一种基于多模态网络和宽度学习的药物相互作用预测方法技术

本发明专利技术公开了一种基于多模态网络和宽度学习的药物相互作用预测方法，包括：获取药物的多模态特征信息，并求取各个模态下的药物交互图；通过图注意力网络学习药物在不同模态下的特征；利用宽度学习系统进行多模态特征融合，并通过融合后的药物多模态特征来预测每个药物对之间存在相互作用的概率。本发明专利技术从多模态数据中提取药物特征信息，并利用图神经网络强大的特征表示能力来建模和学习药物的不同模态特征，通过将药物不同模态的数据特征映射到统一的低维向量空间，利用宽度学习可以融合多种特征的特点，融合四种模态的信息，充分利用了特征信息，增强模型表达能力。利用宽度学习系统可进行增量学习的特性，提高模型的预测性能。性能。性能。

【技术实现步骤摘要】
一种基于多模态网络和宽度学习的药物相互作用预测方法


[0001]本专利技术涉及药物相互作用预测的
，尤其涉及到一种基于多模态网络和宽度学习的药物相互作用预测方法。

技术介绍

[0002]如今，多药处方已经成为一种常见现象，这也导致药物相互作用的几率增大。药物相互作用(Drug
‑
Drug Interaction,DDI)是指病人在同时服用两种或两种以上的药物时，一种药物的药效受到另一种药物的影响而发生改变，从而导致药效减弱，或是产生毒副作用。因此，在联合用药时，如何提前预测和发现可能会出现的药物不良相互作用，从而降低潜在风险、促进安全的药物联合处方，已经成为生物信息学领域急需解决的一大难题。
[0003]现有技术中，大多数DDI预测方法首先通过SMILES(Simplified molecular input line entry system，简化分子线性输入规范)序列信息，提取药物相互作用产生的拓扑结构特征，然后再进行DDI预测。而实际上，药物的特征不仅可以通过SMILES序列信息抽取，还存在许多类型的药物数据如：药物的化学亚结构、靶点、副作用、描述药物的文本信息等。如何合理地整合药物的多源数据，对药物的多种特征信息进行融合，以提高模型预测能力，仍是DDI研究中亟待解决的问题。此外，现有DDI预测方法对于新增数据缺乏增量学习的能力，需重新训练整个模型。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种能充分利用特征信息、模型表达能力较强、预测性能较为优越的基于多模态网络和宽度学习的药物相互作用预测方法。
[0005]为实现上述目的，本专利技术所提供的技术方案为：
[0006]一种基于多模态网络和宽度学习的药物相互作用预测方法，利用药物相互作用预测模型对药物相互作用进行预测，该药物相互作用预测模型包括输入层、嵌入层以及宽度学习层，预测的过程包括：
[0007]在输入层中，获取药物的多模态特征信息，并求取各个模态下的药物交互图；
[0008]在嵌入层中，通过图注意力网络学习药物在不同模态下的特征；
[0009]在宽度学习层中，利用宽度学习系统进行多模态特征融合，并通过融合后的药物多模态特征来预测每个药物对之间存在相互作用的概率。
[0010]进一步地，获取药物的多模态特征信息，并求取各个模态下的药物交互图，包括：
[0011]从drugbank和KEGG数据库中获取药物的化学亚结构、靶点、酶和通路模态特征信息；
[0012]求取化学亚结构、靶点、酶和通路模态下的药物交互图G
s
、G
t
、G
e
、G
p
。
[0013]进一步地，求取化学亚结构模态下的药物交互图G
s
，包括：
[0014]通过以下公式计算药物在化学亚结构模态下的相似度矩阵S
s
：
[0015][0016]其中，F
s
表示药物对应的化学亚结构的二元特征向量；M
11
表示两种药物特征向量中对应位置的值均为1的元素总数，M
01
表示两个特征向量中对应位置在F
s
u中的值为0且在F
s
v中的值为1；M
10
表示两个特征向量中对应位置在F
s
u中的值为1且在F
s
v中的值为0；
[0017]根据相似度矩阵，得到在化学亚结构模态下的药物交互图G
s
：
[0018][0019]其中，N
v
和N
u
分别表示药物v和u的邻居节点集合。
[0020]进一步地，通过图注意力网络学习药物在化学亚结构模态下的特征表示，包括：
[0021]设第l层输入和输出的药物分子特征为h
i
和h
i
′
；
[0022]先将l层输入的特征经过一个参数共享的线性变换，设其权重矩阵W；
[0023]然后，在交互图G
s
中对每个节点都是用注意力机制attention来计算其他节点与该节点之间的注意力分数：
[0024][0025]e
ij
表示药物j对药物i的重要性；
[0026]接着，使用softmax归一化注意力权重，LeakyReLU激活函数进行非线性化，并使用注意力权重聚合邻节点特征，计算注意力系数：
[0027][0028]其中，a表示注意力网络的权重向量；
[0029]计算出注意力系数后，采用多头注意力的形式对药物分子特征进行更新：
[0030][0031]其中，K表示多头注意力的头数，多头注意力在平行子空间中分别学习K个不同的注意力分数；
[0032]在经过图注意力网络的特征提取后，得到药物在化学亚结构模态下的特征表示Z
s
。
[0033]进一步地，利用宽度学习系统进行多模态特征融合包括：
[0034]将得到的化学亚结构、靶点、酶和通路模态特征融合得到Z：
[0035]Z＝Z
s
||Z
t
||Z
e
||Z
p
[0036]其中，Z
s
为药物在化学亚结构模态下的特征，Z
t
为药物在靶点模态下的特征，Z
e
为药物在酶模态下的特征，Z
p
为药物在通路模态下的特征；
[0037]接着将T通过特征层映射得到F
i
：
[0038][0039]其中，和是随机生成得到的，φ是激活函数，n为特征层的节点窗口数，每个窗口有k个节点；将得到的所有特征记为F
n
＝[F1,F2,
…
,F
n
]，这些特征经过增强层得到的增强特征H
m
，其中第i个增强特征的计算方式为：
[0040][0041]其中,和是随机生成得到的，ξ是激活函数，需要预测的能发生相互作用的概率Y通过以下方式计算所得：
[0042]Y＝[F1,F2,
…
,F
n
|H1,H2,
…
,H
m
]W
m
＝[F
n
|H
m
]W
m
[0043]其中W
m
通过伪逆运算Y计算所得。
[0044]进一步地，为了提高药物相互作用预测模型的增量学习能力，宽度学习系统进行多模态特征融合前，通过增量学习算法更新宽度学习系统的权重参数，多模态特征融合采用的是权重参数更新后的宽度学习系统。
[0045]进一步地，通过增量学习算法更新宽度学习系统的权重参数，包括：
[0046]设新增数据为X
a
...

【技术保护点】

【技术特征摘要】
1.一种基于多模态网络和宽度学习的药物相互作用预测方法，其特征在于，利用药物相互作用预测模型对药物相互作用进行预测，该药物相互作用预测模型包括输入层、嵌入层以及宽度学习层，预测的过程包括：在输入层中，获取药物的多模态特征信息，并求取各个模态下的药物交互图；在嵌入层中，通过图注意力网络学习药物在不同模态下的特征；在宽度学习层中，利用宽度学习系统进行多模态特征融合，并通过融合后的药物多模态特征来预测每个药物对之间存在相互作用的概率。2.根据权利要求1所述的一种基于多模态网络和宽度学习的药物相互作用预测方法，其特征在于，获取药物的多模态特征信息，并求取各个模态下的药物交互图，包括：从drugbank和KEGG数据库中获取药物的化学亚结构、靶点、酶和通路模态特征信息；求取化学亚结构、靶点、酶和通路模态下的药物交互图G
s
、G
t
、G
e
、G
p
。3.根据权利要求2所述的一种基于多模态网络和宽度学习的药物相互作用预测方法，其特征在于，求取化学亚结构模态下的药物交互图G
s
，包括：通过以下公式计算药物在化学亚结构模态下的相似度矩阵S
s
：其中，F
s
表示药物对应的化学亚结构的二元特征向量；M
11
表示两种药物特征向量中对应位置的值均为1的元素总数，M
01
表示两个特征向量中对应位置在F
s
u中的值为0且在F
s
v中的值为1；M
10
表示两个特征向量中对应位置在F
s
u中的值为1且在F
s
v中的值为0；根据相似度矩阵，得到在化学亚结构模态下的药物交互图G
s
：其中，N
v
和N
u
分别表示药物v和u的邻居节点集合。4.根据权利要求2或3所述的一种基于多模态网络和宽度学习的药物相互作用预测方法，其特征在于，通过图注意力网络学习药物在化学亚结构模态下的特征表示，包括：设第l层输入和输出的药物分子特征为h
i
和h
i
′
；先将l层输入的特征经过一个参数共享的线性变换，设其权重矩阵W；然后，在交互图G
s
中对每个节点都是用注意力机制attention来计算其他节点与该节点之间的注意力分数：e
ij
表示药物j对药物i的重要性；接着，使用softmax归一化注意力权重，LeakyReLU激活函数进行非线性化，并使用注意力权重聚合邻节点特征，计算注意力系数：
其中，a表示注意力网络的权重向量；计算出...

【专利技术属性】
技术研发人员：张通，饶晓洁，孟献兵，陈俊龙，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：