基于经典-量子混合神经网络实现药物相互作用结果的预测系统技术方案

本发明专利技术公开了基于经典

【技术实现步骤摘要】
基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统


[0001]本专利技术涉及药物相互作用领域，尤其涉及基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统。

技术介绍

[0002]药物相互作用(DDIs)是由药物的药理相互作用引起的。Onakpoya，Heneghan和Aronson在之前发表的论文中提到药物相互作用并不尽然是对病人有利的相互作用。其中还包含大量的不良药物相互作用，这些作用会导致大量的发病率和死亡率，并产生巨大的医疗费用，于是获得准确和全面的DDIs知识，尤其是在药物设计过程中，对患者和制药行业都很重要。获得DDI知识的传统策略包括临床前体外安全性分析和临床安全性试验，但它们在小规模、长持续时间和巨大成本方面受到限制，对研究机构的研究人员的专业知识以及对机构的资金都是不小的挑战。Lo等人在2018年；以及Ryu，Kim和Lee在2018年；Xiao等人在2017年；Jin等人2017年；Fu，Xiao和Sun2020年所提供的资料都表明利用大量生物医学数据进行有效DDI预测的深度学习(DL)模型出现了一个有希望的方向。但是这些方法基于这样的假设，即具有整体结构相似表示的药物将具有相似的性质。尽管存在良好的表现，但这些模型仍然存在一些局限性：
[0003](1)缺乏专门应用于DDI预测的药物表示，不同药物之间进行相互作用的主要机制之一是整个药物分子结构中仅少数几个功能子结构之间发生化学反应，而大部分的子结构相关性很小，并不参与反应。这就意味着很多相互作用并不相似的药物，可能也会在不相关的子结构上存在显著的重叠，进一步导致模型学习到的表示并不准确，降低DDI的预测准确度。
[0004](2)之前提出的模型大部分都是对标签化的数据集进行训练和学习，忽略了未标记的数据集，导致学习到的药物表示并不具有普遍性。
[0005](3)尽管深度学习模型在DDI预测方面上显示出了良好的性能，但是这些模型通常伴有以大量参数为特征的预测。可解释性较差。
[0006](4)部分现有技术采用全经典的方式实现药物相互作用结果预测，这种方式采用经典方式计算概率分数时，只能一次性计算一组药物数据的概率分数，无法同时计算多组数据。

技术实现思路

[0007]本专利技术的目的在于克服现有技术的不足，提供基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统。
[0008]本专利技术的目的是通过以下技术方案来实现的：
[0009]本专利技术的第一方面，提供基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统，包括量子预测子系统，所述量子预测子系统包括顺次连接的量子态编码模块和
量子神经网络模块；
[0010]所述量子态编码模块将接收到的经典投影系数编码为量子态数据，所述量子神经网络模块将量子态数据进行测量并输出药物
‑
药物对相互作用的概率；
[0011]所述经典投影系数表示药物
‑
药物对相互作用时对应的频繁子结构所做出的贡献大小的经典表示。
[0012]进一步地，所述量子态编码模块包括K条第一量子线路，每条第一量子线路上顺次连接有R
y
(θ)旋转门和旋转门；
[0013]其中，θ为量子态的第一旋转角度，θ为量子态的第一旋转角度，为量子态的第二旋转角度，每条第一量子线路输入为经典投影系数的其中一个维度，K表示经典投影系数的维度；
[0014]将经典投影系数r编码至第一旋转角度和第二旋转角度，即θ
i
＝arctan(r
i
)，i表示第i个量子线路。
[0015]进一步地，所述量子神经网络模块包括K条与第一量子线路对应连接的第二量子线路，每条第二量子线路上均先后设置有一个C
‑
NOT门和一个量子旋转门R(α，β，γ)，并且在第一条第二量子线路的末尾连接有一个测量门，测量门输出测量得到的量子态|0>的概率作为药物
‑
药物对相互作用的分数并用于评估药物间交互的可能性即药物
‑
药物对相互作用的概率；
[0016]第一条第二量子线路的C
‑
NOT门的两个输入端分别与第二条第一量子线路的输出端、第K条第二量子线路的C
‑
NOT门的输出端连接，第二条第二量子线路的C
‑
NOT门的两个输入端分别与第二条第一量子线路的输出端、第一条第一量子线路的输出端连接，第c条第二量子线路的C
‑
NOT门的两个输入端分别与第c条第一量子线路的输出端、第c
‑
1条第二量子线路的C
‑
NOT门的输出端连接，其中c的取值为3至K；
[0017]其中，量子旋转门α，β，γ是可优化参数，第i条第二量子线路上的量子旋转门R(α，β，γ)中的参数为α
i
，β
i
，γ
i
。
[0018]进一步地，利用交叉熵损失函数对量子神经网络模块进行优化，其中交叉熵损失函数为：
[0019]L
c
＝ylogp(X)+(1
‑
y)log(1
‑
p(X))
[0020]其中，p(x)表示测量门输出的评估药物间交互的可能性，y∈{0，1}是真实的药物
‑
药物对作用结果，当y＝1表示两个药物之间会发生相互作用，y＝0表示两个药物之间不会发生相互作用。
[0021]进一步地，当同时对两对及两对以上的药物
‑
药物对相互作用的概率进行计算时，所述量子态编码模块将接收到的经典投影系数编码为量子态数据，所述量子神经网络模块将量子态数据进行测量并输出药物
‑
药物对相互作用的概率，包括：
[0022]量子态编码模块分别对每对药物
‑
药物对相应的经典投影系数分别编码为对应数
量的多组量子态数据；
[0023]将多组量子态数据进行归一正交化操作，并将归一正交化后的量子态数据相加得到量子态数据组；
[0024]量子神经网络模块将量子态数据组进行测量并输出线路结果；
[0025]选取一组对应数量的测量基矢对线路结果进行测试，分别将每个测量基矢对应的概率作为每对药物
‑
药物对相互作用的概率，从而实现一次性计算两对及两对以上药物
‑
药物对的作用分数。
[0026]进一步地，所述系统还包括经典处理子系统，所述经典处理子系统包括顺次连接的频繁子结构提取模块、自动编码模块和字典学习模块；
[0027]所述频繁子结构提取模块将药物数据集中的频繁子结构进行提取、将公开数据集中的药物
‑
药物对的两个药物对子结构进行提取、将频繁子结构与两个药物对子结构进行匹配后合并两个药物对子结构得到药物...

【技术保护点】

【技术特征摘要】
1.基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统，其特征在于：包括量子预测子系统，所述量子预测子系统包括顺次连接的量子态编码模块和量子神经网络模块；所述量子态编码模块将接收到的经典投影系数编码为量子态数据，所述量子神经网络模块将量子态数据进行测量并输出药物
‑
药物对相互作用的概率；所述经典投影系数表示药物
‑
药物对相互作用时对应的频繁子结构所做出的贡献大小的经典表示。2.根据权利要求1所述的基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统，其特征在于：所述量子态编码模块包括K条第一量子线路，每条第一量子线路上顺次连接有R
y
(θ)旋转门和旋转门；其中，θ为量子态的第一旋转角度，θ为量子态的第一旋转角度，为量子态的第二旋转角度，每条第一量子线路输入为经典投影系数的其中一个维度，K表示经典投影系数的维度；将经典投影系数r编码至第一旋转角度和第二旋转角度，即θ
i
＝arctan(r
i
)，i表示第i个量子线路。3.根据权利要求2所述的基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统，其特征在于：所述量子神经网络模块包括K条与第一量子线路对应连接的第二量子线路，每条第二量子线路上均先后设置有一个C
‑
NOT门和一个量子旋转门R(α，β，γ)，并且在第一条第二量子线路的末尾连接有一个测量门，测量门输出测量得到的量子态|0>的概率作为药物
‑
药物对相互作用的分数并用于评估药物间交互的可能性即药物
‑
药物对相互作用的概率；第一条第二量子线路的C
‑
NOT门的两个输入端分别与第二条第一量子线路的输出端、第K条第二量子线路的C
‑
NOT门的输出端连接，第二条第二量子线路的C
‑
NOT门的两个输入端分别与第二条第一量子线路的输出端、第一条第一量子线路的输出端连接，第c条第二量子线路的C
‑
NOT门的两个输入端分别与第c条第一量子线路的输出端、第c
‑
1条第二量子线路的C
‑
NOT门的输出端连接，其中c的取值为3至K；其中，量子旋转门α，β，γ是可优化参数，第i条第二量子线路上的量子旋转门R(α，β，γ)中的参数为α
i
，β
i
，γ
i
。4.根据权利要求3所述的基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统，其特征在于：利用交叉熵损失函数对量子神经网络模块进行优化，其中交叉熵损失函数为：L
c
＝ylogp(X)+(1
‑
y)log(1
‑
p(X))其中，p(x)表示测量门输出的评估药物间交互的可能性，y∈{0，1}是真实的药物
‑
药物对作用结果，当y＝1表示两个药物之间会发生相互作用，y＝0表示两个药物之间不会发生
相互作用。5.根据权利要求1所述的基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统，其特征在于：当同时对两对及两对以上的药物
‑
药物对相互作用的概率进行计算时，所述量子态编码模块将接收到的经典投影系数编码为量子态数据，所述量子神经网络模块将量子态数据进行测量并输出药物
‑
药物对相互作用的概率，包括：量子态编码模块分别对每对药物
‑
药物对相应的经典投影系数分别编码为对应数量的多组量子态数据；将多组量子态数据进行归一正交化操作，并将归一正交化后的量子态数据相加得到量子态数据组；量子神经网络模块将量子态数据组进行测量并输出线路结果；选取一组对应数量的测量基矢对线路结果进行测试，分别将每个测量基矢对应的概率作为每对药物
‑
药物对相互作用的概率，从而实现一次性计算两对及两对以上药物
‑
药物对的作用分数。6.根据权利要求1所述的基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统，其特征在于：所述系统还包括经典处理子系统，所述经典处理子系统包括顺次连接的频繁子结构提取模块、自动编码模块和字典学习模块；所述频繁子结构提取模块将药物数据集中的频繁子结构进行提取、将公开数据集中的药物
‑
药物对的两个药物对子结构进行提取、将频繁子结构与两个药物对子结构进行匹配后合并两个药物对子结构得到药物
‑
药物对结构信息向量；所述自动编码模块使用经典神经网络将药物
‑
药物对结构信息向量表示成药物
‑
药物对结构信息向量的潜在特征嵌入向量；所述字典学习模块将提取的频繁子结构生成第一函数、使用所述经典神经网络将第一函数生成频繁子结构的潜在特征嵌入向量、将频繁子结构的潜在特征嵌入向量构成向量空间、将药物
‑
药物对结构信息向量的潜在特征嵌入向量投影到所述向量空间上、计算得到投影过程的经典投影系数。7.根据权利要求6所述的基于经典
‑
量子混合神经网络实现药物相互作用结果的预测系统，其特征在于：所述频繁子结构提取模块中，将药物数据集中的频繁子结构进行提取包括：利用序列挖掘算法提取出药物数据集中的频繁化学子结构，序列挖掘算法包括：对提供的药物数据集W里的smiles编码依次进行扫描，设定一个频繁阈值，选取超过频繁阈值的子结构，若选取出来的频繁子结构有(A,B)，将频繁子结构(A,B)合理的结合在一起，用AB表示，并且用AB对应的smiles字符串替换原药物数据集W中包含子结构A,B药物的smiles字符串，更新药物数据集W；将AB添加到原子和化学键集合V中对其进行更新；依次循环执行上述操作，直至达到设定的循环的...

【专利技术属性】
技术研发人员：于小涵，朱钦圣，岳鲜，李晓瑜，杨国武，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：