量篩選方法成本動(dòng)輒數(shù)百萬美元耗時(shí)數(shù)月成功率卻低得可憐。這感覺就像在茫茫大海里用最原始的漁網(wǎng)去撈一條特定花紋的魚效率極低。近幾年我身邊不少做計(jì)算化學(xué)和生物信息學(xué)的朋友開始頻繁討論兩個(gè)詞知識(shí)圖譜和推薦系統(tǒng)。乍一聽這倆一個(gè)像是搞“關(guān)系網(wǎng)”的一個(gè)像是電商平臺(tái)用的跟藥物研發(fā)有什么關(guān)系但仔細(xì)一想邏輯就通了。藥物、靶點(diǎn)、疾病、副作用、基因、通路……這些生物醫(yī)學(xué)實(shí)體之間存在著海量、復(fù)雜、多類型的關(guān)系這不正是一個(gè)天然的、亟待構(gòu)建的巨型知識(shí)圖譜嗎而預(yù)測一個(gè)新藥分子是否會(huì)和某個(gè)靶點(diǎn)結(jié)合本質(zhì)上不就是基于這個(gè)“圖譜”里已有的“用戶”靶點(diǎn)和“商品”藥物的交互歷史已知的結(jié)合關(guān)系去給一個(gè)“新商品”候選藥物做“個(gè)性化推薦”嗎這個(gè)想法讓我非常興奮。于是我決定動(dòng)手用Python把這一套思路實(shí)現(xiàn)出來。目標(biāo)很明確構(gòu)建一個(gè)輕量級(jí)的、可復(fù)現(xiàn)的流程整合公開的生物醫(yī)學(xué)數(shù)據(jù)搭建一個(gè)藥物-靶點(diǎn)知識(shí)圖譜然后利用經(jīng)典的推薦系統(tǒng)算法去預(yù)測那些尚未被實(shí)驗(yàn)驗(yàn)證的潛在藥物-靶點(diǎn)相互作用。這不僅是一個(gè)有趣的技術(shù)驗(yàn)證項(xiàng)目其產(chǎn)出的預(yù)測結(jié)果也能為真正的藥物發(fā)現(xiàn)提供有價(jià)值的計(jì)算線索和優(yōu)先級(jí)排序。下面我就把這個(gè)項(xiàng)目的完整實(shí)現(xiàn)思路、代碼解析以及實(shí)操中會(huì)遇到的各種“坑”和技巧毫無保留地分享出來。整個(gè)過程涉及數(shù)據(jù)處理、圖譜構(gòu)建、特征工程、模型訓(xùn)練和評(píng)估我會(huì)盡量用通俗的語言講清楚每個(gè)步驟背后的“為什么”。2. 核心數(shù)據(jù)源從哪里獲取藥物與靶點(diǎn)的“關(guān)系網(wǎng)”巧婦難為無米之炊。構(gòu)建知識(shí)圖譜和訓(xùn)練推薦模型第一步就是找數(shù)據(jù)。我們的核心需求是“藥物-靶點(diǎn)”的已知相互作用對(duì)。這里我強(qiáng)烈推薦一個(gè)公開、免費(fèi)且質(zhì)量較高的數(shù)據(jù)庫DrugBank。為什么選擇DrugBankDrugBank是一個(gè)獨(dú)特的生物信息學(xué)和化學(xué)信息學(xué)資源它詳細(xì)地結(jié)合了藥物化學(xué)數(shù)據(jù)和靶點(diǎn)蛋白數(shù)據(jù)。對(duì)于我們的項(xiàng)目來說它提供了兩大關(guān)鍵信息藥物信息包括藥物名稱、化學(xué)結(jié)構(gòu)SMILES、分類、作用機(jī)制等。靶點(diǎn)信息包括蛋白質(zhì)名稱、基因名、UniProt ID等。最關(guān)鍵的關(guān)系明確標(biāo)注了哪些藥物作用于哪些靶點(diǎn)。實(shí)際操作與數(shù)據(jù)獲取訪問DrugBank官網(wǎng)注冊(cè)一個(gè)免費(fèi)的研究賬戶即可下載數(shù)據(jù)集。我們主要需要兩個(gè)文件drugbank_all_full_database.xml完整數(shù)據(jù)庫或更易處理的drugbank_all_structures.sdf結(jié)構(gòu)文件配合其他CSV關(guān)系表。然而直接解析XML或SDF對(duì)于新手來說有點(diǎn)復(fù)雜。一個(gè)更快捷的入口是使用DrugBank提供的公開數(shù)據(jù)集比如在Kaggle上就能找到用戶上傳的、已處理好的DrugBank CSV文件包含drugs.csvtargets.csv和drug_target_interactions.csv。這對(duì)于快速啟動(dòng)項(xiàng)目非常友好。注意使用任何公開數(shù)據(jù)務(wù)必遵守其使用許可協(xié)議License。DrugBank數(shù)據(jù)用于非商業(yè)學(xué)術(shù)研究通常是允許的但需要引用。數(shù)據(jù)預(yù)處理的關(guān)鍵步驟假設(shè)我們拿到了一個(gè)包含drug_id,drug_name,target_id,target_name,gene_name的交互表。原始數(shù)據(jù)往往很“臟”我們的預(yù)處理管道至少包含以下幾步import pandas as pd import numpy as np # 1. 加載數(shù)據(jù) interactions_df pd.read_csv(drug_target_interactions.csv) # 2. 去重同一對(duì)藥物-靶點(diǎn)可能因數(shù)據(jù)來源不同而有重復(fù)記錄 interactions_df interactions_df.drop_duplicates(subset[drug_id, target_id]) # 3. 處理缺失值檢查關(guān)鍵字段是否有空值 print(interactions_df.isnull().sum()) # 如果drug_name或target_name缺失較多可以考慮用ID代替或從其他表關(guān)聯(lián)補(bǔ)齊。 # 4. 統(tǒng)一標(biāo)識(shí)符靶點(diǎn)通常使用標(biāo)準(zhǔn)的UniProt ID如‘P00734’最可靠。 # 檢查target_id的格式如果不是UniProt ID可能需要通過基因名映射。 # 這里假設(shè)我們的target_id已經(jīng)是UniProt ID。 # 5. 構(gòu)建模型所需的矩陣將藥物和靶點(diǎn)映射為連續(xù)的索引 all_drugs interactions_df[drug_id].unique() all_targets interactions_df[target_id].unique() drug_to_idx {drug: i for i, drug in enumerate(all_drugs)} target_to_idx {target: j for j, target in enumerate(all_targets)} interactions_df[drug_idx] interactions_df[drug_id].map(drug_to_idx) interactions_df[target_idx] interactions_df[target_id].map(target_to_idx) # 此時(shí)我們得到了一個(gè)干凈的交互列表包含數(shù)字索引便于后續(xù)計(jì)算。這個(gè)預(yù)處理過程看似簡單卻決定了后續(xù)所有步驟的基石是否穩(wěn)固。數(shù)據(jù)中的噪聲和偏差會(huì)直接傳遞到模型中。3. 知識(shí)圖譜構(gòu)建用Neo4j描繪生物醫(yī)學(xué)關(guān)系圖有了干凈的藥物-靶點(diǎn)交互數(shù)據(jù)我們就可以構(gòu)建知識(shí)圖譜了。這里我選擇Neo4j作為圖數(shù)據(jù)庫。它是一個(gè)高性能的NOSQL圖形數(shù)據(jù)庫使用Cypher查詢語言非常直觀特別適合存儲(chǔ)和查詢復(fù)雜的關(guān)聯(lián)關(guān)系。為什么用圖數(shù)據(jù)庫而不用關(guān)系型數(shù)據(jù)庫因?yàn)椤瓣P(guān)系”是這里的頭等公民。我們不僅要存儲(chǔ)“藥物A作用于靶點(diǎn)B”這一事實(shí)未來還可能很容易地?cái)U(kuò)展加入“靶點(diǎn)B屬于通路C”、“藥物A有副作用D”、“疾病E與靶點(diǎn)B相關(guān)”等關(guān)系。在圖數(shù)據(jù)庫中查詢“與藥物A有相同靶點(diǎn)的所有其他藥物”這樣的問題效率極高且表達(dá)直觀。這是傳統(tǒng)關(guān)系型數(shù)據(jù)庫通過多表JOIN難以優(yōu)雅實(shí)現(xiàn)的。環(huán)境準(zhǔn)備與Neo4j部署安裝從Neo4j官網(wǎng)下載桌面版或社區(qū)服務(wù)器版。桌面版帶圖形化界面對(duì)初學(xué)者更友好。啟動(dòng)安裝后啟動(dòng)Neo4j數(shù)據(jù)庫它會(huì)默認(rèn)在http://localhost:7474打開瀏覽器管理界面。默認(rèn)用戶名/密碼是neo4j/neo4j首次登錄會(huì)要求修改密碼。Python連接使用neo4j官方Python驅(qū)動(dòng)。pip install neo4j構(gòu)建圖譜的Python代碼詳解接下來我們將清洗好的數(shù)據(jù)導(dǎo)入Neo4j。核心是創(chuàng)建“藥物”節(jié)點(diǎn)、“靶點(diǎn)”節(jié)點(diǎn)以及它們之間的“INTERACTS_WITH”關(guān)系。from neo4j import GraphDatabase class DrugTargetGraph: def __init__(self, uri, user, password): self.driver GraphDatabase.driver(uri, auth(user, password)) def close(self): self.driver.close() def create_drug_target_interaction(self, drug_id, drug_name, target_id, target_name): 創(chuàng)建單個(gè)藥物-靶點(diǎn)交互關(guān)系 with self.driver.session() as session: # 使用MERGE確保節(jié)點(diǎn)不存在時(shí)創(chuàng)建存在時(shí)則匹配。避免重復(fù)創(chuàng)建。 query MERGE (d:Drug {drug_id: $drug_id}) ON CREATE SET d.name $drug_name MERGE (t:Target {target_id: $target_id}) ON CREATE SET t.name $target_name MERGE (d)-[r:INTERACTS_WITH]-(t) RETURN d.name, t.name result session.run(query, drug_iddrug_id, drug_namedrug_name, target_idtarget_id, target_nametarget_name) return result.single() def batch_create_interactions(self, interactions_df): 批量導(dǎo)入交互數(shù)據(jù)性能遠(yuǎn)優(yōu)于單條插入 with self.driver.session() as session: # 將DataFrame轉(zhuǎn)換為適合Neo4j參數(shù)的列表 records interactions_df[[drug_id, drug_name, target_id, target_name]].to_dict(records) # 使用UNWIND進(jìn)行批量操作 query UNWIND $records AS record MERGE (d:Drug {drug_id: record.drug_id}) ON CREATE SET d.name record.drug_name MERGE (t:Target {target_id: record.target_id}) ON CREATE SET t.name record.target_name MERGE (d)-[:INTERACTS_WITH]-(t) session.run(query, recordsrecords) print(f成功導(dǎo)入 {len(records)} 條藥物-靶點(diǎn)交互關(guān)系。) # 使用示例 uri bolt://localhost:7687 # Neo4j的Bolt協(xié)議端口 user neo4j password your_new_password # 替換成你修改后的密碼 graph DrugTargetGraph(uri, user, password) # 假設(shè)interactions_df是預(yù)處理后的DataFrame包含drug_id,drug_name,target_id,target_name graph.batch_create_interactions(interactions_df) # 查詢示例查找與特定靶點(diǎn)如‘P00734’相互作用的所有藥物 def find_drugs_for_target(target_id): with graph.driver.session() as session: query MATCH (t:Target {target_id: $target_id})-[:INTERACTS_WITH]-(d:Drug) RETURN d.drug_id, d.name result session.run(query, target_idtarget_id) return [record for record in result] print(find_drugs_for_target(P00734)) graph.close()構(gòu)建圖譜時(shí)的核心技巧與避坑點(diǎn)務(wù)必使用MERGE而非CREATECREATE會(huì)無條件創(chuàng)建節(jié)點(diǎn)導(dǎo)致大量重復(fù)。MERGE是“有則匹配無則創(chuàng)建”保證了節(jié)點(diǎn)的唯一性。但要注意MERGE是對(duì)整個(gè)模式進(jìn)行匹配確保你的匹配條件如{drug_id: $drug_id}能唯一確定一個(gè)節(jié)點(diǎn)。批量操作是必須的千萬不要在循環(huán)中執(zhí)行單條MERGE語句效率極低。使用UNWIND將數(shù)據(jù)列表作為參數(shù)傳入讓數(shù)據(jù)庫一次性處理速度可能有數(shù)百倍的提升。索引是性能的關(guān)鍵在drug_id和target_id屬性上創(chuàng)建索引能大幅加速M(fèi)ERGE和MATCH操作。這應(yīng)該在導(dǎo)入數(shù)據(jù)之前完成。CREATE INDEX drug_id_index IF NOT EXISTS FOR (d:Drug) ON (d.drug_id); CREATE INDEX target_id_index IF NOT EXISTS FOR (t:Target) ON (t.target_id);內(nèi)存管理導(dǎo)入大量數(shù)據(jù)時(shí)可能會(huì)遇到堆內(nèi)存不足的問題??梢栽贜eo4j配置文件中調(diào)整dbms.memory.heap.initial_size和dbms.memory.heap.max_size或者將批量導(dǎo)入的批次大小調(diào)小。完成這一步后你就擁有了一個(gè)可視化的、可查詢的藥物-靶點(diǎn)關(guān)系網(wǎng)絡(luò)。但這只是靜態(tài)的知識(shí)庫如何讓它變得“智能”能進(jìn)行預(yù)測呢這就需要推薦系統(tǒng)算法了。4. 推薦系統(tǒng)模型矩陣分解與深度學(xué)習(xí)的抉擇將藥物-靶點(diǎn)預(yù)測視為推薦問題我們有一個(gè)用戶-物品評(píng)分矩陣R其中“用戶”是靶點(diǎn)“物品”是藥物“評(píng)分”是是否存在相互作用1表示已知作用0表示未知或暫無記錄。但這個(gè)矩陣極其稀疏已知作用相對(duì)所有可能組合來說極少。我們的目標(biāo)是補(bǔ)全這個(gè)稀疏矩陣預(yù)測那些“空白處”的值即未知的藥物-靶點(diǎn)對(duì)是1可能作用的概率。這里我對(duì)比兩種主流方法經(jīng)典的矩陣分解和基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型。4.1 方法一隱語義模型與矩陣分解矩陣分解Matrix Factorization, MF是協(xié)同過濾的基石。其思想是將高維稀疏矩陣Rm個(gè)靶點(diǎn) x n個(gè)藥物分解為兩個(gè)低維稠密矩陣的乘積R ≈ P * Q^T。其中P是靶點(diǎn)隱因子矩陣m x kQ是藥物隱因子矩陣n x kk是隱因子維度通常遠(yuǎn)小于m和n。直觀理解每個(gè)靶點(diǎn)可以用一個(gè)k維向量p_u表示其“偏好特征”每個(gè)藥物用一個(gè)k維向量q_i表示其“屬性特征”。預(yù)測靶點(diǎn)u對(duì)藥物i的交互概率就是計(jì)算這兩個(gè)向量的內(nèi)積p_u · q_i。內(nèi)積值越高表示靶點(diǎn)的偏好與藥物的屬性越匹配相互作用可能性越大。使用Surprise庫實(shí)現(xiàn)Python的Surprise庫專門用于構(gòu)建和分析推薦系統(tǒng)內(nèi)置了SVD奇異值分解一種矩陣分解方法等算法。from surprise import Dataset, Reader, SVD from surprise.model_selection import train_test_split from surprise import accuracy import pandas as pd # 1. 準(zhǔn)備數(shù)據(jù)Surprise需要的數(shù)據(jù)格式是 (target_idx, drug_idx, rating) # 我們的‘rating’是二元的1有交互或 0無交互。但Surprise通常處理顯式評(píng)分。 # 對(duì)于隱式反饋只有正樣本1負(fù)樣本未知我們需要負(fù)采樣。 def prepare_implicit_data(interactions_df, num_negatives1): 為隱式反饋準(zhǔn)備數(shù)據(jù)。 interactions_df: 包含drug_idx, target_idx的正樣本DataFrame。 num_negatives: 為每個(gè)正樣本采樣的負(fù)樣本數(shù)。 pos_samples interactions_df[[target_idx, drug_idx]].copy() pos_samples[rating] 1 # 負(fù)采樣隨機(jī)選擇未觀察到的target, drug對(duì)作為負(fù)樣本 all_targets interactions_df[target_idx].unique() all_drugs interactions_df[drug_idx].unique() pos_pairs set(zip(interactions_df[target_idx], interactions_df[drug_idx])) neg_samples [] for target in all_targets: # 獲取該靶點(diǎn)未交互的藥物 interacted_drugs set(interactions_df[interactions_df[target_idx]target][drug_idx]) non_interacted_drugs list(set(all_drugs) - interacted_drugs) # 隨機(jī)采樣 if non_interacted_drugs: sampled_neg np.random.choice(non_interacted_drugs, sizemin(num_negatives, len(non_interacted_drugs)), replaceFalse) for drug in sampled_neg: neg_samples.append([target, drug, 0]) neg_df pd.DataFrame(neg_samples, columns[target_idx, drug_idx, rating]) all_data_df pd.concat([pos_samples, neg_df], ignore_indexTrue) return all_data_df # 生成帶負(fù)樣本的數(shù)據(jù) implicit_data_df prepare_implicit_data(interactions_df, num_negatives3) # 2. 定義Reader和加載數(shù)據(jù)Surprise要求評(píng)分范圍 reader Reader(rating_scale(0, 1)) data Dataset.load_from_df(implicit_data_df[[target_idx, drug_idx, rating]], reader) # 3. 劃分訓(xùn)練集和測試集 trainset, testset train_test_split(data, test_size0.2, random_state42) # 4. 使用SVD算法矩陣分解 algo SVD(n_factors50, n_epochs20, lr_all0.005, reg_all0.02, random_state42) algo.fit(trainset) # 5. 預(yù)測與評(píng)估 predictions algo.test(testset) # RMSE, MAE對(duì)于0/1評(píng)分可能不是最佳指標(biāo)但可用 rmse accuracy.rmse(predictions) mae accuracy.mae(predictions) # 6. 為特定靶點(diǎn)做Top-N藥物推薦 def get_top_n_recommendations(algo, target_idx, drug_pool, n10): 為指定靶點(diǎn)推薦Top-N個(gè)最可能相互作用的藥物。 drug_pool: 所有候選藥物的索引列表。 # 預(yù)測該靶點(diǎn)對(duì)所有藥物的評(píng)分 predictions [algo.predict(target_idx, drug_idx) for drug_idx in drug_pool] # 按估計(jì)評(píng)分降序排序 predictions.sort(keylambda x: x.est, reverseTrue) top_n predictions[:n] return [(pred.iid, pred.est) for pred in top_n] # 返回(藥物索引預(yù)測評(píng)分) all_drugs_idx list(drug_to_idx.values()) top10_for_target_0 get_top_n_recommendations(algo, target_idx0, drug_poolall_drugs_idx, n10) print(f為靶點(diǎn)索引0推薦的Top-10藥物: {top10_for_target_0})矩陣分解的優(yōu)缺點(diǎn)優(yōu)點(diǎn)模型簡單可解釋性相對(duì)較強(qiáng)隱因子可能對(duì)應(yīng)某些生物化學(xué)特性計(jì)算效率高在稀疏數(shù)據(jù)上表現(xiàn)穩(wěn)健。缺點(diǎn)本質(zhì)上仍是線性模型難以捕捉藥物和靶點(diǎn)之間復(fù)雜的非線性關(guān)系。特征需要手動(dòng)設(shè)計(jì)或僅依賴ID無法利用藥物結(jié)構(gòu)如SMILES、靶點(diǎn)序列等豐富特征。4.2 方法二深度學(xué)習(xí)模型NeuMF架構(gòu)為了克服MF的局限性我們可以引入深度學(xué)習(xí)。神經(jīng)矩陣分解Neural Matrix Factorization, NeuMF是一個(gè)經(jīng)典的混合模型它同時(shí)學(xué)習(xí)MF的線性部分和MLP多層感知機(jī)的非線性部分。模型思想MF部分和傳統(tǒng)MF一樣得到靶點(diǎn)隱向量p_u和藥物隱向量q_i做內(nèi)積p_u · q_i。MLP部分將p_u和q_i拼接起來輸入到一個(gè)深度神經(jīng)網(wǎng)絡(luò)中。這個(gè)網(wǎng)絡(luò)可以學(xué)習(xí)到p_u和q_i之間任意的非線性交互函數(shù)。融合將MF部分的輸出和MLP部分的輸出拼接最后通過一個(gè)全連接層映射到預(yù)測概率。使用PyTorch實(shí)現(xiàn)NeuMFimport torch import torch.nn as nn import torch.optim as optim from torch.utils.data import Dataset, DataLoader import numpy as np # 1. 定義數(shù)據(jù)集 class DrugTargetDataset(Dataset): def __init__(self, df, num_drugs, num_targets): self.targets torch.LongTensor(df[target_idx].values) self.drugs torch.LongTensor(df[drug_idx].values) self.ratings torch.FloatTensor(df[rating].values) self.num_drugs num_drugs self.num_targets num_targets def __len__(self): return len(self.ratings) def __getitem__(self, idx): return self.targets[idx], self.drugs[idx], self.ratings[idx] # 2. 定義NeuMF模型 class NeuMF(nn.Module): def __init__(self, num_targets, num_drugs, mf_dim8, mlp_layers[64, 32, 16], dropout0.2): super().__init__() # MF嵌入層 self.mf_target_embedding nn.Embedding(num_targets, mf_dim) self.mf_drug_embedding nn.Embedding(num_drugs, mf_dim) # MLP嵌入層 (維度通常比MF大以捕捉更多信息) self.mlp_target_embedding nn.Embedding(num_targets, mlp_layers[0]//2) self.mlp_drug_embedding nn.Embedding(num_drugs, mlp_layers[0]//2) # MLP部分 mlp_modules [] input_dim mlp_layers[0] # 兩個(gè)嵌入向量拼接后的維度 for output_dim in mlp_layers[1:]: mlp_modules.append(nn.Linear(input_dim, output_dim)) mlp_modules.append(nn.ReLU()) mlp_modules.append(nn.Dropout(pdropout)) input_dim output_dim self.mlp_layers nn.Sequential(*mlp_modules) # 預(yù)測層 self.predict_layer nn.Linear(mf_dim mlp_layers[-1], 1) self.sigmoid nn.Sigmoid() # 初始化權(quán)重 self._init_weights() def _init_weights(self): for m in self.modules(): if isinstance(m, nn.Embedding): nn.init.normal_(m.weight, mean0.0, std0.01) elif isinstance(m, nn.Linear): nn.init.xavier_uniform_(m.weight) if m.bias is not None: nn.init.constant_(m.bias, 0) def forward(self, target_indices, drug_indices): # MF部分 mf_target_vec self.mf_target_embedding(target_indices) mf_drug_vec self.mf_drug_embedding(drug_indices) mf_output torch.mul(mf_target_vec, mf_drug_vec) # 逐元素相乘等價(jià)于內(nèi)積的擴(kuò)展 # MLP部分 mlp_target_vec self.mlp_target_embedding(target_indices) mlp_drug_vec self.mlp_drug_embedding(drug_indices) mlp_input torch.cat([mlp_target_vec, mlp_drug_vec], dim-1) mlp_output self.mlp_layers(mlp_input) # 融合 concat torch.cat([mf_output, mlp_output], dim-1) prediction self.predict_layer(concat) output self.sigmoid(prediction).squeeze() # 輸出0-1之間的概率 return output # 3. 訓(xùn)練循環(huán) def train_model(model, train_loader, val_loader, epochs20, lr0.001): device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) criterion nn.BCELoss() # 二分類交叉熵?fù)p失 optimizer optim.Adam(model.parameters(), lrlr) for epoch in range(epochs): model.train() train_loss 0.0 for batch_targets, batch_drugs, batch_ratings in train_loader: batch_targets, batch_drugs, batch_ratings batch_targets.to(device), batch_drugs.to(device), batch_ratings.to(device) optimizer.zero_grad() outputs model(batch_targets, batch_drugs) loss criterion(outputs, batch_ratings) loss.backward() optimizer.step() train_loss loss.item() * batch_targets.size(0) avg_train_loss train_loss / len(train_loader.dataset) # 驗(yàn)證 model.eval() val_loss 0.0 with torch.no_grad(): for batch_targets, batch_drugs, batch_ratings in val_loader: batch_targets, batch_drugs, batch_ratings batch_targets.to(device), batch_drugs.to(device), batch_ratings.to(device) outputs model(batch_targets, batch_drugs) loss criterion(outputs, batch_ratings) val_loss loss.item() * batch_targets.size(0) avg_val_loss val_loss / len(val_loader.dataset) print(fEpoch {epoch1}/{epochs} - Train Loss: {avg_train_loss:.4f}, Val Loss: {avg_val_loss:.4f}) # 4. 數(shù)據(jù)準(zhǔn)備與訓(xùn)練 from sklearn.model_selection import train_test_split train_df, val_df train_test_split(implicit_data_df, test_size0.1, random_state42) train_dataset DrugTargetDataset(train_df, num_drugslen(all_drugs), num_targetslen(all_targets)) val_dataset DrugTargetDataset(val_df, num_drugslen(all_drugs), num_targetslen(all_targets)) train_loader DataLoader(train_dataset, batch_size256, shuffleTrue) val_loader DataLoader(val_dataset, batch_size256, shuffleFalse) model NeuMF(num_targetslen(all_targets), num_drugslen(all_drugs), mf_dim16, mlp_layers[128, 64, 32]) train_model(model, train_loader, val_loader, epochs15, lr0.001)深度學(xué)習(xí)模型的優(yōu)缺點(diǎn)優(yōu)點(diǎn)模型容量大能學(xué)習(xí)復(fù)雜的非線性關(guān)系有潛力達(dá)到更高的預(yù)測精度。易于擴(kuò)展可以很方便地將藥物分子指紋、靶點(diǎn)序列特征等作為額外輸入。缺點(diǎn)需要更多的數(shù)據(jù)以防止過擬合訓(xùn)練時(shí)間更長模型可解釋性差是個(gè)“黑盒”超參數(shù)層數(shù)、維度、學(xué)習(xí)率等調(diào)優(yōu)更復(fù)雜。如何選擇如果你的數(shù)據(jù)集不大比如只有幾千個(gè)已知交互計(jì)算資源有限且需要快速驗(yàn)證和可解釋性從矩陣分解如Surprise的SVD開始是穩(wěn)妥的選擇。如果你的數(shù)據(jù)集規(guī)模可觀數(shù)萬以上交互并且你希望探索更高的預(yù)測上限不介意調(diào)參和更長的訓(xùn)練時(shí)間那么嘗試NeuMF這類深度學(xué)習(xí)模型是值得的。你甚至可以進(jìn)一步升級(jí)模型用圖神經(jīng)網(wǎng)絡(luò)GNN直接在圖結(jié)構(gòu)Neo4j中的關(guān)系上進(jìn)行學(xué)習(xí)這可能是更前沿的方向。5. 特征工程進(jìn)階融入藥物與靶點(diǎn)的本體信息前面的模型只使用了藥物和靶點(diǎn)的ID作為特征這丟失了大量寶貴的本體信息。一個(gè)更強(qiáng)大的模型應(yīng)該能利用這些信息。例如藥物特征可以從SMILES字符串計(jì)算分子指紋如ECFP4或使用預(yù)訓(xùn)練的分子表示模型如ChemBERTa得到向量。靶點(diǎn)特征可以從蛋白質(zhì)序列通過UniProt ID獲取計(jì)算氨基酸組成、理化性質(zhì)或使用蛋白質(zhì)語言模型如ESM得到嵌入向量。如何整合這些特征以NeuMF為例我們可以修改模型將額外的特征向量與原有的ID嵌入向量進(jìn)行融合。class NeuMFWithFeatures(nn.Module): def __init__(self, num_targets, num_drugs, drug_feat_dim, target_feat_dim, mf_dim8, mlp_layers[64, 32, 16]): super().__init__() # ID嵌入層 self.mf_target_embedding nn.Embedding(num_targets, mf_dim) self.mf_drug_embedding nn.Embedding(num_drugs, mf_dim) self.mlp_target_embedding nn.Embedding(num_targets, mlp_layers[0]//2) self.mlp_drug_embedding nn.Embedding(num_drugs, mlp_layers[0]//2) # 特征處理層簡單的全連接層用于降維或統(tǒng)一維度 self.drug_feat_layer nn.Linear(drug_feat_dim, mlp_layers[0]//2) self.target_feat_layer nn.Linear(target_feat_dim, mlp_layers[0]//2) # MLP部分輸入維度變?yōu)?(mlp_id_embed feature_embed) * 2 mlp_input_dim mlp_layers[0] * 2 # 因?yàn)樗幬锖桶悬c(diǎn)的ID嵌入與特征嵌入要拼接 mlp_modules [] input_dim mlp_input_dim for output_dim in mlp_layers[1:]: mlp_modules.append(nn.Linear(input_dim, output_dim)) mlp_modules.append(nn.ReLU()) mlp_modules.append(nn.Dropout(p0.2)) input_dim output_dim self.mlp_layers nn.Sequential(*mlp_modules) self.predict_layer nn.Linear(mf_dim mlp_layers[-1], 1) self.sigmoid nn.Sigmoid() self._init_weights() def forward(self, target_indices, drug_indices, target_features, drug_features): # MF部分僅基于ID mf_target_vec self.mf_target_embedding(target_indices) mf_drug_vec self.mf_drug_embedding(drug_indices) mf_output torch.mul(mf_target_vec, mf_drug_vec) # MLP部分融合ID和特征 mlp_target_id_vec self.mlp_target_embedding(target_indices) mlp_drug_id_vec self.mlp_drug_embedding(drug_indices) # 處理額外特征 mlp_target_feat_vec self.target_feat_layer(target_features) mlp_drug_feat_vec self.drug_feat_layer(drug_features) # 拼接ID嵌入和特征嵌入 mlp_target_concat torch.cat([mlp_target_id_vec, mlp_target_feat_vec], dim-1) mlp_drug_concat torch.cat([mlp_drug_id_vec, mlp_drug_feat_vec], dim-1) # 拼接靶點(diǎn)和藥物的綜合向量 mlp_input torch.cat([mlp_target_concat, mlp_drug_concat], dim-1) mlp_output self.mlp_layers(mlp_input) concat torch.cat([mf_output, mlp_output], dim-1) prediction self.predict_layer(concat) output self.sigmoid(prediction).squeeze() return output這樣模型就能同時(shí)從交互歷史協(xié)同過濾和藥物/靶點(diǎn)自身的屬性基于內(nèi)容中學(xué)習(xí)預(yù)測能力通常會(huì)更強(qiáng)。獲取這些特征需要借助其他工具庫例如用RDKit計(jì)算分子指紋用Biopython或在線API獲取蛋白質(zhì)序列信息。6. 模型評(píng)估與結(jié)果解讀不僅僅是AUC在二分類預(yù)測任務(wù)中我們不能只看損失函數(shù)下降。常用的評(píng)估指標(biāo)包括準(zhǔn)確率Accuracy、精確率Precision、召回率Recall、F1-score以及ROC曲線下面積AUC。對(duì)于高度不平衡的數(shù)據(jù)正負(fù)樣本比例懸殊AUC通常是更穩(wěn)健的指標(biāo)。from sklearn.metrics import roc_auc_score, precision_recall_curve, auc, classification_report import torch def evaluate_model(model, data_loader): device next(model.parameters()).device model.eval() all_predictions [] all_labels [] with torch.no_grad(): for batch_targets, batch_drugs, batch_ratings in data_loader: batch_targets, batch_drugs, batch_ratings batch_targets.to(device), batch_drugs.to(device), batch_ratings.to(device) # 假設(shè)我們只有ID沒有額外特征。如果有特征需要傳入。 outputs model(batch_targets, batch_drugs) all_predictions.extend(outputs.cpu().numpy()) all_labels.extend(batch_ratings.cpu().numpy()) all_predictions np.array(all_predictions) all_labels np.array(all_labels) # 計(jì)算AUC auc_score roc_auc_score(all_labels, all_predictions) print(fROC-AUC Score: {auc_score:.4f}) # 計(jì)算PR-AUC (對(duì)于不平衡數(shù)據(jù)有時(shí)比ROC-AUC更敏感) precision, recall, _ precision_recall_curve(all_labels, all_predictions) pr_auc auc(recall, precision) print(fPR-AUC Score: {pr_auc:.4f}) # 選擇一個(gè)閾值例如0.5計(jì)算分類報(bào)告 binary_predictions (all_predictions 0.5).astype(int) print(classification_report(all_labels, binary_predictions, target_names[Negative, Positive])) return auc_score, pr_auc # 在測試集上評(píng)估 # 需要先創(chuàng)建測試集的DataLoader test_dataset DrugTargetDataset(test_df, num_drugslen(all_drugs), num_targetslen(all_targets)) test_loader DataLoader(test_dataset, batch_size256, shuffleFalse) evaluate_model(model, test_loader)結(jié)果解讀與驗(yàn)證得到一個(gè)不錯(cuò)的AUC分?jǐn)?shù)比如0.85以上是一個(gè)好的開始但這遠(yuǎn)不是終點(diǎn)。對(duì)于藥物發(fā)現(xiàn)而言可解釋性和生物學(xué)合理性至關(guān)重要。Top-K預(yù)測分析查看模型為某個(gè)重要靶點(diǎn)如與癌癥相關(guān)的激酶推薦的前10個(gè)藥物。這些藥物是已知的嗎如果是已知的說明模型成功回憶起了知識(shí)。如果是未知的去查文獻(xiàn)或數(shù)據(jù)庫看是否有初步的生物學(xué)證據(jù)支持這能提供最直接的驗(yàn)證。案例分析選擇一個(gè)模型高置信度預(yù)測的新相互作用對(duì)藥物A-靶點(diǎn)B進(jìn)行深入的文獻(xiàn)調(diào)研和分子對(duì)接模擬這超出了本代碼范疇但卻是實(shí)際項(xiàng)目中的必要步驟。錯(cuò)誤分析檢查那些被模型錯(cuò)誤預(yù)測的樣本假陽性、假陰性。是否存在數(shù)據(jù)質(zhì)量問題例如某些“負(fù)樣本”在現(xiàn)實(shí)中其實(shí)是相互作用的只是尚未被實(shí)驗(yàn)發(fā)現(xiàn)或收錄進(jìn)數(shù)據(jù)庫這能幫助你理解模型的局限性和數(shù)據(jù)的偏差。7. 項(xiàng)目總結(jié)與避坑指南回顧整個(gè)項(xiàng)目我們從數(shù)據(jù)獲取、知識(shí)圖譜構(gòu)建到推薦系統(tǒng)模型的實(shí)現(xiàn)與評(píng)估完成了一個(gè)完整的AI輔助藥物靶點(diǎn)預(yù)測流程。這個(gè)過程里我踩過不少坑也總結(jié)了一些關(guān)鍵經(jīng)驗(yàn)核心避坑點(diǎn)數(shù)據(jù)質(zhì)量是天花板DrugBank數(shù)據(jù)雖然好但也不完美??赡艽嬖跇?biāo)注錯(cuò)誤、遺漏或偏差。務(wù)必進(jìn)行徹底的數(shù)據(jù)清洗和探索性分析EDA。考慮融合多個(gè)數(shù)據(jù)源如ChEMBL, BindingDB來增加數(shù)據(jù)的覆蓋面和可靠性。負(fù)樣本的定義是玄學(xué)我們采用隨機(jī)采樣的方式生成負(fù)樣本但生物學(xué)上“未觀測到相互作用”絕不等于“不相互作用”。這被稱為“正未標(biāo)記”Positive-Unlabeled, PU學(xué)習(xí)問題。更高級(jí)的做法是使用“負(fù)樣本”挖掘策略比如選擇那些與靶點(diǎn)空間距離很遠(yuǎn)的藥物或者使用一些生物學(xué)上不可能結(jié)合的規(guī)則來生成“硬負(fù)樣本”。評(píng)估指標(biāo)的誤導(dǎo)性在極度稀疏正樣本極少的數(shù)據(jù)上即使AUC很高模型也可能只是學(xué)會(huì)了把所有樣本都預(yù)測為負(fù)類。一定要結(jié)合精確率-召回率曲線PR Curve和Top-K的命中率Hit Ratio來綜合判斷。在測試集劃分時(shí)務(wù)必確保每個(gè)靶點(diǎn)/藥物在訓(xùn)練和測試集中都有出現(xiàn)即采用按用戶/物品的分層抽樣避免冷啟動(dòng)問題被掩蓋。Neo4j導(dǎo)入性能導(dǎo)入百萬級(jí)關(guān)系時(shí)如果一次性UNWIND一個(gè)巨大的列表可能會(huì)內(nèi)存溢出。需要分批次提交每批幾萬條。使用apoc.periodic.iterate過程也是一種更專業(yè)的批量導(dǎo)入方法。深度學(xué)習(xí)模型過擬合由于數(shù)據(jù)量可能相對(duì)模型復(fù)雜度來說不夠大過擬合是常態(tài)。務(wù)必使用早停Early Stopping、Dropout、權(quán)重衰減L2正則化等技術(shù)。同時(shí)簡化模型結(jié)構(gòu)減少層數(shù)、降低嵌入維度往往是第一個(gè)應(yīng)該嘗試的解決方案。可復(fù)現(xiàn)性設(shè)置隨機(jī)種子np.random.seed(),torch.manual_seed()對(duì)于實(shí)驗(yàn)的可復(fù)現(xiàn)性至關(guān)重要。否則每次運(yùn)行的負(fù)采樣和模型初始化結(jié)果都會(huì)不同。未來擴(kuò)展方向圖神經(jīng)網(wǎng)絡(luò)GNN這是最自然的延伸。我們已經(jīng)在Neo4j中構(gòu)建了圖可以直接使用PyTorch Geometric或DGL庫將藥物、靶點(diǎn)作為節(jié)點(diǎn)已知相互作用作為邊讓信息在圖上傳播從而學(xué)習(xí)更豐富的節(jié)點(diǎn)表示。這比獨(dú)立的ID嵌入更能利用網(wǎng)絡(luò)結(jié)構(gòu)信息。多模態(tài)特征融合除了分子指紋和序列還可以引入藥物的副作用、靶點(diǎn)的基因本體論GO注釋、通路信息等構(gòu)建一個(gè)更豐富的知識(shí)圖譜并設(shè)計(jì)更復(fù)雜的多模態(tài)融合模型。主動(dòng)學(xué)習(xí)與濕實(shí)驗(yàn)驗(yàn)證將模型部署為一個(gè)持續(xù)學(xué)習(xí)的系統(tǒng)。將模型預(yù)測的高置信度新相互作用提交給生物學(xué)家進(jìn)行濕實(shí)驗(yàn)驗(yàn)證然后將驗(yàn)證結(jié)果無論是正例還是反例作為新數(shù)據(jù)反饋給模型形成一個(gè)閉環(huán)不斷提升模型的實(shí)用性和可靠性。這個(gè)項(xiàng)目就像搭積木本文提供了最核心的幾塊積木和搭建方法。你可以根據(jù)自己的需求和興趣更換更優(yōu)質(zhì)的數(shù)據(jù)源積木嘗試更先進(jìn)的模型架構(gòu)搭建方式最終構(gòu)建出屬于你自己的、更強(qiáng)大的藥物發(fā)現(xiàn)輔助工具。希望這份詳細(xì)的指南和代碼能為你節(jié)省大量摸索的時(shí)間直接切入到最有價(jià)值的探索環(huán)節(jié)中去。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
天天干天天日天天操| 99无码视频| 八戒青柠影视剧在线观看| 激情婷婷色色| 天天操婷婷| 婷婷欧美综合| 婷婷在线视频| 天天影视色综合网| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 五月激情视频网| 五月丁香啪啪啪啪| 激情综合五月激情17| 婷婷五月天网| 狠狠狠人妻| 97在线观视频免费观看| 欧美噜噜噜草| 国产日韩欧美性爱| 九九sese| 丝袜熟女一区二区三区| 色婷婷丁香AV综合| 婷婷五月综激情| 精品九九久久| WWW.17C亚洲精品| 丁香五月 激情文学| 亭亭玉立国色天香| 久久一级片| 玖玖资源在线视频| 六月丁香色色| 丁香五月在线| 丁香婷婷射| 丁香激情五月天| 色婷婷www| 老师高潮流白浆喷水的A片| 日本三级第一页| 99在线视频播放| 色综合99| 天天五月情| 五月婷婷视频啪啪美女| 九九视频在线观看视频6 | 色婷婷第四色| 五月天丁香六月综合| 久久婷婷成人视频| 精品国产一区二区三区四区阿崩| www天天色天天射| 五月天婷a在线| 久 久9 9 热 视 频| 婷婷玖玖丁香| 五月色综合| 五月丁香婷婷三级| 六月综合婷婷开心伊人| 国产性色蜜乳| 偷偷操九九| 1024操逼视频| 精品女人九九九| 5月丁香六月婷婷| 综合九九久久| 高清无码网址| 色婷婷久综合久久一本国产AV| 婷婷99丁香| 伊人激情啪啪| 先锋男人99资源| 99天堂在线观看免费视频| 久久婷婷五月天激情唯美| 久久久久久婷| 99久热| 无码 色| 五月丁香色婷婷色| 超碰99热| 久久久久网站| 久久精品一区二区三区四区| 超碰人人在线| 美女100%露全身无挡网站| 啪啪一区| 天天操天天日天天操| 97婷婷久久丁香| 亚洲激情五月天| 狠狠人人| 久99| 亚洲一区二区无遮挡A片| AV大香蕉| 激情综合亚洲| 国产激情在线| 婷婷五月花西瓜| 色色操| 97伦乱| 五月久久婷婷| 色五月婷婷丁香婷婷| 免费色色色| 亚洲操B视频| 五月天激情小说| 亚洲欧州色情在线观看| 超碰男人色| 婷婷丁香六月| 日本色婷婷| www.9797国产| 久久五月天合网| 91九色超碰正在播放| www.久久久久| 激情五月丁香六月婷婷| 99热这里只有精品23| 日本97久久久精品| 久久激情四射| 成人片黄网站色大片免费毛片| 久久婷婷啪啪视频| 婷婷丁香五月社区亚洲| 全部老头和老太XXXXX| 大香蕉五月天婷婷| 色婷婷香蕉在线| 99精品在线| 五月天婷婷青青草| 色欲五月丁香| 国产国产乱老熟女视频网站97| 色婷另类| 五月天婷婷爱| 五月婷在线| 天天性视频| 欧美色色色色色色| 性热视频99精品| 亚洲精品永久久久久久| 人人人人人人人人人草| 亚洲激情综合免费| 丁香婷婷啪啪啪| 久久婷婷五月天蜜桃| 99热官网| 极品少妇XXXX精品少妇偷拍| 大香蕉天堂色| 久久中国毛毛片爱久久| 国产熟妇乱子伦hd| 日本狠狠干| 五月丁香啪啪啪综合网| 五月欧美色色五月| 97色伦另类图片小说视频 | 蜜乳中文字| 月色色综合婷婷网| 91精品久久久久久久久久久久| 另类视频一区| 狠狠干婷婷| 欧美人人操| 婷婷五月丁香手机在线视频| 91久久久久久久久久久| 丁香五月天堂| AAAA亚洲| 五月婷六月天| 国产精品人人妻人人爽| 99色.com| 久久9精品视频| www.久久久.com| 黄网免费看| 91久久18| 色天堂婷婷| 欧美婷婷丁香五月社区| 噜噜噜噜在线| 麻豆忘忧草午夜| 91狠狠综合久久久| 九九热只有精品| 色色九区| 成人短视频免费| 99精品在线观看视频| 精品少妇人妻AV无码专区偷人| 97超碰欧美中文字幕| 亚洲精品成人片在线播| 大香蕉中文| 久热精品在看| 婷五月天在线草| 无码人妻精品一区二区蜜桃色欲 | 婷婷五月天开心网| 九九碰九九爱97| 色色色五月婷婷| 白人荫道BBWBBB大荫道| 激情综合色婷婷六月天| 婷婷色五月天色| 极品少妇XXXX精品少妇偷拍| 在线中文字幕av| 欧美天天爽| 韩国天天婷婷| 五月停视频天堂| 婷婷六月色情| 热久视频| 免费精品66| 久草 天堂| 九月av在线| 天天综合在线网| 亚洲精品国产熟女久久久| 中文字幕性爱丰满| 天天草人人摸| 人人草人人舔| 日操五月婷| 99爱视频在线观看这里只有精品| 九九热这里都是精品6| 色婷婷色综合久久精品V| 久久婷婷色| 五月天欧美 另类小说| 久久综合五月天| 五月色天情| 成人视频免费观看高清完整版在线观看| 丁香五月色| 91日精品| 超碰免费成人网站| 婷婷射综合| 日韩久久这里只有精品| 五月在线婷色| 午夜日韩久久久网站| 欧美日韩91| 天天激情欧美美女| 开心五月深爱五月丁香五月激情五月| 九月婷婷激情| 变态另类9| 校花娇喘呻吟校长陈若雪视频| 五月婷婷六月丁香| 欧美久久婷婷| 色婷五月婷婷| 99啪啪视频| 五月综合久久| 婷婷五月丁香欧洲| 久久婷婷人人| 99亚洲视频| 久久久久久久久人妻| WWW丁香五月| 农村熟妇高潮精品A片| 天天摸日日舔狠狠添婷婷婷| 色欲五月婷婷| 91爱操| 91精品综合久久久五月天| 99热全是精品| 亚洲国产精品VA在线看黑人| a毛片二逼wwwwwwwwww| 69人人操人人爽| 大天天伊人| 五月丁香狠狠爱婷婷综合| 99综合免费视频| 熟妇内谢69XXXXXA片| 五月丁香久久久久| 成人开心五月天| 超碰激情网| 香蕉久久国产AV一区二区| 99热都是精品| 亚洲影院婷婷色| 天久久久久| 五月天综合区| 国产偷人爽久久久久久老妇APP | 乱码操操| 色婷婷成人五月| 伊人综合网4| 综合五月网| 久久五月天精品视频| 色热久| 久久婷婷五月国产色综合激情| 狠狠干狠狠操狠狠爱| 久热精品免费视频4| 亚洲人妻一区二区 | 这里有精品2| 啊v视频在线观看| 精品51XX| 亚洲第一视频 久久| h亚洲| 色99色| 丁香五月婷婷国产av| 97碰啪啪| 啄木鸟丝袜美女福利视频| 26uuu日韩| 第四色色六月色综合| www九九免费视频| 久久99激情五月天| 丁香六月色婷婷| 99色在线视频| 综合久久狠狠| 91丨九色丨老熟女激情| 色亚洲婷婷| 激情五月天啪啪| 久久精99| 深爱五月婷婷开心中文字幕| 人人看人人摸人人| 91色涩| 九九热精品6| 日本三久久| 亚洲va综合va国产va中文| 99热线观看9| 26uuu精品国产| 亚洲九九99精品视频在线播放| 九九综合网色全集| 色五月婷婷操逼| 99久久99热| 91婷婷色 | 欧美色偷偷大香| 五月丁香综合中文| 色很久综合| 成人午夜视频精品一区| 五月天婷婷丁香基地在线观看| 婷婷久月| 五月天激情婷婷五月天久久| 丁香婷婷久久| 色色色婷婷五月天| 婷婷永久在线| 日本天堂久久| 婷婷瑟瑟五月天| 色欲人妻综合aaaaaaaa网| 综合啪啪| 色9色| 婷婷第六色| 激情五月婷婷啪啪| 美国十月色婷婷在线观看| 五月丁香综合激情| 99碰碰碰| 99热99在线| 五月丁香色色网| 激情五月婷色| 久热在线观看视频9| 超碰在线国产9| 欧美性丁香色色五月天综合爱爱| 欧美一级操逼视频| 亚洲V国产V欧美V久久久久久| 婷婷五月丁香色综合| 五月天开心色情网| 97福利视频| se99视频| 1024成人免费看| 色色色999| 婷婷丁香五月天狠狠| 狠狠操狠狠| 日韩中文欧美| 婷婷色片| www五月天com| 婷婷字幕在线| www.色婷婷| 狠狠狠狠狠狠| 五月丁香色综合| 亚洲综合色网站| 五月天婷久精视频| 婷婷中文字幕欧美| www.日日夜夜| 国产真人做爰视频免费| 欧美日韩999| 99热九九在线| 五月婷婷六月激情| 日本不卡中文字幕| 99热青青草| 国产成人精品一区二三区熟女在线 | 超碰超碰在线| 色婷婷成人| 乱精品一区字幕二区| 五月丁香狠狠| 亚洲中文字幕网| 99操视频| 天天摸色吧天天摸色吧| 99re热视频这里只有综合亚洲| 免费看欧美成人A片无码| 亚洲射激情| 停停五月色宗合| 成人做爰高潮A片免费视频| 色色色色色爱| 欧美婷婷六月丁香综合色连续高潮抽搐| 青吴乐视频| 成人在线精品| 五月婷婷天| 伊人婷婷青青cao| 噜噜在线| 九月丁香婷婷综合激情| 加勒比日本一区二区三区| www.色婷婷.com| 丁香五月影院| 另类色视频| 久久狠婷婷| 欧洲MV日韩MV国产| 天天骑天天操| 夜夜骑天天操| 99热这里精| 亚洲精品视频在线播放| 9 大屁股在线视频精品| 色色婷婷综合| 色色激情网| 婷婷六月爽| 五月综合激情| 美女91一起草| 丁香六月综合| 亚洲妇女熟BBW| 婷婷五月成人| 人妻久久婷婷| 五月天淫乱视频| 五月天免费色| 67194国产| 久久综合五月| 日本在线观看aaa 99| 香蕉久久国产AV一区二区| 色99热| 久久久久人妻精选| 99热欧| 久婷婷婷| 超热久碰.com| 一区二区三区四区牛| 91|疯狂丨高潮丨对白| 夜夜干天天操| 天天精品视频免费观看| 天堂中文国产| AV性爱网| 成人va视频| 99热这里有精品2| 色色吧综合| 91操在线视频| 色五月天丁香婷婷| 2016日日夜夜操| 色原狠狠综合| 丁香五月婷婷综合91| 色色热| 视频综合网| 久久五月综合| 精品久热69| 四射综合网| 日韩AC在线免费观看| 三十熟女| 欧美色激情四射| 精品一区二区三区四区五区六区| 99色视频| 亚洲乱码日产精品BD| 99视频| 婷婷丁香小说| 激情亚洲婷婷| 久久婷五月| 色爽九九| 五月婷婷色| 婷婷五月色播放| www.婷婷| 九九热在线精品视频| 国产性爱亚洲是图| 成AV人片一区二区三区久久| 亚洲第一成人无码A片| 中文字幕乱码亚洲精品一区| 国产成人精品一区二区三区视频| 99热在这里只有精品| 久久草婷婷丁香网站| 欧美一区二区三区不卡影视| 天天夜夜六月丁香五月婷婷老师| 青青福利网| 奸逼视频| 丁香五月婷婷色播艳门照| 丁香五月综合在线观看| 五月天婷婷综合免费| 五月丁香婷婷网在线在线| 久久五月综合| 五月丁香成年黄色| 五月婷婷六月色| 日韩丰满少妇无码内射 | 99热网址| 色色综合网站| 婷婷五月深深的爱| www.99热. com这里只有精品| 色五月婷婷久久| 成人免费在线电影| 久久婷五月| 亚洲va综合va国产va中文| 欧美成人精品A片免费一区99| 狠狠操狠狠色| 久久丁香五月| 色色色999| 亚洲亚洲人成综合网络| 婷婷五月天综合久久日| 色噜噜狠狠色综合网| 深爱五月月天| 丁香五月天综合网| 婷婷久久精品| 俺去也五月| 丁香五月婷婷久久久| 99久久婷婷五月综合| 99精品热视频| 国产熟女日日骚五月丁香爱| 99视频在线精品| 五月天社区| 欧美69久成人做爰视频| 久久婷婷综合国产| 天天做天天要天天爱| 婷婷成人小说综合| 五月婷婷久久综合| 日本44久久在线| 玖玖爱导航| 久久永久网址| 色婷婷成人| 五月丁香综合激情| 久久日九九| 99热最新地址在线| 激情五月小说婷婷| 最近中文字幕在线中文视频| 91婷婷在线观看| 激情网战码亚洲A| 久久婷婷欧美| 九九99九九99九九99视频网| 日韩在线看AV| 激情久久肏屄视频| 99热这里只有精品国产精品| 日本一级一级一级一级| 91日综合欧美| 天天综合色丁香| 日日爽夜夜爽| 伊人99久久| 久久五月天婷婷| 色色色色色色色色色色色色色色,网站| 91久久久久久| 五月亭久久无码视频| 日韩欧美一区二区三区四区| 超碰在线观看9| 五月综合激情久久| 丁香婷婷五月天校园春色| 久草热视频在线观看| 图片区 小说区 区 亚洲五月| 五月天婷婷AV| 男人的天堂婷婷色五月| 精品视频这里只有精品| www.91婷婷| AA片在线观看视频在线播放| 婷婷开心深爱五月天| 天天干天天干天天干天天干天天干| 丰满老熟妇BBBBB搡BBB| 狠狠色网| 色五月六月| 国产美女无遮挡裸体毛片A片| 99ri久久| www.夜夜騎夜夜狠| 99热自拍| 激情小说五月天社区丁香| 蜜乳中文字| 欧美性猛交99久久久久99按摩| 欧美在线97| 色亚洲激情| 激情婷婷五月丁香啪啪啪| 婷婷五月花免费视频在线| 亚洲第一成人无码A片| 国精产品一区一区三区免费视频| 国产欧美婷婷| 天天搞天天爽| 九月婷婷综合| 亚洲天堂久久| 亚洲综合色色| 99色在线观看视频| 日韩精品一区二区亚洲AV观看| 激情五月丁香综合网站| 天天综合天综合久久网| 精品无码色| 99热只有这里有精品| 婷婷丁香激情综合色情| 九九婷婷综合| 六月丁香大香蕉| 六月色婷婷| 九月av在线| 天天综合影院| 国产av第一专区| 天天拍夜夜爽日日| 五月婷婷六月天| 久久激情综合| 亚洲a色| 婷婷午夜天| -91九色大屁股| 成人婷99最新| 国产成人av在线| 99热这里都是精品| 91狠狠色丁香婷婷综合久久精品| 九月婷婷久久久| 日韩不卡DvD| 激情综合区| 非洲一级AV| 生活片五区| 婷婷黄色| 久久思思热| 天天看片日日夜夜| 无码91中文字幕| 热99只有精品| 激情婷婷在线| 色5月婷婷| 欧美槡BBBB槡BBB少妇| 激情五月天在线| 美国少妇性做爰| 婷婷激情五月综合丁| 99爱在线| 五月激情天| 亚洲综合久| 久久久久久久人妻| 久久这里只有精品16| 欧美性色A片免费免费观看的| 午夜不卡成人一区二区| 97色碰碰公开视频| 亚洲视频操| 五月天激情黄色小说在线观看| 丁香五月电影| 狠狠色情婷婷| 中文字幕av网站| 欧美私人家庭影院| 久久99大| 色五月大| 综合欧美五月婷婷| 美女要搞搞天天搞搞搞网站| 9久精品| 久久久久人无码人妻| 影音先锋AV资源男人站| 日韩 中文 欧美| 久久精彩免费视频精彩免费视频| 99日视频在线| 婷婷九月狠狠色| 99人人干人人| 99视频在线观看视频| 日日日日日| 曰日爽日日操| 色五月五月婷婷| 国产另类综合| 婷婷午夜天| 亚洲99在线| 五月天丁香| www.色综合.com| 九九亚洲| 中文激情网| 开心五月深爱五月| 国产小精品| 清纯唯美 激情四射| 碰超亚洲| 射久久丁香五月| 啪啪综合| 日日干五月天婷婷| 五月丁香少妇A| 九九热这里只有精品一| 玖玖资源站中文| 婷婷在线激情| 99无码超碰| 日韩九区| 综合狠久久| 亚洲视频久久| 大香蕉狼人久久| 99亚洲天堂| 婷婷成人综合免费视频| 欧美噜一噜| 久久婷婷六月综合综合色| 色99在线| 五月天色综合| XX色综合| 日hao1区| VA婷婷| www.丁香黄色五月天人与| 丁香美女主播视频在线观看| 激情人妻综合| 这里有精品| 亚洲天堂色| 婷婷六月天天| 91婷婷丁香五月天免费视频网站| 欧美婷婷五月激情| 婷婷五月天综合久久| 91狠狠色| 日韩在线看AV| 综久久久| 激情五月综合网| 亚洲九九在线| 超碰色综合| 婷婷涩五月天综合| 免费观看的av| 五月婷婷无码| 婷久久综合| 婷婷五月激情网站| 婷婷丁香五月亚洲| 日日夜夜天天爽| 婷婷性爱网| 日韩精品无码一区二区| 久久伦乱| 色五月色综合| 九九99免费理论| 天天躁日日躁狠狠躁日日躁2022年5月9日| 久久色午夜在线导航| 婷婷综合久久| 五月婷婷六月丁香在线| 大香蕉五月天婷婷| 无码一级片| www久久五月com| 99视频精品在线| 97色干| 久久精品天| www.五月天性.com| 久久女人天堂| 色操综合| 99热这里只有精品手机在线观看| 六月婷婷色| 人妻熟人中文字幕一区二区| 久久久五月五丁香| 天天操天爱综合| 五月婷婷啪啪啪| 任你爽在线视频| 97成人丁香婷婷| 色综合色综合色综合色综合| 亚洲熟妇AV乱码在线观看| 婷婷五月网图片区| 欧美日韩AAA| 色婷婷香蕉| 国产精品电影网| 五月香六月婷| 99激情视频| 99热99久久| 激情五月丁香综合网站| 激情五月婷婷| 欧美熟女99| 另类激情中文| 婷婷五月激情在线| 丁香九月激情| 天天做天天爱天天高潮| 日本综合99| 激情五月天婷婷久久久久久久久久久| 婷婷情色五月天| 99热99日天天干| www.五月婷婷久久.com| 狼友视频在线观看18| 激情五月天福利| 伊人婷婷激情| 五月丁香激情综合| 69热在线| 这里只有精品视频在线| 丁香婷婷浪潮AV久久综合 | 操一区| 伊人五月婷婷| 亚洲成人人人操| 天天射天天操天天干| 激情综合网婷婷久久| 精品久久99| 成人综合视频在线| 婷婷在线激情| 哇嘎成人久久| 色五月天成人| 男人天堂AV在线一区二区| 在线看片h站| 丁香婷婷精品视频| 九九色热| 操碰97| 久久草大香蕉| 久久9精品| 九九热啪啪| 99精品国产在热久久婷婷| 色色色成人网| 人妻久久久久久| 丁香九月综合| 深爱五月激情| 婷婷她六月天| 婷婷五月天电影网| 久久久精品AV| 性生活视频98791| 97色色综合| 99∨VTV| 丁香五月大香蕉AV| 天天澡天天狠天天天做| 亚洲精品444久久久久久| 人人草人人视| 天天综合色99| 婷婷狠狠操| 丁香五月成人丝袜| 丁香美女五月天婷婷| 99热欧美偷拍| 婷婷玖玖五月天| 另类图片激情五月| 五月色婷婷中文字幕| 91色综合网| 欧美操人| 亚洲va日| 九九99九九精品免费| 天天综合五月| 色婷婷色综合久久精品V| 99精品在线下载| 91av视频| 5月丁香婷婷激情网| 99偷拍视频在线日本| 99热丁香| 婷婷综合激情| 国产精品18久久久| 丁香九月婷婷色| 97性高潮久久久| 丁香五月成人婷婷| 日韩一级片| 99综合视频一体| 第六色在线| 一区=区操屄高清大全av| 婷婷网五月天| 91尤物九色在线| www激情| 欧美日韩大黄| 99re8热精品免费视频| 五月开心深爱激情网| 婷婷久久性爱| 26uuu欧美| 五月伊人视频在线看| wwww.色婷婷| www久久艹| 色婷婷综合久色AV五色最新| 夜精品无码A片一区二区蜜桃| 婷婷五月AV| 九九久久精品| 婷婷色五月亚洲| 99久久婷婷综合| 思思99久久| 一起草无码视频| 精品国产AV色一区二区深夜久久 | 国产美女无遮挡裸体毛片A片| 亚洲 六月 综合| 色婷婷久久视屏| 日日综合网| 天天爱天天做天天爽| 97在线干| 五月婷婷啪啪| 开心五月色婷婷综合开心网| 九热电影av| 丁香六月啪| 色婷婷视频综合| 99热1| 可以免费观看的AV| 丁香婷婷视频一区二区| 97碰碰在线看视频免费| 777影视理论片大全在线观看| 久久激情五月天| 99久在线观看| 免费视频在线观看的网站| 五月丁香婷婷AV| 精热在线综合网| 亚洲123区高清入口| 丁香色五月 97干| 激情纯色婷婷五月天在线不卡视频| 任你搞在线观看视频| 欧美婷婷综合| 99精品福利视频| 久久xx| 婷婷五月综合社区在线| 婷婷五月天激情网| 99免费视频在线观看爱| 九九热AV| 丁香婷婷五月天成人| 五月天婷婷基地| 99热在线观看亚洲区| 久久婷婷亚洲| 久久精品一区二区三区四区| 日韩精品一品二区三区的使用体验| 欧美成人热| 丁香激情五月少妇| 色播五月网| 欧美日韩aaaa| 丁香五月AV综合| 日熟女| 日韩久久成人| 另类图片激情五月| 亚洲综合狠狠艹| 大香蕉婷婷丁香天堂AV| 超碰人人摸AV| 能看的av网站| 欧美日韩aaa| 亚洲色婷婷网站| 9一精品视频观看| 国产精品大香蕉| 丁香久久五月婷综合| 思思re视频在线| 伍月婷婷免费视频| 中文字幕五月久久婷| av高清无码| 五月丁香六月成人| 草五月| 超碰AAAAAAV| 丁香婷婷黄网站| 丁香99| 国产精自产拍久久久久久蜜| 五月婷婷色影院| 亚洲激情97五月天| 丁香亚洲婷婷五月| 婷婷丁香社区网| 九九人人精品| 综合九色| 久久婷综| 国产成人片| 丁香五月性爱| 99性爱视频| 六月丁香深深爱| 婷婷第六色| 色色色婷婷五月| 99资源在线| 色五月丁香A欧美com| 亚洲人妻av| 婷婷五月综合社区| 激情丁香五月天| 日本欧美国产| 五月天中文字幕在线婷婷| 婷婷爱在线观看| 成人五月天丁香婷| 丁香五月九九| 精品99*| 香蕉久久国产AV一区二区| 日夜操B| 综合网啪| 激情五月婷婷综合| 五月天激情av| 俺去也在线官网| 狠狠色丁婷婷日日,伊人激情综合网| 91丨九色丨高潮丰满日本| 玖玖婷婷视频| 婷婷干六月综合旧址| 国产毛片欧美毛片久久久| 亭亭玉月丁香| 另类天堂| 久久性爱视频| 综合一区二区三区| 人人摸人人| 玖玖精品视频| www色婷婷com| 99久久免费精品| 中文不卡一二区| 综合热无码| 丁香五月亚洲无码| 丁香五月婷婷成人色区| 五月久久噜噜| 五月天激情在线视频| 99久热这里有精品| www.狠狠操.co m| 五六月婷婷| 97影院一级片| 97人人看| 婷婷五月天AV| 丁香五月在线人妻| 欧美五月丁香啪啪响视频| 日本综合久| 五月丁香手机在线| 天天做天天爱天天爽夜夜揉| 538午夜激情| 欧美va亚洲va| 国产五月丁香在线| 婷五月天在线草| 婷婷美女精品视频| 亚洲丁香五月美女| 婷婷在线免费| 色色色色色网站| 久久综合五月天| www.婷婷,com| 99久热在线精品| 996热| 日韩成人综合网| 婷婷婷婷婷婷婷五月丁香| 人人干av| 97色色色| 9视频在线成人网站| 丁香五月激情啪啪啪啪| 丁香五月www| 91 原创 在线 九色| 91色五月| 激情综合婷婷五月| 天天干天天 亚洲| 色婷婷视频综合| 五月丁香六月情| 亚洲第一成人无码A片| 亚洲AV免费在线| AA片在线观看视频在线播放| 日本二级毛片二级毛片| 五月色情精品| 丁香五月777| 97操碰碰无码视频| 噜噜噜噜婷婷五月天| 另类丁香五月天区图| 五月天婷婷永久免费视频| 99热这里只有精品首页| 天天操B| 99久久久久| 中文字幕日产A片在线看| 久婷婷久草| 91狠狠色丁香| 激情五月深爱五月观看| 思思热这里只有精品视频666| 天天爱天天做天天舔| 狠狠狠狠狠狠狠狠草| 99热99色| 亚洲精品99| 色五月丁香五月| 欧美色男人网站| 99热99| 久久久人妻久久久| 婷婷丁香五月天亚洲| 激情图片婷婷丁香五月| 青青草五月天| 天天久综合网永久入口18| 久久图色4| 色色五月婷婷| 五月丁香狠狠地噜噜噜噜| 久婷婷色| 99精品在线| a片在线免费观看一区| 中文字幕在线日亚州9| 天天综合五月| 五月丁香成人小说| 五月丁香久久| 噜噜五月天综合| 九九热这里只有精品23| 亚洲Av入口| a久久| 亚洲乱码日产精品BD| 九九偷拍网| 婷婷五月播| 婷婷五月天成人综合网| 日本久久婷| 日韩成人不卡| WWW99热| 琪琪秋霞| 色婷婷五月天视频网站| 婷香五月激情视频| 操逼视频网址| 丁香五月在线人妻| 综合激情五月天六月婷免费视频| 大香蕉久操| 婷婷酒色网| 激情宗合哪里能看| 黄色激情五月天| 狠狠色综合网| 色色色色色五月丁香| 婷婷深爱五月亚洲综合| 久久综合影院| 99丁香婷婷综合网| 婷婷五月色情天| 五月天激情视频五月天| 狠狠狠狠狠狠狠狠| 99re视频在线精品| 思思热久久阴99| 天天插综合| 免费无码毛片一区二区A片| 99热精品10| 99热这里精| 91色色色| 三级99热| 97色色色色色色色色色色色色色| 亚洲熟女色| 日日噜噜夜夜狠狠久久丁香五月| 国产精品美女| 丁香婷婷在线| 色五月婷婷网| 无码人妻电影| 终合激情网| 久久精品凹凸分类| 婷婷五月天成人| 五月丁香六月在线| 99免费超碰在线| 轮奸综合网| 九九在线视频| 久9热在线免费观看| 26uuu美女三级视频| 操操自拍| 综合久久六月| 五月丁香色婷| 播播网色播播| 色播婷婷五月天| 亚洲最大视频| www五月婷婷88导航| 99热情这里只有精品在线播放| 天天日日夜夜| 97操碰在线97| 五月婷伊人| www.五月.com| 艹天天射| 婷婷五月丁综合| 精品一二三区久久AAA片| 婷婷丁香五月天哟啪| 操人久久| 加勒比日本一区二区三区| 五月婷婷九月婷婷九月婷婷| 777精品久无码人妻蜜桃| 色婷婷基地| 五月丁香色婷婷| 亚洲黄色操逼| 337p大胆噜噜噜噜噜91Av| 色婷久久| 色五月丁香六月欧美综合| 五月婷网| 色五月综合网站| 欧美A级网站| 中文在线视频久1| 97碰在线视频| www.com亚洲网站在线免费| 【乱子伦】黄色| 天天噜| 久久久国产精品黄毛片| 伊人婷婷大香蕉| 99热在线观看免费| 大香蕉九九| www999日韩精品| 操日本人妻视频| 色五月婷婷亚洲| 国产精品成人网址| 色综合性视频| 亚洲色在线观看| 99热97| 五月激情四射网站| 婷色五月| 婷婷性福五月天| 射婷婷中文字幕| 五月丁香婷婷六月| 欧美日本另类| 久久您您综合网| 婷婷五月天论坛| 五月婷婷综合激情小说| wwccc久久久| 无码91中文字幕| 九九热区一区二区三区| 99热国品| 婷婷成人小说综合| 亚洲六月综合激情久久下卡| 天天干天天玩天天夜天天射天天操天天日蜜臀少妇 | 第四色婷婷色五月| 欧美大片| 99热这里只有精品一区| 4399无码视频| 天天草天天日| 97成人丁香| 亚洲精品激情| 亚洲4区国产欧美| 五月丁香久久| 亚洲旡码| 久热这里只有精品99re| 日本色频| 国产激情久久久| 丁香六月婷婷高清| 色九九综合色| www.开心激情| 综合色视频| 丁香六月啪啪啪| 91要啪| 99操| www.狠狠狠.com| 狠狠操狠狠色| 五月婷婷中文字幕| 蜜桃婷婷狠狠久久| 中文字幕在线免费观看视频| 九九综合视频在线观看| 中文字幕人成乱码在线观看| 26UUU精品一区二区Com| 99人妻碰碰久久久禁片| 丁香六月婷婷综合在线| 久久久久久久久久久97| 丁香婷婷性爱| 日日操夜夜操狠狠操| 5月丁香综合图区| 91wwmm导航| 中文字幕天天干| 丁香婷婷五月六月久久| 丁香婷婷人妻| 人妻日日日| 久久婷婷成人综合色怡春院| 综合大香蕉| 色婷网| 亚洲看av的网站| 97人人操com| 五月婷中文字幕| 欧洲精品欧洲情| 日本综合九九| 超碰国产AV| 精品网站99| 丁香婷婷五月色综合| 丁香五月婷婷视频| 99re在线观看| 亚洲视频一区| 五月天婷婷影院影院观看| 精品99在线| 99人人干| 五月丁香六月婷婷久久| 台湾无码A片一区二区| 夜夜涩涩涩| 91fuliwang| 色欲婷婷五月天| 天天开心AV色综合婷婷五月天| 亚洲天堂青草| 日本三级韩三级99久久| 我要看激情五月天| 黄色成人网站在线播放| 久久婷婷五月| 好好干av| caop在线视频| 岛国AAAV| 91Chinese在线| 蜜臀九九九九| www久久久久久久97| 丁香六月成人网| 六月丁香五月天| 天天日天天色| www.minyis.com【JT】国内CDN落地页保证转化QQ2101460746 | 日本99色| 99精品视频网| 天天草天天日| 久久人人九九| 欧洲电影在线观看免费版英语版| 六月激情婷婷| 五月激情丁香久久综合网| 性爱七区| 五月丁香六月激情综合| 五月天亭亭俺也| 丁香五月天人体| 亚洲婷婷五月| 色135综合网| 婷久久| 麻豆123区| 一本久久婷婷| 久久天天| 婷婷涩五月| 99精色| 五月婷婷久久综合| 激情丁香久久| 色青青电影色五月| 天天操婷婷| 色99色| 韩国久久少妇视屏| 色婷婷五月天成人网| www.天天干| 久久精品视频在这里有| 99久久久久久久| 五月桃花网综合| 色色色在线观看| 久久丁香综合| 99综合| 果冻传媒A片一二三区| 九九热最新地址| 国产日韩欧美性生活| 九九99香蕉在线视频播放| 蜜桃婷婷丁香综合久久开心亚洲| 色99在线观看| 婷婷精品性性性性性性性| 天天做天天爱天天爽夜夜揉| 日本三级网址| 中字幕视频在线永久在线观看免费| 五月色欧洲| 在线中文av| 亚洲天堂青草| 噼里啪啦完整版中文在线观看| 色99网| 99热这里只有精彩| 天天干狠狠操| 精品在线| 色色丁香五月天| 丁香五月婷婷五月| 国产AV国片偷人妻麻豆| 婷婷色综合| 99精品在线播放| 亚洲V国产V欧美V久久久久久| 狠狠草狠狠草| 国产成人VA| 天天做综合| 青青草蜜臀| 月婷婷亚洲| 亚洲va在线| 婷婷狠狠色| 精品99在线| 思思精品视频| 激情小说五月天| 精品一二三区久久AAA片| 色色激情五月天| 538在线精品| 色欲AVV| 激情超碰网| 色婷婷超碰| 精品色情一区二区三区四区| 天天干肏夜夜| 色狠狠综合| 日韩欧美成人片| 欧美激情综合色综合啪啪五月| 久久久五月天| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | 久久丁香| 久久九九经典| 伊人九热| 99超超碰| 日日操夜夜擼| 亚洲情综合五月天| 激情www| 日韩欧洲亚洲| 丁香九月激情| 九九综合伊人| 综合五月丁香六月婷婷| 五月天成人小说| 色婷婷AV五月天| 两性婷婷丁香五月| 日韩高清久久| 99爱这里只有精品| 综合九九|