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
久久狠婷婷| 婷婷五月天免费| 99思思| 婷婷 丁香 久久| 这里只有精品视频在线看| 影音先锋女人AA鲁色资源| 就要去操亚洲成人精品五月天丁香婷婷| 婷婷五月丁香综合| 91操色| 天天操天天插| 一区二区三区四区无码| 《丁香激情综合久久伊人久久》影视在线观看 -高清预告手机免费播放 -三妹影院 | 五月丁香婷婷综合| 国产综合色婷婷精品久久| 色欲天天综合| www.99热视频在线观看| 五月刺激丁香月综合| 日日噜狠狠色| 日韩久热| 99年操人人爽| 五月天色五月| 青青草原中文字幕| 久久受www免费人成| 99综合99| 在线中文亚洲| 亚洲乱码日产精品BD| 99热6这里只有精品6| 99精品国产乱码久久久人妻| 激情综合色播| 天天爽在线视频| 五月丁香成人网| 激情五月丁香色婷婷| 婷婷五月天天| 丁香五月色五月| 成人网站免费在线播放| 五月在线婷色| 色综合久久无码| 女人天堂AV| 久草大| 国产av天堂| 五月天自拍视频| 婷婷情色五月| 久机视频这只有精品| 激情婷婷五月女| 97在线观视频免费观看 | 二区成人视频| 婷婷五月天伊人| 色情五月天se| √天堂资源在线人妻熟女| 99热在线播放| 色五月天成人| 99热这是里只有精品| 亚洲岛国电影| 天天爽天天操| 久久人妻视频| 开心五激情网| 色婷婷综合网站| 九九9久九9国产视频| 婷婷社区五月天| 91精品综合久久久久久五月丁香| 久久资源综合| 免费看欧美成人A片无码| 五月婷婷福利| 91热er| www.五月婷| 婷婷六月激情| 超碰在线超碰| 婷婷中文字暮| 婷婷5月开心6月| 日韩综合久| 韩国真做片在线观看| 人人摸人人搞| 婷婷免费无视频| 五月花激情网| 9 7总站超级碰免费视频| 色婷婷在线播放| 日日射天天射| 精品五月丁香| 91热99| 国产av网| 欧美三级巜人妻互换| 五月天久久91| 婷婷激情五月天小说校园| 九九香蕉网| 五月丁香婷婷伊人| 99激情| 99色在线| 99热这里只有精品中文字幕| 色婷婷狠狠久久综合五月| 91视频精品99| 玖玖99精品视频| 国产美女无遮挡裸体毛片A片| 婷婷 伊人 久久| 伊人久久五月天| 9久久精品| 一起草日本| 99操视频| 久久视频这里有精品99| 五月天婷婷影院| 天天爽天天摸| 五月天激情.com| 婷婷丁香色五月亚洲| 国产小网站| 最新高清无码专区| 熟女人妻一区二区三区免费看| 丁香五月综合激情性爱| 伊人五月综合网| 婷婷激情5月| 五月丁香激情五月天| 欧美日本黄色| 成人网站免费在线播放| 色哟哟精品| 9999热精品| 婷婷丁香日韩五月| 操逼电影免费看| 噼里啪啦在线观看免费完整版视频 | 99久久大片| 激情5月婷婷狠狠干| 日韩AV片| 99色色热热| 手机在线日韩视频中文字幕| 五月丁香婷婷激情影院欧美| 婷婷内射视频在线| 大香蕉久久久久| 天天综合91入口| www.ywav| www.91AV.COM| 久久思思99| 中文字幕欧美精品久久| www.com.色色| 国产.亚洲.欧洲视频在线| 丁香五月婷婷婷桃花影院| 超碰色碰碰| 99热久久这里只有精品| 色情终和网| 国产毛片欧美毛片久久久| 九九aV| 在线观看中文字幕| 八戒青柠影视剧在线观看| 无码99| 99亚洲视频| 中文字幕在线免费观看视频| 亚洲操操操| 激情综合网激情五月天| 极品少妇XXXX精品少妇偷拍| 99热香港| 69色婷婷| 久久黄A片| 五月天狠狠网站| 婷婷五月激情四月综合 | 9久久久久| 色噜噜狠狠色综合成人网| 九九色大香蕉| 色噜噜狠狠色综合伊人| 五月丁香成人版| 欧美丁香五月天| 99热久草| 五月天伊人综合| 色色色国产| 97人人干| 伊人五月婷| 日韩av高清| 色99超碰| 婷婷导航| 色播丁香婷婷五月激情| 五月丁香激| 五月丁香六月香香蕉| 人人摸人人搞| 北条麻妃伊人 | 久久五月婷综合| 一本婷婷丁香久久| 婷久久| 国产精品大香蕉| 五月丁香激情片| 六月丁香深深爱| 99热成人在线观看| 爆乳熟妇一区二区三区爆乳照片| 丁香六月天| 91re色综合视频| 久艹伊| 五月丁香六月婷综合成人综合| 色婷婷成人做爰A片免费看网站| 1024操逼| 人人操AV| 思思精品热在线| 婷婷午夜激情| 色婷婷8| 性色av大香综合| 亚洲国产婷婷色五月| 婷婷丁香五月天欧美| 五月婷婷网站| 久热只有精品| 我想看国产大学生口爆吞精的视频| 久久 婷婷 五月天| 99热精国产这里只有精品| 色噜噜狠狠一区二区三区| 色色吧综合| 99精品视频在线观看| 91色欲综合| 色色五月天丁香| 丁香五月日啪| 亚洲无码成人| 成人性生活免费观看。| 九九精品热| 婷婷十月丁香| 欧美精品999| 狠狠色狠狠色综合日日91| 九九99在线免费在线观看视频| 五月丁香人人婷婷在线观看| 99ri精品| 中文字幕亚洲-区久久99婷婷| 久热久| www.亭亭五月天| 色五月琪琪| 久热在线中文字幕色999舞| 丁香五月九九| 青青草婷婷综合五月| 大香蕉婷婷久久| 欧美成人AAA片一区国产精品| 日本久久99久久| 五月丁香直播| 亚洲综合激情五月久久| 丁香婷婷激情四射五月| 深爱开心激情网| 99热青青草| 热99视频精品在线| 蜜臀av无码久久久久久久久| 色99自拍| 九九色之九九色之88| 天天干天天操天天上| 五月婷婷影| 丁香五月-激情综合| 99久re热视频精品98| 色五月天成人| 991自拍视频| jiujiu热在线视频| 9久精品视频| 综合五月激情| 六月丁香五月激情婷婷| 亚洲亚洲人成综合网络| WWW色五月天| 97人人搞| 97色97干| 五月综合色| 99精品久久久久久| 国产片色| 久久人妻超碰一区| 九九热这里只有精品12| 99免费在线视频| 99热综合色图| EEUSS鲁片一区二区三区| 一本久久婷婷| 国产精品久久久久久五月天加勒比| 免费亚洲婷婷| 婷婷激情五月吧| 五月丁香好婷婷A片网| 996热re视频在线观看视频| 怡红院院久久| 欧洲MV日韩MV国产| 色狠狠色噜噜噜a天堂一区| 日日操天天操| 激情综合网之激情五月| 久热这里| 天天日日夜夜爽| 伊人干综合| 1024操逼视频| 久久婷婷五月综合色奶水99啪| 婷婷五月天AV在| 思思热久热| 懂色av粉嫩AV蜜臀AV| 97色伦另类图片小说视频 | 国产综合婷婷| 天天综合网91| 五月丁香六月激情欧美综合| 色五月xxx| 久久只有18视频| 色五月天激情| 亚洲第一综合| 丁香六月 人妻| 能看的av| 丁香激激情网| 超碰在线观看成人视| 99热精品中文字幕| 啪啪激情综合| 激情五月综合亚洲另类| 色九月激情综合网| 中文字幕人妻一区二区| 五月天亚洲综合网| 久久婷婷色情7777网站| 激情小说五月天| 琪琪秋霞| 色欲AVV| 五月丁香六月婷婷在线播放| 色欧美日| 激情五月婷婷综合| 久色成人| 亚洲韩国日产综合AV| 五月天开心激情综合网| 丁香婷婷色| 九九99久久| www.minyis.com【JT】实力收量可预付TG@LXSPSW8 | 玖玖热视频| 欧美99视频| 婷婷五月六月| 五月综合六月丁| 色天使色综合| 开心五月综合激情网| 超碰在线人妻| 极品精品一区二区三区在线| 久久99热久久99精品| 99综合熟女| 色婷婷狠狠爱| 五月色婷婷AV| 丁香五月AV| 日本99久久| 思思热思在线精品视频| 婷婷久久女人| 六月婷婷开心| 天天爽天天做| 日本综合久| 免费视频在线观看的网站| 九一99| 色色九九五月天 | 久久久久婷婷五月热综合| 亚洲亚洲人成综合网络| 热久久这里只有精品| 开心五月婷婷五月| 碰久久精品w| 久热综合| 99热精品6| 久艹大香蕉| 丁香六月婷婷| 少妇综合网| 久久99热只有精品| 婷色综合| 亚洲综合久| 综合色、色综合| 天天插天天爽| 五月六月激情婷婷| 182TV大香蕉| 婷婷五月天网| 色色五月婷婷久久| 在线A色| 激情五月,激情综合网| 99热在线观看| 五月婷婷与六月丁香图片激情| 乱女乱妇熟女熟妇综合网站| 91干在线视频| 人妻丰满精品一区二区A片| 色婷婷电影网| 色五月开心开心五月激情五月| 4399欧美另类视频| 天天揷综合网| 蜘蛛女免费观看完整版高清电影| 超热久碰.com| 午夜不卡久久精品无码免费| 九九综合精品| 激情综合网色播五月| 九九精品在线视频观看| 四季AV综合网| 久久丁香婷| 亚洲操操操| 激情五月婷婷在线观看| 丁香五月色情| 色久婷婷网| www.五月婷婷.com| 91日精品| 精品A√| 操操碰| 免费观看的av| 五月天狠狠干| 六月综和久久| 亚洲一个色| 另类亚洲视频| 美女xx不卡| 少妇被下春药玩弄A片| 五月叮香啪| 色婷婷五月天激情综合| 欧美激情 日韩无码 婷婷 五月天| 五月婷免费视频| 亚洲日韩久久婷婷伊人| 国产真人做爰视频免费| 直接看的av| 婷婷久久五月天| 天天爱天天做天天爽| site:xmssd.com| 91色综合网| 人人97操| 99艹精品在线观看| 日韩av手机在线观看| a网站免费观看| WWW,五月| 久久精品五月天| 五月婷婷婷婷| www.狠狠艹| 五月婷婷视频28| 五月天激情网址| 亚洲黄色影视| 五月丁香久久| 丁香五月在线人妻| 五月天激情综合首页| 1024国产| 五月婷婷av| 日本久久视频| 91久久| 色99婷婷五月天| 亚洲不卡123| 婷婷丁香综合网| 欧美精品999| 丁香五月五月婷婷| www.狠狠| 五月婷婷激情网| 五月天综合视频| 成片免费播放| 色色色99| 色色99| 天天日夜夜爽| 五月开心网| 婷婷激情五月综合| 99热 精品在线| 公的粗大挺进了我的密道| 六月色色| 亚洲熟妇AV乱码在线观看| 99干日日干| 伊人热在线大香蕉| 人人综合色| 久草婷妨| 色五月偷偷| 色噜噜五月天| 九九热这里只有精品23| 亚洲色色图片| 婷婷丁香综合成人| 99热精品观看| 成人网在线视频| 亚洲欧洲国产精品| 婷婷久久午夜网| 丁香婷婷少妇| 拳交大逼| 99re免费精品视频| 天天日天天插| 九色综合五月天婷五月| 97在线/日本| 无码yw| 成人 在线 日韩| 丁香五月六月久久综合| 欧洲综合视频在线观看。欧洲,亚洲综合食品在线观看。 | 碰97 久| 丁香五月婷婷啪啪视频| 综合久久伊人| 久热九九| 欧美综合在线五月天色婷婷| 一丁香五月天月AV| 综合五月天| 610018岁成人视频| 色 五月 天 婷婷 丁香 九月| 欧美色宗和激情| 欧洲永久精品| 色色 9| 9l视频自拍九色9l视频在线观看| 天天操天天插| 丁香婷婷综合色五月激情国产基地| 9视频1在线| 99在线精品观看99| 五月天婷a| 激情五月婷婷在线观看| 欧美色色色| 欧美婷婷色| 97人人看一| 五月婷婷激情刺激| 欧美色五月天| 爱草视频在线| 天天操婷婷| 色噜噜狠狠一区二区三区| 色色色色色色综合网| 亚洲精品成人片在线播| 色婷婷丁香五月天在线视频| 六月婷婷综合| 色色丁香| 日本婷婷在线| 丁香五月综合在线播放| 精品久久99| 亚洲无码影音| 久久丁香五月综合六月激情红杏视频| 人人射av| 99热最新网址| www.色色com| 久久久久久天天日天天爱| 丁香狠狠色婷婷久久无码视频| 九九色综合九九色| 99小视频在线观看| 午夜性爱影视一区77| 成人丁香五月天Av| 激情综合视频| 欧美丁香婷婷天天操| 五月丁香婷婷激情澎湃四射| 96丁香六月婷婷蜜桃综合久久| 99操网站| 色五月天成人在线| 成人日韩欧美| 六月婷婷网| 婷婷深爱色五月| 丁香婷婷色| 99色人| 久久久久久久五月婷婷六月丁香综合,开心激情综合网 | 热99精品视频五月| 国产女人十八水真多1| 日韩好吊操| 成人免费在线电影| 五月丁香婷久久| 激情综合综合综合| 再綫Av免费視品| 色婷婷丁香五月天在线观看| 亚洲国产精品VA在线看黑人| 久久婷婷五月综合| 99久久久久久www| av中文字幕免费观看| 香蕉久久国产AV一区二区| 天天干天天操天天爽| 91男女视频在线观看| 丁香五月天堂网| 超碰网站在线观看| 五月色婷婷夜色| 婷婷五月天影视网址| 日韩成人av在线| 久久久9久| 视频这里只有精品16| 丁香五月成人社区| 欧美日朝成人| www999日韩精品| 一片AV片免费播放| 亚洲 五月 婷婷 成人| 婷婷五月在线视频| 九九黄色网| 五月婷婷天堂| 色婷婷免费视频| 六月激情网| 超碰人人妻| 秋霞电影理论| 欧美性生交XXXXX无码小说| 六月激情久久婷婷| 丁香激情网| 亚洲综合激情五月久久| 五月婷婷av| 影音先锋一区二区三区| 久久 婷婷 五月天| 超碰com| 涩五月婷婷| 久久区区一二三av| 伊人婷婷五月天| 久操人| 99热日韩| www久| 色五月色五天色情网| 中文字幕 中文字幕明步| 五月色亭丁香| 99热这里只有精品86| 99久久偷拍视频| 亚洲色婷婷视频| 五月刺激丁香月综合| 丁香五月激情鲁| 成人免费超碰| 丁香五月六月综合激情| 嫩草视频观看| 婷香五月| 开心深爱五月天| 99国产精品久久久久久久久久久| 亚洲尤物在线| 婷婷狠狠青青| 26uuu成人网| 婷丁香五月天| 九月丁香婷婷| 密臀久久| 97操碰98| 可以免费观看的av| 色婷网| 青青草五月天| 内射丰满人妻| Caoub青青超碰 | 欧美黄色一级| 色综合99| 久热91| 人妻久久久久久| 色综合五月婷婷狠狠干| 中文字幕av网站| 婷婷婷婷婷婷婷婷| 婷婷伊人网| 日韩aaa| 色五月天综合| 国产精品第一国产精品| 五月丁香六月在线| 五月丁香亭亭操逼| 东北婷婷五月天| 9久热精品在线视频| 久久久精品人妻录| 成人版视频在线观看| 亚洲色色色| 综合久久五月| 婷婷色情五月| 五月天婷婷基地| 六月天六月婷| 1234操逼网| 亚洲综合色色| 丁香激激情网| 91精品人妻少妇无码影院| 婷香五月激情视频| 激情五月综合网最新 | 激情五月丁香综合蜜桃| 亚洲99精品九九在线| AAAA网站| 婷婷伊在线| 91九九热| 79精品视频在线观看,| 五月天激情网页| av在线观看网站| 91妻人人爽人人看片| 婷婷色啪| 婷婷五亚洲| 在线观看的av| www.婷婷五月.com| 婷婷深爱五月| 成人丁香五月天| 99热国品免费| 韩国19 主播内部福利vip免费播放| 九九色综合| 天天噜| 九月婷婷丁香| 五月丁香色情| 热久久色| 丁香五月综合狠狠| 婷婷五月色播| 欧美五月婷婷| www激情婷婷com| AV美美午夜| 精品久久9| 日本色婷婷| 丁香欧美| 丁香五月天人体| 國語久久婷| 99在线播放| 男妓跪趴把舌头伸进我的嘴巴| 色五月婷婷操逼| 激情开心五月天婷婷基地丁香社区| 亚洲艹网| 超碰超碰在线| 9热在线观看| 蜜臀av 粉嫩av 懂色av | 九九99九九99偷拍视频免费看| 色婷婷精| 香蕉久久国产AV一区二区| 中文字幕成人| 91丨九色丨高潮丰满日本| 婷婷五月天成人小说| 99色热视频| 精品人妻伦| 噜噜狠狠| 五月丁香激情啪啪| 综激情网| 婷婷情色五月天| 婷婷丁香五月天操逼| 五月天久久色| 无码激情AAAAA片-区区| 伊人色综合网| 欧美色五月| 色中色综合| 伊人干综合| 久久性操| 97碰碰人人| 99热在线观看精品| 日本高清久| 婷婷五月色激情欧美激情| 激情小说视频图片| 婷婷五月天中文字幕| 丁香婷婷在线| 日韩在线五月天婷婷| 婷婷五月天电影在线| 欧美性色五月天| 天堂婷婷丁香六月网| 欧美丁香六月激情视频| 丁香五月天精品| 求可以看的AV网址| 免費观看aV在线网址| 伊人九热| 亚洲视频在线网| 中文字幕人妻AV| 五月天婷婷丁香人人操91| 一级韩国产精品毛| 国产色99| 日本在线视频播放91| 91超碰在线播放| 久婷婷| 九九这里只有精品在线视频| 这里只有精品日韩| 色色色视频免费无码 | 六月丁香综合| 狠狠色综合网站久久久久| 色婷婷小说| 久久激情五月| 亚洲电影在线观看| 色五月综合网站| txt五月激情四射网综合俺也来了 五月天婷婷丁香人人操91 | 亚洲性爱AV| 色综合久久综合| 国产熟女大叫受不了| 激情五月综合网最新| 亚洲国产精品成人免费一区久久久在线观看AAAA | 99ri视频| 色欲丁香久久| 直接看的AV网站| 亚洲第一综合| 在线99热| 99精品国产在热久久| 亚洲99热| 99ri精品在线| 国产色色在线| 激情婷婷丁香色五月| 五月天开心激情综合网| 亚洲综合婷婷| 国产精产国品一二三在观看| 黄色av网站在线免费播放| 日本三级网址| 婷婷丁香69精华| 91av视频| 成人婷99最新| yazhouzonghesese| 日韩啊啊啊| 91丨九色丨东北熟女| 欧美私人家庭影院| 婷婷综合另类| 99久久婷婷国产综合精品青桔| 丁香婷婷久久激情| 久久激情五月婷婷| 丁香午夜天| 狼人伊人天堂| 在线观看的av| 我要射综合| 欧美五月婷婷| 韩日另类| 久久久99视频| 久久XX日本综合| 亚洲AV中文在线| 内射激情在线| 91丨九色丨熟女丰满| www.五月天| 日韩成人电影Av| 天天想夜夜爽天天爽| 五月天激情网开心网| 久久婷婷五月天| 67194线路二在线观看| 五月丁香色| 国产精品蜜臀99| 天天射美女| 亚洲网在线观看| 亚洲无线视频| 色色综合视频| 九九色热| a色婷婷| 五月丁香av在线| 激情综合国产| 精品久9| 色婷婷基地在线| 日婷婷久久开心| 九九热最新| 97热在线精品| 丁香社区婷婷五月| www夜夜| 99热一本久道| 人人干AV| 婷婷五月天视频| 五月天激情啪啪| 涩涩婷婷五月| 俺去也婷婷| 婷婷九色| 五月丁香婷婷开心| 第一区久久网站| 婷婷色婷婷| 五月天丁香欧美激情| 夜夜夜夜操| 亚洲成人网站在线观看| 人人综合91网| 思思热久久爱| 中文字幕无码人妻少妇免费视频| 五月天丁香网站| 亚洲色情网站| 熟惀91九色在线| 激情五月天婷婷免费观看| 激情六月天| 婷婷色狠狠| 色情五月天se| 热久久这里只有精品| AV成人在线播放| 婷婷五月丁香伊人| 色五月婷婷777| 午夜理论片最新午夜理论剧| 亚洲五月婷| 丁香激情五月少妇| 99热这里只有精品搜| 欧洲色区| 丁香五月婷婷久久久| www色婷婷| 991精品在线视频| 日本va欧美va欧美精品88| 五月天婷婷婷| 狠狠狠狠狠狠狠狠草| 日本九九九九| 丁香婷婷六月激情文学 | 亚洲综合另类| 久操大屁股女人av| 啪到高潮激情丁香五月| 久久五月婷天天干| 这里只有精品99www| 激情五月天网| 天天弄天天爽| 日韩成人网址| 五月婷婷六月丁香激情深爱| 九九色色| 丁香五月影院| 天天激情站| 大香蕉五月天婷婷| 久草天堂| 九九亚洲视频| 日日爽日日| 婷婷久久综合久| 99热超碰在线| 九九性视频| www.超碰| 高潮毛片遮挡费高一百度| 色情五月综合婷婷| 色婷婷狠狠干| 精品国产AV色一区二区深夜久久| 思思视频精品| 免费做A爰片77777| 亚洲色情一区二区三区四区| 国产欧美日韩综合精品一区二区| 啪啪啪五月天| 欧美精品狠狠色丁香婷婷| 激情网五月婷婷| 97超碰色| 开心激情综合| www.97碰碰com| 五月丁香激情综合| 狠狠五月激情在线| 亚洲亚洲人成综合网络| 婷婷五月天激情综合深爱| 五月婷婷很很色| 99热在线观看精品免费| 日hao1区| 色五月综合在线| 色五月婷色彩免播放器| 国产精品99久久久久久久女警| 涩涩五| 五月婷婷激情啪啪| 色情成人五月天| 久草性爱| 日韩成人电影AV| 五月婷综合性中心| 好大好粗嗯啊-一级黄色大片免费观看-成人AV| 国产婷婷五月色情综合| 色五月婷婷91| www激情| 精品无码人妻一区| 婷婷九月久久| 综合网啪| 欧洲永久精品| 超PEN精品在线| 夜夜夜夜夜骑撸| 色综合久久综合中文综合网| 九久9精品| 色婷婷先锋| A级毛片高清免费不卡播放谢谢谢谢| 婷婷亚洲综合| 五月天色婷婷视频| 99热在线看| 亭亭五月色男人| 色播五月丁香综合| 色播五月丁香综合| 六月综合婷婷开心伊人| 狠狠干五码| 久久98热re| 天天干天天做| 丁香婷婷成人网| 色婷婷狠狠爱| 成人av在线网| 婷婷涩涩五月天| 九九视频这里是精品五月| 色婷婷精品视频在线播放| 久9久9热久热| 久久这里都是精品视频| 在线超碰91| 色婷婷影视| 综合五月婷婷| 色五月丁香五月激情五月激情| 97超级啪啪在线观看| 9|无码久久久久久| 婷婷五月AV| 91碰| 激情五月黄色| 综合大香蕉| 少妇人妻凹凸视频| 婷婷五月亚洲综合| 久久九九99视频| 操一区| 亚洲综合色棒| 丁香五月网站| 亚洲色婷婷久久99精品91| 超碰精品在线| 26uuu日韩| 婷婷五月情色| 成人在线综合| 婷婷色色网站| 人妻熟妇国产精品| 久久婷婷五月综合色丁香| www.yw尤物| 黄色aa观看aaguochan| 无码99| 天天干,夜夜爽| 天天操九九插| 91精品无码| 永久天堂日本| 五月丁香影院| 99ri国产在线| 综合九九| 激情图片婷婷| 五月激情综合网| 久久综合9| 99热这里有精品| 五月婷亚洲精品AV天堂| 天天色色天天| 99色丁香婷婷综合网| 97久久超碰| 91婷婷五月丁香碰| 五月婷A V在线| 亚洲午夜av| 永久免费视频| 欧州色色| 激情激情激情网| 婷婷色五月噜噜| 97在线视频人妻九色| 奇米影视777在线_在线观看午夜_h小视频在线观看_岛国大片 | 97啪在线观看视频| 丁香六月天| 嫩草视频在线观看| 色噜噜狠噜噜视频| 蜜桃婷婷丁香| 99色啊| 五月丁香猫咪久久婷婷综合视频激情四射网入口 | 日本人妻操| 日本eVa一区=区视频| 色婷网| 色碰碰视频| www.夜夜| 色五月天成人| 天天摸夜夜夜| 六月丁香五月激情婷婷| 色五月久久成人婷婷| 激情婷婷| 丁香九月久久| av在线激情| 99热久97| 天天艹| 九九色黄色| 亚洲九九99精品视频在线播放| 99噜噜噜在线播放| 九九综合| 99热这里只有精品9| 亚洲av网站| 99在线视频资源| 99热免费| 五月狠狠| 久久综合中文字幕| 丁香五月综合激情性爱 | 六月婷婷AV| 久久久久久久久久久久63| www久久久久久久| H亚洲| 久久久亚洲成人无码A片| 操逼五月婷婷| 日本91在线播放| 天天干天天av天天射| 婷婷大香焦| 久草免费福利视频| 久久受www免费人成| 大香蕉福利导航| 校园春色亚洲色| 亚洲中文AV网站| 91综合色噜噜| 日韩久综合| 亚洲免费av在线| 超碰成人av| 色五月色五天色情网| 久久99婷婷| 好好干Av| 99热这里只有精品21| 99er免费在线观看| 森林影视大全,最好看的2019年视频 | 五月丁香婷婷基地| 国产午夜一区二区三区| 九九热精品| 99re6在线视频精品免费| 免费无码毛片一区二区A片| 六月婷婷毛片| 婷婷五月日本| 大天天伊人| 日本三级日本三级三级人妇四虎| 伊人婷婷五月天| 激情涩涩网| 日韩激情人伦人| 五月丁香六月婷婷的女人| 天天透天天爱| 五月丁香成人| 人妻少妇色综合| 无码免费人妻A片AAA毛片西瓜| 色五月丁香五| 狠狠色丁香婷婷| 激情四射网| 激情的五月婷婷蜜桃| 颜射 精品性爱av| 天天日天天干天天天| 成人免费在线电影| 久久99热这里只有精品| 内射干少妇亚洲69XXX| 久热精彩视频98| 色婷婷88| www色婷婷久久综合久色| 狠狠色五月| 激情图片五月天| 国产亚洲在线| 99精品视频在线观看| 婷婷基地成人五月天| 97婷婷狠狠| 开心五月丁香综合久久| 天堂草在线观看| 久久五月丁香婷婷| 97精品人人A片免费看| 久热爱大香蕉在线蜜臀悦色| 丁香五月婷婷啪| 丁香五月亚洲无码| 天天插综合| 99色在线| 偷拍九九热| 色综合天堂| 天天操天天爽天天爱| 婷婷五月天电影网| 日本狠狠色| 五月天另类小说久久小说网| 五月婷婷中文字幕| er99免费视频在线| 激情性爱五月| 在线观看免费视频| 小泽玛利亚视频一区二区| 色VA| 国产五月天欧美色| 久久综合人妻| 91伦| 性爱先锋AV| 丁香五月激情啪啪| 看片视频在线免费日产在线看| 欧美精品狠狠色丁香婷婷| 99碰超| 国产欧洲欧洲精品久久| 99热免费在线| 丁香九月激情| 久久狠婷婷| 青草视频在线观看视频| 懂色av粉嫩AV蜜臀AV| 色色婷| 久久五月综合| 99热在线观看| 色婷在线视频| 五月丁香av在线| 99热这里| 九热av| 亚洲激情网站无码| 99狠狠| 岛国AAAV| 九九综合视频在线观看| 5月婷婷激情在线| 丁香网站| 99九九综合久久九九| www.夜夜.com| 久久婷婷影院| 婷婷人人操| 拳交大逼| 精品夜夜澡人妻无码AV| 丁香六月色婷婷| 99久久综合| 亚洲欧美在线观看| 日韩成人电影AV| 日本婷色| 99riAV成人在线视频| 丁香五月婷婷久久久| 99热亚洲精品| 婷婷五月精品| 五月开心六月婷婷在线播放网站| 大香蕉婷婷丁香视频在线| 97偷拍对白视频| 五月天婷婷久色| 九九99久久| 色综合久久中文| 亚洲激情免费视频观看| 国产乱妇乱子在线播视频播放网站| 婷婷久久五月丁香| 99视频精品全部观看10| 激情五月天久久| 99在线免费视| 色综合激情| 欧美日本黄色| 天天日夜夜曹| 亚洲无码性爱| 丁香五月亚洲无码| 九色PORNY9l原创自拍| www.久久久.com| 亚洲成人av在线播放| 亚洲婷婷综合视频| 中文国产五月天| 国产99久久久国产精品免费看| 99热乎| 久久婷婷五月综合| 久久草中文日韩欧美| 狠狠狠狠狠干| 99欧美三级视频| 婷婷五月天天aV| 91 欧美| 中文不卡一二三区| 五月婷婷激情综合| 九九日本视频| 综合久久99| 任你草| 九九色综合| 色999五月色| 99久久婷| 色丁香五月天| 天堂久久精品| 中文字幕在线免费| 九九九九综合| 日良久久| 色婷婷网| 五月丁香综合啪啪| 婷婷久久久| 97综合在线| WWW,五月| 中文精品久久久久人妻不| 久久五月丁香| ww亚洲ww在线观看| 日日夜夜干| 色色色在线免费视频| 狠狠综合网| 爱草视频在线观看| 思思re最新视频| 丁香婷婷六月激情综合| 色婷婷五月天av在线| 丁香婷婷久久综合在线| 色婷婷亚洲综合天堂| 婷婷涩涩五月天| 色综合色婷色基地| 激情丁香五月| 在线另类视频| 这里只有精品免费视频| 丁香六月狠狠| 亚洲精品无AMM毛片| 米奇影视资源婷婷狠狠色激情欧美五月丁香 | 亚洲色激情| 色综合色色色色| 色欲天天综合| 丁香五月激情六月欧亚激情综合导航| 婷婷五月天福利| 六月伊人婷婷| 丰滿爆乳一区二区三区| 五月天婷婷激情小说电影| 99久久久久久www| 久久久中文| 色色影院aaaav| 色色色色色色综合网| 天天干天天干天天干天天干天| 金品在线视频99| 亚洲五月婷婷| 婷婷5月天激情综合| 狠狠操狠狠色| www.99热这里精品| AV在线大香蕉| 丁香五月天堂| 五月婷婷激清网| 丁香六月激情毛片| 丁香五月婷婷基地| 丁香五月天天日| 久久久亚洲成人无码A片| 深爱激情五月网| 二色AV| 国产午夜精品一区二区三区四区| 五月开行婷婷色五月| 婷婷网影院| 色综合久久久久| 五月停停丁香| 超碰97免费在线| 91九色首页| va亚洲中文在线| 色色五月天网站| 婷婷九月亚洲| 九月色婷婷综合| 六月五月丁香五月欧美| 97人碰人操| 人妻视频在线| 五月丁香999| 久久五月情| 久草热在线视频| 久热网站| www.色综合| 久久九九Com| 亚洲精品成人| 欧美综合激情五月| 91色九| 人人人操 超碰| 五月婷婷六月丁香| 99高级会所久久| 色综合色色色色| 激情久久久| 极品人妻VideOssS人妻| site:minyis.com| 九九激情视频| www.色五月| 成人网址在线观看| 色的色综合| 婷婷五月丁香超碰| 免费看欧美成人A片无码| 五月婷婷深深爱| 激情丰满熟妇五月| 丁香六月婷婷久久高清| 久久久久久久11111111111| 综合久久97| 亚洲第一色区| 99综合色色色| 天堂网色色| 中字幕视频在线永久在线观看免费| 欧美色色色色色色| 青青草婷婷综合五月| 激情性爱五月天| 天天色凹凸| 色婷婷影视| 九九精品综合| 999影院成人在线影院| 激情深爱婷婷网| 久久综合伊人77777蜜臀| 丁香婷婷五月份| 日日干天天爽| 亚洲欧美丁香五月天亚洲欧美| 91dy.av| 久久久激情| 最新AV在线观看| 中字幕视频在线永久在线观看免费 | 婷婷五月天狠狠搞干| 激情婷婷内射| 淫视馆AV在线| 色色综合热| 在线18av | 色综合99| 婷婷月综合| 欧美日韩AAAA| 99热只有国产在线精品| 爱性综合网| jiujiujiuwuyuetian| 91欧美日韩| 91人人人人人| 99久久99九九99九九九| 综合色五月| 色99视频| 丁香六月色婷婷| 亚洲婷婷激情888精品久|