基于异构图卷积神经网络预测协同药物组合方法技术

本发明专利技术提供一种基于异构图卷积神经网络预测协同药物组合方法，涉及药物研发技术领域。该方法首先根据疾病药物历史作用数据，构建基于药物、药物组合、疾病的三部图；然后构建基于异构图卷积神经网络的协同药物组合预测模型：对于构建的三部图上的疾病、药物和药物组合节点，应用一个热编码来对三个邻接矩阵进行编码，并分别压缩为密集实值向量，构建异质图；在疾病和药物之间以及疾病和药物组合之间构建传播层进行层次传播，实现在三部图上进行药物层次的传播和药物组合层次的传播；最后构建完全连接层进行协同药物组合的预测；同时，采用困难负样本训练协同药物组合预测模型；最后使用训练好的协同药物组合预测模型进行协同药物组合预测。同药物组合预测。同药物组合预测。

【技术实现步骤摘要】
基于异构图卷积神经网络预测协同药物组合方法


[0001]本专利技术涉及药物研发
，尤其涉及一种基于异构图卷积神经网络预测协同药物组合方法。

技术介绍

[0002]研发发现具有系统作用的药物组合，是目前治疗众多复杂疾病的主要途径，也取得了很不错的效果；多种因素往往会导致复杂的疾病，传统的单一药物治疗单一蛋白质无法有效治疗复杂的疾。药物组合治疗是指同时或连续给患者应用两种或多种药物来实现疾病治疗，其目标主要是提高药物的有效性或减少药物的毒副作用。与单一疗法相比，药物联合疗法由多种药物组成，每种药物通常在患者群体中作为单一有效药物使用。由于药物组合中的不同药物可以调节不同蛋白质的活性，因此药物组合可以通过克服潜在生物过程中的冗余来提高治疗效果。例如，Eneto
‑
clax和Idasanutlin的药物组合在治疗急性髓细胞白血病方面具有优异的疗效。Venetoclax抑制抗凋亡Bcl
‑
2。所谓协同作用(Synergistic effect)是指两个药物联合用药的效果要大于两个药物同等剂量下单独用药效果之和。然而在目前的药物研发领域，衡量针对某种疾病的药物之间协同作用强弱的方法主要是通过体内外实验研究来完成，但药物组合空间巨大，实验验证每个药物组合的协同效果会造成实验环节复杂、实验时间成本以及经济成本较高等问题。
[0003]在实际临床治疗中，医生通常根据他们的临床经验开处方，他们可以依据经验选择最适合的患者的药物。此外，患者以往的治疗用药情况，也会对患者当前的治疗产生影响。因此，在利用深度学习预测患者需要的药物组合时，不仅要学习患者的特征，还需要考虑到先验知识和药物知识。
[0004]已有研究证明，先验知识可以提高深度学习的预测能力。例如，将先验的医学知识整合到深度学习模型中，可以提高疾病风险预测能力。在医学领域，先验知识已经被广泛应用，以协助临床医生，如医学图像处理，死亡率预测和疾病风险预测等。因此我们可以根据病历出诊断出的患者的具体疾病类型来进行药物组合的推荐。具体来说，就是利用统计学的方法从医学数据库中获取疾病、药物、药物组合之间的历史数据映射关系，并将其作为预测药物组合的启发式特征，嵌入到深度学习中进行药物组合的预测，然后在实际的应有场景中根据疾病类型使用该模型进行药物组合的推荐，进而进行体内外实验确定最为合适的药物组合治疗。

技术实现思路

[0005]本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于异构图卷积神经网络预测协同药物组合方法，针对某中特定疾病筛选出协同药物组合，实现跨疾病的协同药物组合预测。
[0006]为解决上述技术问题，本专利技术所采取的技术方案是：基于异构图卷积神经网络预测协同药物组合方法，包括以下步骤：
[0007]步骤1、根据疾病药物历史作用数据，构建基于药物、药物组合、疾病的三部图，将协同药物组合预测问题转化为由疾病、药物和药物组合历史关系数据构建的三部图中的链接预测问题；
[0008]设定疾病节点集合S＝{s
i
|i＝1,2,...,Ns}，药物节点集合D＝{d
j
|j＝1,2,...,Nd}，药物组合节点集合C＝{c
k
|k＝1,2,...,Nc}，这些集合的大小为|S|＝N
s
,|D|＝N
d
,|C|＝N
c
，并且全部节点集合N＝N
s
+N
d
+N
c
；
[0009]根据疾病药物历史作用数据构建疾病
‑
药物组合关联图、疾病
‑
药物关联图、药物组合
‑
药物关联图三个关联子图构成的三部图，其中：
[0010]疾病
‑
药物组合关联图也即疾病
‑
药物组合二部图：该图中如果某个疾病和某个药物组合存在治疗与被治疗的关系时，则该无向图中该两个节点之间有边连接，该边的含义为治疗/被治疗，疾病
‑
药物组合关联图对应的邻接矩阵A
sc
中相应的值为1，否则为0；
[0011]疾病
‑
药物关联图也即疾病
‑
药物二部图：该图中如果某个疾病和某个药物存在治疗与被治疗的关系时，则该无向图中该两个节点之间有边连接，该边的含义为治疗/被治疗，疾病
‑
药物关联图对应的邻接矩阵A
sd
中相应的值为1，否则为0；
[0012]药物组合
‑
药物关联图也即药物组合
‑
药物二部图：该图中如果某个药物和某个药物组合存在包含与被包含的关系时，则该无向图中该两个节点之间有边连接，该边的含义为包含/被包含，药物组合
‑
药物关联图的邻接矩阵A
cd
中相应的值为1，否则为0；
[0013]基于上述三个二部图中三种类型的节点，引入一个基于药物、药物组合、疾病的三部图G＝(S,D,C,E)，其中，S代表疾病节点，D代表药物节点、C代表药物组合节点、E代表这些节点之间的对应边连接，包括疾病
‑
药物关系、疾病
‑
药物组合关系、药物组合
‑
药物关系；
[0014]步骤2、构建基于异构图卷积神经网络的协同药物组合预测模型；
[0015]步骤2.1：构建异质图：对于构建的三部图上的疾病、药物和药物组合节点，应用一个热编码来对三个邻接矩阵进行编码，并将它们分别压缩为密集实值向量，如下公式所示:
[0016][0017][0018][0019]其中，p
s
、q
d
、r
c
分别代表疾病节点、药物节点和药物组合节点的密集实值向量，分别代表疾病节点、药物节点和药物组合节点的独热编码，P、Q、R分别代表疾病
‑
药物组合关联图对应的邻接矩阵A
sc
，疾病
‑
药物关联图对应的邻接矩阵A
sd
，药物组合
‑
药物关联图的邻接矩阵A
cd
；
[0020]步骤2.2：在疾病和药物之间以及疾病和药物组合之间构建传播层进行层次传播，实现在三部图上进行药物层次的传播和药物组合层次的传播；两个层次的传播通过区分药物和药物组合节点之间的隶属关系来捕捉疾病和药物或药物组合之间的治疗关系、药物组合的语义以及药物组合之间的替代方案；
[0021]其中，药物层次的传播为：
[0022]为了捕获药物针对于疾病的治疗效果，在疾病和药物之间建立了传播层，从药物级别来学习药物组合针对某种疾病的语义信息；药物层次的传播更新规则如下：
[0023][0024][0025][0026][0027]其中，分别为在药物层次第l+1次传播时疾病节点、药物节点和药物组合节点的嵌入表示，W1为学习权重，σ为非线性激活函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异构图卷积神经网络预测协同药物组合方法，其特征在于：包括以下步骤：步骤1、根据疾病药物历史作用数据，构建基于药物、药物组合、疾病的三部图；步骤2、构建基于异构图卷积神经网络的协同药物组合预测模型；步骤2.1：构建异质图：对于构建的三部图上的疾病、药物和药物组合节点，应用一个热编码来对三个邻接矩阵进行编码，并将它们分别压缩为密集实值向量；步骤2.2：在疾病和药物之间以及疾病和药物组合之间构建传播层进行层次传播，实现在三部图上进行药物层次的传播和药物组合层次的传播；两个层次的传播通过区分药物和药物组合节点之间的隶属关系来捕捉疾病和药物或药物组合之间的治疗关系、药物组合的语义以及药物组合之间的替代方案；步骤2.3：构建完全连接层进行协同药物组合的预测；经过L次传播迭代后，所有获得的传播层的嵌入表示都被映射到一个全连接的操作中，以聚合不同深度的相邻信息进行协同药物组合的预测；步骤3、采用困难负样本训练协同药物组合预测模型；步骤4、使用训练好的协同药物组合预测模型进行协同药物组合预测。2.根据权利要求1所述的基于异构图卷积神经网络预测协同药物组合方法，其特征在于：所述步骤1的具体方法为：设定疾病节点集合S＝{s
i
|i＝1,2,...,Ns}，药物节点集合D＝{d
j
|j＝1,2,...,Nd}，药物组合节点集合C＝{c
k
|k＝1,2,...,Nc}，这些集合的大小为|S|＝N
s
,|D|＝N
d
,|C|＝N
c
，并且全部节点集合N＝N
s
+N
d
+N
c
；根据疾病药物历史作用数据构建疾病
‑
药物组合关联图、疾病
‑
药物关联图、药物组合
‑
药物关联图三个关联子图构成的三部图G＝(S,D,C,E)，其中，S代表疾病节点，D代表药物节点、C代表药物组合节点、E代表这些节点之间的对应边连接，包括疾病
‑
药物关系、疾病
‑
药物组合关系、药物组合
‑
药物关系。3.根据权利要求2所述的基于异构图卷积神经网络预测协同药物组合方法，其特征在于：所述疾病
‑
药物组合关联图也即疾病
‑
药物组合二部图：该图中如果某个疾病和某个药物组合存在治疗与被治疗的关系时，则该无向图中该两个节点之间有边连接，该边的含义为治疗/被治疗，疾病
‑
药物组合关联图对应的邻接矩阵A
sc
中相应的值为1，否则为0；所述疾病
‑
药物关联图也即疾病
‑
药物二部图：该图中如果某个疾病和某个药物存在治疗与被治疗的关系时，则该无向图中该两个节点之间有边连接，该边的含义为治疗/被治疗，疾病
‑
药物关联图对应的邻接矩阵A
sd
中相应的值为1，否则为0；所述药物组合
‑
药物关联图也即药物组合
‑
药物二部图：该图中如果某个药物和某个药物组合存在包含与被包含的关系时，则该无向图中该两个节点之间有边连接，该边的含义为包含/被包含，药物组合
‑
药物关联图的邻接矩阵A
cd
中相应的值为1，否则为0。4.根据权利要求3所述的基于异构图卷积神经网络预测协同药物组合方法，其特征在于：步骤2.1所述密集实值向量如下公式所示：步骤2.1所述密集实值向量如下公式所示：步骤2.1所述密集实值向量如下公式所示：
其中，p
s
、q
d
、r
c
分别代表疾病节点、药物节点和药物组合节点的密集实值向量，分别代表疾病节点、药物节点和药物组合节点的独热编码，P、Q、R分别代表疾病
‑
药物组合关联...

【专利技术属性】
技术研发人员：何强，赵欣怡，乔伟，张莉，王兴伟，马连博，滕月阳，
申请(专利权)人：东北大学，
类型：发明
国别省市：