一种基于信息增强图神经网络的药物重定位方法及系统技术方案

本发明专利技术公开了一种基于信息增强图神经网络的药物重定位方法及系统，属于药物重定位技术，包括：构建用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系的先验知识模型，并通过K近邻、平均池化和图注意力机制，进行信息聚合，获取先验知识模型的药物节点的第一嵌入向量，和疾病节点的第二嵌入向量；将第一嵌入向量和第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位定位；本发明专利技术在信息聚合过程中，使用固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合，充分利用了邻居信息，实现了局部信息增强的效果。的效果。的效果。

【技术实现步骤摘要】
一种基于信息增强图神经网络的药物重定位方法及系统


[0001]本专利技术涉及药物重定位
，具体而言，涉及一种基于信息增强图神经网络的药物重定位方法及系统。

技术介绍

[0002]药物重定位是指为罕见病或无治疗药物的疾病发现候选药物，深度学习技术已经成为药物重定位的主流技术之一。一般来讲，基于深度学习的药物重定位模型旨在有效整合多种网络结构信息，从而为每个疾病和药物学习到高质量的表征，最终达到预测的目的。
[0003]药物和疾病通常组成三种网络，即，药物
‑
药物网络、疾病
‑
疾病网络和药物疾病关联网络，这两种同构网络和一种异构网络包含着丰富的结构信息。然而，其中有的信息是重要的，有些信息并不重要，甚至可以被视为噪声信息，因此，急需设计一种新型药物重定位技术，通过对丰富的信息进行区分，从而学习到可靠的表征。

技术实现思路

[0004]为了解决上述问题，本专利技术提供了一种基于信息增强图神经网络的药物重定位方法，包括以下两个阶段：数据处理阶段：构建先验知识模型，先验知识模型用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系，其中，第一关系表示药物与疾病之间的关联性关系，第二关系表示药物之间的相似性关系，第三关系表述疾病之间的相似性关系，先验知识模型表示由已知的药物与疾病的先验知识构建的模型；根据先验知识模型，通过K近邻、平均池化和图注意力机制，进行信息聚合，获取先验知识模型的药物节点的第一嵌入向量，以及先验知识模型的疾病节点的第二嵌入向量，其中，嵌入向量表示通过节点的异构信息和同构信息进行聚合后，生成的节点特征向量；预测阶段：将第一嵌入向量和第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位。
[0005]优选地，在数据处理阶段构建先验知识模型的过程中，根据第一关系、第二关系和第三关系，通过获取异构信息和邻域同构信息，生成先验知识模型的每个节点信息。
[0006]优选地，在数据处理阶段获取第一嵌入向量的过程中，基于第一关系和第三关系，根据药物节点对应的疾病节点，通过图注意力机制，聚合第一异构信息；通过平均池化，选择药物节点的前K个邻居药物节点，聚合第一同质信息；根据第一异构信息和第一同质信息，生成药物节点的第一嵌入向量。
[0007]优选地，在数据处理阶段获取第二嵌入向量的过程中，基于第一关系和第二关系，根据疾病节点对应的药物节点，通过图注意力机制，聚合第二异构信息；通过平均池化，选择疾病节点的前K个邻居疾病节点，聚合第二同质信息；根据第二异构信息和第二同质信息，生成疾病节点的第二嵌入向量。
[0008]优选地，在数据处理阶段聚合异构信息的过程中，通过图注意力机制，为不同的异
构节点自适应的分配不同的权重，对异构信息进行聚合，将固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合。
[0009]优选地，在对药物进行重定位的模型训练的过程中，选择二元交叉熵损失函数，作为模型训练过程的损失函数，并通过Adam优化器和循环学习率进行优化。
[0010]本专利技术公开了一种基于信息增强图神经网络的药物重定位系统，包括：数据采集模块，用于获取药物信息和疾病信息；数据处理模块，用于根据药物信息和疾病信息，构建先验知识模型，先验知识模型用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系；数据提取模块，用于根据先验知识模型，通过K近邻、平均池化和图注意力机制，进行信息聚合，获取先验知识模型的药物节点的第一嵌入向量，以及先验知识模型的疾病节点的第二嵌入向量；药物重定位模块，用于将第一嵌入向量和第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位。
[0011]优选地，数据处理模块，用于通过获取第一关系、第二关系和第三关系，得到异构信息和邻域同构信息，生成先验知识模型的每个节点信息。
[0012]优选地，数据提取模块，还用于通过图注意力机制，为不同的异构节点自适应的分配不同的权重，对异构信息进行聚合，将固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合。
[0013]本专利技术公开了以下技术效果：本专利技术首次引入图注意机制来区分药物和疾病的不同异质节点信息之间的相关性，学习了高质量的药物和疾病嵌入；本专利技术在信息聚合过程中，省略了自身节点信息聚合步骤，并使用固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合，充分利用了邻居信息，实现了局部信息增强的效果。
附图说明
[0014]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0015]图1是本专利技术所述的药物重定位方法流程示意图。
具体实施方式
[0016]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实
施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0017]如图1所示，本专利技术提供了一种基于信息增强图神经网络的药物重定位方法，包括以下两个阶段：数据处理阶段：构建先验知识模型，先验知识模型用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系，其中，第一关系表示通过药物治疗疾病的治疗关系（表示药物与疾病之间的关联性关系），第二关系表示药物之间的相似性关系，第三关系表述疾病之间的相似性关系，所述先验知识模型表示由已知的药物与疾病的先验知识构建的模型；根据先验知识模型，通过K近邻、平均池化和图注意力机制，进行信息聚合，获取先验知识模型的药物节点的第一嵌入向量，以及先验知识模型的疾病节点的第二嵌入向量，其中，嵌入向量表示通过节点的异构信息和同构信息进行聚合后，生成的节点特征向量；预测阶段：将第一嵌入向量和第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位。
[0018]进一步优选地，本专利技术提供的药物重定位方法，在数据处理阶段构建先验知识模型的过程中，本专利技术根据第一关系、第二关系和第三关系，通过获取异构信息和邻域同构信息，生成先验知识模型的每个节点信息。
[0019]进一步优选地，本专利技术提供的药物重定位方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信息增强图神经网络的药物重定位方法，其特征在于，包括以下两个阶段：数据处理阶段：构建先验知识模型，所述先验知识模型用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系，其中，所述第一关系表示药物与疾病之间的关联性关系，所述第二关系表示药物之间的相似性关系，所述第三关系表述疾病之间的相似性关系，所述先验知识模型表示由已知的药物与疾病的先验知识构建的模型；根据所述先验知识模型，通过K近邻、平均池化和图注意力机制，进行信息聚合，获取所述先验知识模型的药物节点的第一嵌入向量，以及所述先验知识模型的疾病节点的第二嵌入向量，其中，嵌入向量表示通过节点的异构信息和同构信息进行聚合后，生成的节点特征向量；预测阶段：将所述第一嵌入向量和所述第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位。2.根据权利要求1所述一种基于信息增强图神经网络的药物重定位方法，其特征在于：在数据处理阶段构建先验知识模型的过程中，根据所述第一关系、所述第二关系和所述第三关系，通过获取异构信息和邻域同构信息，生成所述先验知识模型的每个节点信息。3.根据权利要求2所述一种基于信息增强图神经网络的药物重定位方法，其特征在于：在数据处理阶段获取第一嵌入向量的过程中，基于所述第一关系和所述第三关系，根据所述药物节点对应的所述疾病节点，通过所述图注意力机制，聚合第一异构信息；通过所述平均池化，选择所述药物节点的前K个邻居药物节点，聚合第一同质信息；根据所述第一异构信息和所述第一同质信息，生成所述药物节点的所述第一嵌入向量。4.根据权利要求3所述一种基于信息增强图神经网络的药物重定位方法，其特征在于：在数据处理阶段获取第二嵌入向量的过程中，基于所述第一关系和所述第二关系，根据所述疾病节点对应的所述药物节点，通过所述图注意力机制，聚合第二异构信息；通过所述平均池化，选择所述疾病节点的前K个邻居疾病节点，聚合第二同质信息；...

【专利技术属性】
技术研发人员：孟亚洁，王毅，许俊林，卢长城，唐贤方，杜小勤，朱强，胡新荣，彭涛，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：