药物与药物相互作用预测模型及其训练方法技术

本发明专利技术公开了一种药物与药物相互作用预测模型及其训练方法，所述的训练方法包括：所述预测模型训练方法的目标是获取知识图谱中的高阶结构和语义关系，通过基于图采样的训练形成机制，每个训练批次都在知识图谱中采用图随机采样的方法为每一药物构建高阶感知域，确保每个药物的感知域结构一致，增加模型的鲁棒性和泛化性，采用图注意力机制从邻域实体中学习特征，根据邻居实体特征的差异，学习出邻居实体不同的权重，以提高邻居实体特征融合的有效性，从而提升预测模型的精度。从而提升预测模型的精度。从而提升预测模型的精度。

Drug drug interaction prediction model and its training method

【技术实现步骤摘要】
药物与药物相互作用预测模型及其训练方法


[0001]本专利技术涉及知识图谱和深度学习领域，基于图采样的知识图谱注意力机制的药物与药物相互作用预测方法，以预测药物与药物相互作用。

技术介绍

[0002]药物与药物相互作用(Drug Drug Interaction,DDI)通常指一种药物的药代动力学或药效动力学被另一种药物改变。当一种药物与另一种或多种药物合用发生药物相互作用时，患者会表现出许多不良药物反应，严重时会引发永久性后遗症或死亡。因此，为减轻药物相互作用影响，有效地识别潜在的药物相互作用显得至关重要。目前，大多数预测方法采用整合多个数据源的方法以获得更全的药物特征。这些方法都基于一种假设，即具有相似特征的药物将展现出类似的效果。目前较多预测方法是倾向于结合嵌入表示方法，自动学习药物表示，然后通过诸如矩阵分解，随机游走等方式对药物相互作用进行建模。尽管这些方法取得了良好的性能，但不足之处在于，它们将药物与药物相互作用建模为独立的数据样本，只考虑药物的某一类药理信息，并未综合考虑所有药理信息的关联性。
[0003]另一方面，由于知识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种药物与药物相互作用预测模型训练方法，其特征在于，包括以下步骤：步骤S1，输入训练数据集，并设置训练参数，所述训练数据集包括：药物与药物相互作用矩阵对和药物知识图谱G(V,E)，其中N
d
表示药物数量，所述训练参数包括：感知域深度H，邻域采样实体个数K；步骤S2，调用面向知识图谱的图随机采样算法构建感知域，包括：从感知域中心即药物节点开始，遍历药物感知域中h层的每一个实体u，在实体u的一阶邻居实体中随机选择K个节点保存至集合中，再合入到h+1层感知域中，由此得到采样后的H层感知域；步骤S3，将感知域中实体向量特征变换即获得药物D
i
的H层感知域RF<h>(h＝0,...,H)，所述对感知域RF<h>中所有实体u的实体向量进行线性变换降低实体节点的特征维度；步骤S4，基于注意力机制的感知域特征提取，包括：计算感知域中实体u与一阶邻居节点的权重系数，然后汇聚邻居节点嵌入向量及其权重系数，根据特征汇聚结果，更新实体u的特征向量，迭代H次后，更新药物实体特征向量；步骤S5，计算药物对发生相互作用的概率，包括：将更新后的药物实体特征向量进行归一化处理，计算药物对相关系数，再将结果输入到二分类器中计算损失；利用后向传播算法更新注意力网络参数，设置训练停止条件。2.根据权利要求1所述的一种药物与药物相互作用预测模型训练方法，其特征在于，步骤1中，所述知识图谱G＝{(h,r,t)|h,t∈V,r∈E}以三元组形式存储，其中h表示三元组的头实体，t表示三元组的尾实体，r表示实体之间的关系，头实体h和尾实体t通过关系r相互连接，即尾实体t是头实体h一阶邻居，V表示实体节点集合，E表示实体关系集合。3.根据权利要求2所述的一种药物与药物相互作用预测模型训练方法，其特征在于，步骤2，具体包括以下步骤：步骤S2.1，对于药物集合中的药物D
i
构建知识图谱其中V
i
表示与药物D
i
相关的实体节点集合，E
i
表示与V
i
相关的实体关系集合；步骤S2.2，在药物D
i
的知识图谱G
i
(V
i
,E
i
)中，表示药物D
i
的实体向量，RF<h>为药物D
i
的h层感知域，令h＝0，第0层感知域步骤S2.3，遍历中h层感知域中每一个实体u，在实体u的一阶邻居实体中随机选择K个节点保存至集合并合入到h+1层感知域：步骤S2.4，若h＝H
‑
1，直接输出药物D
i
的H层感知域RF<H>，否则令感知域层增加数h＝h+1，跳转到步骤S2.3。4.根据权利要求3所述的一种药物与药物相互作用预测模型训练方法，其特征在于，步骤3中，所述对感知域RF<h>中所有实体u的实体向量进行线性变换降低实体节点的特征维度，计算公式如下：

【专利技术属性】
技术研发人员：胡海峰，叶慧敏，吴建盛，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：