一种基于异质网络表示学习的中药药方重定位方法技术

本发明专利技术公开一种基于异质网络表示学习的中药药方重定位方法，依次包括以下步骤：步骤1.根据输入的数据对其进行预处理，并构造中药药方异质网络；步骤2.根据异质图嵌入方法，通过执行网络药理学学习模块学习中药药方异质网络中的语义关联信息并得到中药药方和疾病的嵌入表示；步骤3.根据步骤2中得到的中药药方和疾病的嵌入表示，使用深度学习推荐算法得到二者的交互影响评分矩阵。最后对评分矩阵结果进行排序，得到对中药药方的Top@K的疾病推荐结果。本发明专利技术可以通过智能计算得到对中药药方的疾病推荐，免去了人工操作，有效地提升了中药药方重定位的效率。中药药方重定位的效率。中药药方重定位的效率。

【技术实现步骤摘要】
一种基于异质网络表示学习的中药药方重定位方法


[0001]本专利技术涉及一种中药药方重定位方法，具体涉及一种基于异质网络表示学习的中药药方重定位方法。

技术介绍

[0002]药物重新定位旨在为现有药物寻找新的应用，具有浪费率低、降低成本和时间短等优点，引起了众多研究人员的关注。尽管关于西药重新定位的研究工作很多，但针对中药药方“多成分、多靶点、多径调节”的特点，西药重定位方法不能直接应用于中药药方重定位。此外，虽然有部分学者利用网络药理学对中药药方重定位进行了研究，但他们仍然采用少量工具进行人工探索。目前，尚未有通用的药方重定位预测方法。

技术实现思路

[0003]专利技术目的：本专利技术的目的在于针对现有特征生成方法无法处理无关或冗余生成特征的问题，提出一种基于异质网络表示学习的中药药方重定位方法(Heterogeneous Network Pharmacology Learning for Prescriptions Repositioning of Traditional Chinese Medicine，HNPL)，使用异质网络表示学习方法
[0004]技术方案：为达到上述目的，本专利技术的一种基于异质网络表示学习的中药药方重定位方法，依次包括以下顺序执行的步骤：
[0005]步骤1.中药药方异质网络构建：根据输入的数据对其进行预处理，包括对各类实体和关系的表示，在经过表示后得到中药药方异质网络G；
[0006]步骤2.网络药理学习：根据步骤1得到的中药药方异质网数据，通过异质网络表示学习方法得到中药药方和疾病的嵌入表示E[p]和E[d]；
[0007]步骤3.药方重定位：根据步骤2得到的特征嵌入表示，使用深度学习推荐方法计算可得到中药药方和疾病之间的交互评分矩阵Y
pd
；然后对每个药方关联疾病的影响评分进行排序，获得前K个推荐结果。
[0008]进一步地，步骤1具体为：建立连接网络中相应节点的关联来构成中药药方异质网络。例如，如果处方p和药材h之间存在关联，则对应的网络G中的两个节点之间存在边，否则没有。
[0009]进一步地，步骤2具体为：
[0010]步骤21.定义元关系：对于从源节点s链接到目标节点t的边，其元关系表示为其中，τ(*)和分别代表节点和边的类型。在TCMHIN中，假设不同类型的节点之间可能存在多种类型的关系。例如，药方和草药节点之间存在包含关系等。
[0011]步骤22.基于元关系感知的异构互注意力计算：
[0012]给定一个目标节点处方p(或疾病d)，它的所有邻居h∈N(p)可能属于不同的分布，它们的相互注意力Attention(*)必须根据它们的元关系来计算。k
‑
head对每条边的注意力权重e＝(h,p)计算如下：
[0013][0014][0015][0016][0017]在这些公式中，对于第i个注意力头ATT
‑
head
i
(h,e,p)，将τ(h)类型的源节点s投影到第i个Key向量K
i
(h)中，线性投影其中n是注意力头的数量，m是每个头的向量维度，然后使用线性投影将目标节点p投影到第i个Query向量中。(2)中的U为先验张量，表示每个元关系三元组，并基于此元关系做注意力的自适应缩放操作。
[0018]步骤23.异质信息传播：
[0019]对于边e＝(h,p)，多头的消息Message(h,e,p)可以计算为公式(5)，(6)：
[0020][0021][0022]为了得到MSG
‑
head
i(h,e,p)
，使用线性映射来映射类型为τ(h)的源节点h为第i个消息向量。矩阵用于整合边的依赖性。
[0023]步骤24.异构消息聚合：
[0024]使用注意力向量作为权重平均来自源节点h的相应信息，采用外积计算得到更新的向量：
[0025][0026]更新向量后，为了得到第l层E[p]的最终输出，需要以目标节点的τ(p)为索引，映射目标节点p并返回其对应类别的分布。接着将线性映射A
‑
Linear
τ(p)
应用于更新向量，然后将前一层p的原始向量作为残差连接：
[0027][0028]为了将信息从源节点h传递到目标节点p，相互注意力的计算是并行执行的。目的是将不同边的元关系合并到消息传递过程中，以缓解不同类型节点和边分布的差异。
[0029]通过这种网络学习表示方式，可以获得E
(l)
[p]和E
(l)
[d]可以用作下游处方重定位模块任务的输入。
[0030]进一步地，步骤3具体为：
[0031]步骤31.计算药方与疾病之间的交互影响评分：
[0032]通过网络表示学习模块，得到处方节点p的嵌入向量，即e
*
p；类似地，对于疾病节点d，向量表示为然后，将其表示向量作为深度学习推荐算法Recommend(*)的输入向量。
根据中医药方p与疾病d的关系，预测得分计算方法如式(9)所示。
[0033][0034]为了学习最佳参数，将目标函数设置为：
[0035][0036]在这个公式中，λ是正则化参数，，||*||为对应的正则化项，随机梯度下降被用于优化参数，模型不断迭代，直到效果最好，最后评估预测结果。
[0037]有益效果：
[0038]本专利技术提供一种基于异质网络表示学习的中药药方重定位方法，借助于异质网络表示学习和深度学习推荐算法相结合的思想，将中药药方重定位问题转换为推荐问题。模型首先通过对已有的中药药方数据进行整里，构造相关的中药药方异质网络，然后利用图神经网络技术从网络中学习处方、疾病及其拓扑邻域表示，提取网络结构信息和语义关系。最后，该模型在充分学习网络药理学的基础上，通过深度学习推荐的方法找到了中药药方的潜在用途。
[0039]其包含以下优点：
[0040](1)使用基于transformer的异构网络表示学习技术从中药药方异质网络中提取语义关系可以更好地表达药方和疾病的特征和关联。
[0041](2)本模型应用元关系和注意力机制自动探索处方和疾病之间的药理信息，从而避免所需的领域知识。
附图说明
[0042]图1本专利技术中HNPL模型的整体框架图；
[0043]图2为网络药理学习模块示意图；
[0044]图3为TCMHIN
‑
ETCM嵌入维度实验结果图；
[0045]图4为TCMHIN
‑
TCMID嵌入维度实验结果图。
具体实施方式
[0046]为了使本专利技术的目的、技术方案及优点更加清楚明白，下面结合具体实施例和说明附图对本专利技术作进一步说明，应当理解，此处所描述的优先实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0047]本专利技术的一种基于异质网络表示学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异质网络表示学习的中药药方重定位方法，其特征在于，依次包括以下顺序执行的步骤：步骤1.中药药方异质网络构建：根据输入的数据对其进行预处理，包括对各类实体和关系的表示，在经过表示后得到中药药方异质网络G；步骤2.网络药理学习：根据步骤1得到的中药药方异质网数据，通过异质网络表示学习方法得到中药药方和疾病的嵌入表示E[p]和E[d]；步骤3.药方重定位：根据步骤2得到的特征嵌入表示，使用深度学习推荐方法计算可得到中药药方和疾病之间的交互评分矩阵Y
pd
；然后对每个药方关联疾病的影响评分进行排序，获得前K个推荐结果。2.根据权利要求1所述的一种基于异质网络表示学习的中药药方重定位方法，其特征在于，步骤1具体为：建立连接网络中相应节点的关联来构成中药药方异质网络；如果处方p和药材h之间存在关联，则对应的网络G中的两个节点之间存在边，否则没有。3.根据权利要求2所述的一种基于异质网络表示学习的中药药方重定位方法，其特征在于，步骤2具体为：步骤21.定义元关系：对于从源节点s链接到目标节点t的边，其元关系表示为其中，τ(*)和分别代表节点和边的类型；在TCMHIN中，假设不同类型的节点之间可能存在多种类型的关系；如药方和草药节点之间存在包含关系；步骤22.基于元关系感知的异构互注意力计算：给定一个目标节点处方p或疾病d，它的所有邻居h∈N(p)可能属于不同的分布，它们的相互注意力Attention(*)必须根据它们的元关系来计算；k
‑
head对每条边的注意力权重e＝(h，p)计算如下：＝(h，p)计算如下：＝(h，p)计算如下：＝(h，p)计算如下：在这些公式中，对于第i个注意力头ATT
‑
head
i
(h，e，p)，将τ(h)类型的源节点s投影到第i个Key向量K
i
(h)中，线性投影(h)中，线性投影其中n是注意力...

【专利技术属性】
技术研发人员：何洁月，朱润，宋凌宁，
申请(专利权)人：东南大学，
类型：发明
国别省市：