【技术实现步骤摘要】
多属性特征填充的药物间不良反应预测方法、系统及介质
[0001]本专利技术涉及不良反应预测
,具体而言,涉及多属性特征填充的药物间不良反应预测方法、系统及介质。
技术介绍
[0002]药物间不良反应指同时服用两种药物时,一种药物的药效或药理作用被另一种药物破坏,从而改变药物原有的体内过程、组织或器官对药物的感受以及药物的理化性质,产生对人体有害的不良反应或毒副作用。
[0003]目前,药物间不良反应已经成为拖延疾病治疗、加重患者病情、影响病人发病率和死亡率的重要因素。药物间不良反应的研究逐渐受到相关医疗卫生机构的重视,并成为当前医疗健康领域的研究重点。为解决这一问题,制药企业在药物研发阶段投入大量资金进行临床药物间不良反应实验;目前药物间不良反应预测研究工作主要分为两类:基于知识库的方法和基于相似性的方法。
[0004]基于知识库的方法通常基于数据挖掘和自然语言处理等技术从生物医学文本、电子医疗病例、生物学异构数据库和FDA不良事件报告系统中实现药物间不良反应的检测。该类方法依赖于药物不良反应数据的临床积累,拟从海量的非格式化数据中发现和提取药物间不良反应;基于相似性的方法先从药物数据库中提取药物属性信息,基于药物间属性信息间的关系计算属性相似性得分,然后设计机器学习模型探索相似性得分与药物间不良反应的隐含关系,预测药物间潜在不良反应。该方法仅依赖于药物属性信息即可实现药物间不良反应预测,无需大量前期的药物不良反应数据积累。
[0005]但是在现有技术中,对药物间不良反应进行预测时,它们
【技术保护点】
【技术特征摘要】
1.多属性特征填充的药物间不良反应预测方法,其特征在于,方法步骤包括:获取药物间不良反应数据与药物多属性数据;基于所述药物多属性数据,构建基于共有特征和特有特征的药物多属性缺失特征填充模型;通过余弦相似性正则项对所述药物多属性缺失填充模型进行修正,并采用拉格朗日函数、交替方向乘子法以及非负矩阵分解方法,对修正后的药物多属性缺失填充模型进行求解,获得药物多属性的共有特征与特有特征;基于药物多属性的共有特征与特有特征,结合所述不良反应数据,构建预测模型;获取任意两个药物之间的多属性数据,计算药物多属性的共有特征和特有特征,并将其输入到所述预测模型中,获得药物之间的不良反应预测结果。2.根据权利要求1所述的多属性特征填充的药物间不良反应预测方法,其特征在于,构建药物多属性缺失特征填充模型的具体步骤包括:基于所述药物多属性数据,并基于药物属性共有特征和特有特征与原始特征空间的关系,构建基础模型;通过KL散度衡量不同属性特有特征间的分布差异,并在所述分布差异的约束下,对所述基础模型进行处理,获得基于共有特征和特有特征的多属性缺失特征填充模型。3.根据权利要求1或2所述的多属性特征填充的药物间不良反应预测方法,其特征在于,药物多属性的共有特征与特有特征的具体获得方法为:通过余弦相似性正则项对所述药物多属性缺失填充模型进行修正,获得修正模型;通过拉格朗日函数、交替方向乘子法以及非负矩阵分解方法,对修正模型进行求解,获得填充后的药物属性特征空间、多属性特征空间的共有特征和特有特征,以及属性特征空间的重构系数矩阵的迭代更新式;对所述修正模型变量进行迭代更新,直到迭代更新次数达到最大值或模型达到最小变化阈值,获得药物多属性的共有特征与特有特征。4.根据权利要求3所述的多属性特征填充的药物间不良反应预测方法,其特征在于,所述多属性数据包括分子结构数据、靶点数据、通路数据、副作用数据、表型数据以及疾病数据。5.根据权利要求3所述的多属性特征填充的药物间不良反应预测方法,其特征在于,所述基于共有特征和特有特征的多属性缺失特征填充模型的具体表达式为:述基于共有特征和特有特征的多属性缺失特征填充模型的具体表达式为:述基于共有特征和特有特征的多属性缺失特征填充模型的具体表达式为:表示矩阵的Frobenius范数,||
·
||0表示矩阵0范数,P为药物多属性的共有特征,Q
m
为药物第m个属性的特有特征,U
m
为第m个属性中基于共有特征和特有特征的原始特征空间X
m
重构系数矩阵,X
m
为药物第m个属性特征空间,为药物已知属性特征信息,KL为散度,表示第m个属性中药物已知属性特征信息的标记矩阵,表示在属性原始特征空间X
m
提取已知属性特征的药物按索引序排列,获得药物已知属性特征
信息α
m
表示第m个属性重构系数矩阵的稀疏性规则化参数,β表示不同属性特有特征间KL散度的规则化参数。6.根据权利要求5所述的多属性特征填充的药物间不良...
【专利技术属性】
技术研发人员:朱嘉静,刘勇国,张云,陆鑫,李巧勤,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。