当前位置: 首页 > 专利查询>中南大学专利>正文

基于多模态深度神经网络的药物-药物相互作用事件预测方法、系统、终端及可读存储介质技术方案

技术编号:28983457 阅读:2 留言:0更新日期:2021-06-23 09:32
本发明专利技术公开了一种基于多模态深度神经网络的药物‑药物相互作用事件预测方法、系统、终端及可读存储介质,该方法包括:获取药物‑药物相互作用事件、药物异质特征以及药物知识图谱;获取药物在知识图谱中的拓扑嵌入表示和药物的相似嵌入表示;将药物的拓扑嵌入表示以及药物的相似嵌入表示进行拼接融合构建药物‑药物相互作用事件预测模型,并利用样本中药物‑药物的相互作用事件进行模型训练;进而利用预测模型进行药物‑药物相互作用事件预测;即将待预测的药物在知识图谱中的拓扑嵌入表示以及药物的相似嵌入表示输入预测模型得到药物‑药物相互作用事件预测结果。本发明专利技术利用不同模态特征间的关联性与互补性,进而提高预测结果的准确性。

【技术实现步骤摘要】
基于多模态深度神经网络的药物-药物相互作用事件预测方法、系统、终端及可读存储介质
本专利技术属于药物设计和医药
,具体涉及一种基于多模态深度神经网络的药物-药物相互作用事件预测方法、系统、终端及可读存储介质。
技术介绍
随着药物种类数量的快速增长,当服用多种药物进行疾病的治疗时,确保药物之间的安全至关重要。药物-药物相互作用(DrugandDrugInteraction,DDI)预测问题是指当多种药物同时服用的时候,由于组成药物的化合物分子的影响、药物作用的靶向蛋白、靶向通路以及不同酶的作用可能导致药物之间发生不良的相互作用,从而对患者造成不良的伤害或者巨大的医疗费用。另外,DDI还可能导致不同的生物学后果和事件。因此,准确预测DDI事件已成为一项临床重要任务,可帮助临床医生做出有效的决策并建立适当的治疗方案。另外,正确使用多种药物可以最大程度地降低患者的治疗风险和发挥药物的协同效益。药物-药物相互作用事件来源于多种方面,包括组成药物的化合物分子的影响、药物作用的靶向蛋白、靶向通路以及酶的作用等,这些因素影响着药物之间的相互作用事件。每一种因素与药物都可以组合成一个独立的特征矩阵,将多个特征矩阵的信息聚集会提供给药物-药物相互作用事件预测任务很大的帮助。然而,由于缺乏足够的临床数据和知识,药物-药物相互作用事件的预测任务是一个严峻的挑战。因此,发现潜在药物-药物相互作用事件的研究方案在改善医疗保健和提高药物警戒性上具有深远的影响。但是现有的方法大多数利用药物的多源特征进行独立的分析,从而导致现有方法中药物-药物相互作用预测结果的可靠性还有待进一步提高。
技术实现思路
本专利技术针对现有技术存在的问题,提供一种基于多模态深度神经网络的药物-药物相互作用事件预测方法,其分析不同模态特征间的关联性与互补性以提高DDI事件预测的准确性。一方面,本专利技术提供的一种基于多模态深度神经网络的药物-药物相互作用事件预测方法,包括如下步骤:步骤S1:获取药物数据作为样本,所述药物数据包括药物-药物相互作用事件、药物异质特征以及基于药物属性构建的药物知识图谱;步骤S2:基于药物知识图谱获得药物在知识图谱中的拓扑嵌入表示;以及基于药物异质特征进行相似性计算得到药物的相似嵌入表示;步骤S3:将药物在知识图谱中的拓扑嵌入表示以及药物的相似嵌入表示进行拼接融合构建药物-药物相互作用事件预测模型,并利用步骤S1中样本中药物-药物的相互作用事件进行模型训练得到药物-药物相互作用事件预测模型;步骤S4:利用步骤S3得到的药物-药物相互作用事件预测模型进行药物-药物相互作用事件预测;其中,将待预测的药物对中药物在知识图谱中的拓扑嵌入表示以及药物的相似嵌入表示输入所述药物-药物相互作用事件预测模型得到药物-药物相互作用事件预测结果。本专利技术的技术思路为:通过构建药物知识图谱,设计图神经网络利用药物的拓扑结构和语义信息获得药物的拓扑嵌入表示;通过收集药物的异质特征,计算药物异质特征的相似性作为药物的相似嵌入表示;通过将药物的拓扑嵌入表示和相似嵌入表示进行拼接,经过多层全连接层进行多模态特征分析,进行药物-药物相互作用事件的预测。其中,多模态特征之间往往存在一定互补性,分析不同模态特征间的关联性与互补性可以提高DDI事件预测的准确性。另外,药物知识图谱蕴含了药物丰富的信息,包括药物的拓扑结构信息和语义信息,这些信息的重要性不可忽视。因此,本专利技术将上述两种特性应用至本专利技术的所述方案中,以提高预测结果的可靠性。可选地,所述药物-药物相互作用事件预测模型如下所示:其中,表示药物di,dj的药物-药物相互作用事件的预测结果,分别为药物di,dj的最终嵌入表示,表示拼接操作,σ是非线性激活函数softmax,W3,b3为可训练权重和偏置。可选地,若药物异质特征包括:亚结构Fs、靶标Ft和酶Fe,步骤S2中基于药物异质特征进行相似性计算得到药物的相似嵌入表示为:其中,药物di的亚结构相似嵌入靶标相似嵌入和酶相似嵌入对应Es、Et、Em分别为亚结构相似矩阵、靶标相似矩阵、酶相似矩阵;所述亚结构相似矩阵、靶标相似矩阵、酶相似矩阵中的元素均是利用药物对的药物异质特征及相似值计算公式计算得到。可选地,所述亚结构相似矩阵、靶标相似矩阵、酶相似矩阵中的元素均是利用Jaccard相似计算得到,其中,Jaccard相似计算公式如下:其中,J(Fi,Fj)表示两个药物的异质特征之间的相似值,Fi,Fj分别为两个药物的异质特征。可选地,步骤S2中基于药物知识图谱获得药物在知识图谱中的拓扑嵌入表示的过程如下:首先,初始化药物知识图谱中每个节点的嵌入表示,节点包括药物节点和属性节点;然后,利用计算药物知识图谱中药物节点与属性节点的边的权重分数,公式如下:其中,为药物节点di和和属性节点对应边的权重分数,分别表示药物di和关系rin的初始化嵌入表示,所述关系rin表示属性节点的功能描述,⊙表示Hamada积,W1和b1分别表示可训练权重和偏置;其次,根据每个邻居节点的不同权重分数计算药物节点的邻居嵌入表示:其中Ns(di)表示药物di的采样邻居节点集合,表示药物节点di的邻居嵌入表示,表示药物di的邻居节点tn的初始嵌入表示;最后,药物di在知识图谱中的拓扑嵌入表示:其中,表示拼接操作。同样也可以获得药物dj的拓扑嵌入可选地,步骤S1中基于药物属性构建的药物知识图谱表示如下:其中,D表示药物集合,R表示关系集合,T表示药物的属性节点集合,d,rdt,t分别表示药物、关系以及属性节点。二方面,本专利技术还提供一种基于上述方法的系统,包括:药物数据采集模块:用于采集药物-药物相互作用事件、药物异质特征;药物知识图谱构建模块,用于基于药物属性构建的药物知识图谱;药物的嵌入表示获取模块,用于基于药物知识图谱获得药物在知识图谱中的拓扑嵌入表示;以及基于药物异质特征进行相似性计算得到药物的相似嵌入表示;预测模型构建及训练模块,用于将药物在知识图谱中的拓扑嵌入表示以及药物的相似嵌入表示进行拼接融合构建药物-药物相互作用事件预测模型,并利用采集的药物-药物的相互作用事件进行模型训练得到药物-药物相互作用事件预测模型;预测模块,用于利用步骤S3得到的药物-药物相互作用事件预测模型进行药物-药物相互作用事件预测。三方面,本专利技术还提供一种终端,包括处理器和存储器,所述存储器存储了计算机程序,所述处理器调用所述计算机程序以执行:一种基于多模态深度神经网络的药物-药物相互作用事件预测方法的步骤。四方面,本专利技术还提供一种可读存储介质,存储了计算机程序,所述计算机程序被处理器调用以执行:一种基于多模态深度神经网络的药物-药物相互作用事件预测方法的步骤。有益效果1.本专利技术提供了一种基于多模态深度神经网络本文档来自技高网
...

【技术保护点】
1.一种基于多模态深度神经网络的药物-药物相互作用事件预测方法,其特征在于:包括如下步骤:/n步骤S1:获取药物数据作为样本,所述药物数据包括药物-药物相互作用事件、药物异质特征以及基于药物属性构建的药物知识图谱;/n步骤S2:基于药物知识图谱获得药物在知识图谱中的拓扑嵌入表示;以及基于药物异质特征进行相似性计算得到药物的相似嵌入表示;/n步骤S3:将药物在知识图谱中的拓扑嵌入表示以及药物的相似嵌入表示进行拼接融合构建药物-药物相互作用事件预测模型,并利用步骤S1中样本中药物-药物的相互作用事件进行模型训练得到药物-药物相互作用事件预测模型;/n步骤S4:利用步骤S3得到的药物-药物相互作用事件预测模型进行药物-药物相互作用事件预测;/n其中,将待预测的药物对中药物在知识图谱中的拓扑嵌入表示以及药物的相似嵌入表示输入所述药物-药物相互作用事件预测模型得到药物-药物相互作用事件预测结果。/n

【技术特征摘要】
1.一种基于多模态深度神经网络的药物-药物相互作用事件预测方法,其特征在于:包括如下步骤:
步骤S1:获取药物数据作为样本,所述药物数据包括药物-药物相互作用事件、药物异质特征以及基于药物属性构建的药物知识图谱;
步骤S2:基于药物知识图谱获得药物在知识图谱中的拓扑嵌入表示;以及基于药物异质特征进行相似性计算得到药物的相似嵌入表示;
步骤S3:将药物在知识图谱中的拓扑嵌入表示以及药物的相似嵌入表示进行拼接融合构建药物-药物相互作用事件预测模型,并利用步骤S1中样本中药物-药物的相互作用事件进行模型训练得到药物-药物相互作用事件预测模型;
步骤S4:利用步骤S3得到的药物-药物相互作用事件预测模型进行药物-药物相互作用事件预测;
其中,将待预测的药物对中药物在知识图谱中的拓扑嵌入表示以及药物的相似嵌入表示输入所述药物-药物相互作用事件预测模型得到药物-药物相互作用事件预测结果。


2.根据权利要求1所述的方法,其特征在于:所述药物-药物相互作用事件预测模型如下所示:



其中,表示药物di,dj的药物-药物相互作用事件的预测结果,分别为药物di,dj的最终嵌入表示,表示拼接操作,σ是非线性激活函数softmax,W3,b3为可训练权重和偏置。


3.根据权利要求1所述的方法,其特征在于:若药物异质特征包括:亚结构Fs、靶标Ft和酶Fe,步骤S2中基于药物异质特征进行相似性计算得到药物的相似嵌入表示为:



其中,药物di的亚结构相似嵌入靶标相似嵌入和酶相似嵌入对应Es、Et、Em分别为亚结构相似矩阵、靶标相似矩阵、酶相似矩阵;
所述亚结构相似矩阵、靶标相似矩阵、酶相似矩阵中的元素均是利用药物对的药物异质特征及相似值计算公式计算得到。


4.根据权利要求3所述的方法,其特征在于:所述亚结构相似矩阵、靶标相似矩阵、酶相似矩阵中的元素均是利用Jaccard相似计算得到,其中,Jaccard相似计算公式如下:



其中,J(Fi,Fj)表示两个药物的异质特征之间的相似值,Fi,Fj分别为两个药物的异质特征。


5.根据权利要求1所述的方法,其特征在于:步骤S2中基于药物知识图谱获得药物在知识图...

【专利技术属性】
技术研发人员:高建良吕腾飞
申请(专利权)人:中南大学
类型:发明
国别省市:湖南;43

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1