基于多模态表示学习的药物相互作用预测框架及预测方法技术

本发明专利技术公开了一种基于多模态表示学习的药物相互作用预测框架及预测方法，预测框架包括：使用多模态表示学习来提取药物特征，将小分子药物的的特征向量和生物制药的特征向量连接成一个药物对向量，把药物对向量中的每一个特征输入神经网络进行运算，对所有药物对特征的运算结果求均值。预测方法首先构建样本，将样本输入预测框架进行训练和测试，最后再输入药物对进行预测。本发明专利技术提出了一种双通道CNN有效提取序列中复杂的局部化学信息和上下文关系，异构网络中所有药物节点的关联信息被编码为一维特征向量，最后使用DNN对SMD和BioD相互作用进行预测，能够有效学习药物的复杂多模态特征以预测新的SBI。模态特征以预测新的SBI。模态特征以预测新的SBI。

【技术实现步骤摘要】
基于多模态表示学习的药物相互作用预测框架及预测方法


[0001]本专利技术属于计算机领域，具体涉及一种利用神经网络预测药物相互作用的方法。

技术介绍

[0002]联合用药已成为医生治疗患者疾病的普遍情况。据估计，36％的美国老年人同时定期服用至少五种药物。在61岁至80岁的老年人中，大约15％的人在服用药物组合时存在严重的药物
‑
药物相互作用(Drug
‑
Drug Interaction,DDI)潜在风险。随着中国人口老龄化速度加快，出现多种并发症和联合用药情况增加，潜在的DDI发生率也呈指数增长。当几种药物联合给药时可能会改变药物在体内的吸收、分布、代谢和排泄的过程，从而影响底物药物的代谢速率和作用部位的药物浓度，导致药物间产生相互作用。尽管同时使用多种药物通常会提高治疗效果，但某些组合会出现不需要的DDI，从而导致意料之外的不良药物反应(Adverse Drug Reaction,ADR)。作为一种特殊类型的不良反应，ADR不仅会影响患者的健康，严重情况下甚至导致死亡。及早地发现和识别DDI能有效防止医疗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态表示学习的药物相互作用预测框架，其特征在于：使用多模态表示学习来提取药物特征，将小分子药物的的特征向量和生物制药的特征向量连接成一个药物对向量，把药物对向量中的每一个特征输入神经网络进行运算，对所有药物对特征的运算结果求均值。2.根据权利要求1所述基于多模态表示学习的药物相互作用预测框架，其特征在于：小分子药物的特征向量包括原始的结构Structure、衍生出的Daylight、SPI和SSI，生物制药的特征向量包括原始的结构Sequence、衍生出的ESM、BPI和BBI。3.根据权利要求2所述基于多模态表示学习的药物相互作用预测框架，其特征在于：小分子药物和生物制药组成的药物对向量由Daylight+ESM、Structure+Sequence、SPI+BPI以及SSI+BBI四个特征组成，Structure+Sequence特征输入一个CNN进行运算，其余三个特征分别输入三个DNN进行运算。4.根据权利要求1所述基于多模态表示学习的药物相互作用预测框架，其特征在于使用多模态表示学习来提取药物特征包括：使用重编码和双通道CNN学习一维序列特征，将异构网络中所有药物节点的关联信息编码为一维特征向量以学习网络拓扑特征。5.一种基于多模态表示学习的药物相互作用预测方法，包括权利要求1
‑
4任一项所述的相互作用预测框架，其特征在于包括：A.基于现有药物结构、药物蛋白质关联、小分子药物关联、生物制药关联以及小分子药物和生物制药相互作用构建药物初始特征和药物对正负样本；B.基于多模态表示学习提取药物特征，对于药物初始结构特征分别使用重编码和双通道卷积神经网络提取一维序列特征，将异构网络中所有药物节点和蛋白质节点的关联信息编码为一维特征向量提取药物蛋白质关联特征和药物关联特征；C.将药物对正负样本的药物特征输入药物相互作用预测框架进行训练及测试；D.向训练好的预测框架中输入小分子药物特征和生物制药特征，预测是否存在相互作用。6.根据权利要求5所述基于多模态表示学习的药物相互作用预测方法，其特征在于步骤B包括：B1、药物对结构特征表示学习，使用化学开发工具包中的Daylight方法来提取小分子药物的1024维结构特征，通过ESM将生物制药的氨基酸序列编码为一个1024的一维向量...

【专利技术属性】
技术研发人员：谢江，欧阳佳明，黄定凯，何鸿坚，赵畅，
申请(专利权)人：上海大学，
类型：发明
国别省市：