一种融合多邻域关联信息的药物-疾病相互作用预测方法技术

本发明专利技术提供了一种融合多邻域关联信息的药物

【技术实现步骤摘要】
一种融合多邻域关联信息的药物
‑
疾病相互作用预测方法


[0001]本专利技术涉及医学人工智能、药物发现及自然语言处理
，具体涉及一种融合多邻域关联信息的药物
‑
疾病相互作用预测方法。

技术介绍

[0002]新药物的研发是一个高消耗过程。由于对药物反应机理识别的不准确性，在进入1期临床试验的药物中，只有10％会被批准，其余的药物会由于高毒性或无效而被淘汰。药物临床实验的高失败率和药物研发的复杂性不仅使新药物研发周期被不断延长，同时也加大了药物研发的成本投入。如何提高药物研发的成功率和降低研发成本成为研究者亟待解决的问题。药物重定位因基于现有已批准的药物进行相关研究，避免了复杂临床实验，可以有效提高药物研发的成功率、降低成本、缩短研发周期。在药物重定位中，药物
‑
疾病相互作用研究扮演着重要的角色，研究药物和疾病之间作用关系对于新药物的研发和临床指导用药具有十分重要的意义。
[0003]目前，药物
‑
疾病相互作用关系预测已由传统的基于生物或临床实验方法逐渐发展为基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多邻域关联信息的药物
‑
疾病相互作用预测方法，其特征在于，包括：步骤1：对生物组学数据库中的药物和疾病信息进行预处理，获取药物
‑
药物相似性网络G
drug
、疾病
‑
疾病相似性网络G
dis
和药物
‑
疾病关联关系异构网络G；步骤2：引入节点聚合和线性融合，构建单邻域特征提取模块和多邻域特征提取模块，并行提取药物和疾病在多个邻域空间中的邻域特征信息；步骤3：通过对比学习将单邻域特征和多邻域特征进行并行融合，采用层级注意力机制聚合特征表示已获得的药物和疾病特征信息；步骤4：将所述药物和疾病特征信息送入全连接神经网络构成的分类模型中进行训练，并通过预测损失和负样例生成损失相结合的混合策略对模型进行整体优化；步骤5：加载优化后的模型，输入待预测的药物和疾病信息，对药物和疾病进行关系预测并输出预测结果。2.根据权利要求1所述一种融合多邻域关联信息的药物
‑
疾病相互作用预测方法，其特征在于，对生物组学数据库中的药物和疾病信息进行预处理，获取药物
‑
药物相似性网络G
drug
、疾病
‑
疾病相似性网络G
dis
和药物
‑
疾病关联关系异构网络G，具体包括：步骤1.1：获取药物和疾病的相关信息；步骤1.2：以药物的SMILES化学结构为基础，通过Chemical Development Kit计算Tanimoto得分获取药物之间的相似性矩阵S
drug
，由此得到药物
‑
药物相似性网络G
drug
的邻接矩阵A
drug
；即如果药物drug
j
在相似性矩阵S
drug
中是药物drug
i
的top k近邻，则否则步骤1.3：以疾病表型为基础，利用MimMiner计算获取疾病之间的相似性矩阵S
dis
，由此得到疾病
‑
疾病相似性网络G
dis
的邻接矩阵A
dis
；即如果疾病dis
j
在相似性矩阵S
dis
中是疾病dis
i
的top k近邻，则否则步骤1.4：基于药物和疾病的关联关系，构建药物
‑
疾病关联关系异构网络G，其邻接矩阵表示为A∈{0,1}，即如果药物drug
i
和疾病dis
j
存在关联关系，则A
ij
＝1；否则A
ij
＝0。3.根据权利要求1所述一种融合多邻域关联信息的药物
‑
疾病相互作用预测方法，其特征在于，引入节点聚合和线性融合，构建单邻域特征提取模块和多邻域特征提取模块，并行提取药物和疾病在多个邻域空间中的邻域特征信息，具体包括：步骤2.1：通过药物
‑
药物相似性网络G
drug
、疾病
‑
疾病相似性网络G
dis
和药物
‑
疾病关联关系异构网络G，将药物和疾病特征初始化为：其中H0∈R
(N+M)
×
(N+M)
,N和M分别代表药物和疾病的数量；步骤2.2：采用单邻域特征提取模块提取药物和疾病的单邻域特征；步骤2.3：采用多邻域特征提取模块提取药物和疾病的多邻域特征。4.根据权利要求3所述一种融合多邻域关联信息的药物
‑
疾病相互作用预测方法，其特征在于，所述单邻域特征提取模块实施过程具体包括：步骤2.2.1：使用GCN提取药物或疾病的单邻域特征信息，所述GCN定义如下：
其中，A为邻接矩阵，W表示权重矩阵，变量D＝diag(∑
j
A
...

【专利技术属性】
技术研发人员：车超，刘运炯，张培良，
申请(专利权)人：大连大学，
类型：发明
国别省市：