基于图自注意力的微生物-药物关联预测方法技术

本发明专利技术属于生物信息学技术领域，具体涉及一种基于图自注意力的微生物

【技术实现步骤摘要】
基于图自注意力的微生物
‑
药物关联预测方法


[0001]本专利技术涉及生物信息学
，更具体地，涉及一种基于图自注意力的微生物
‑
药物关联预测方法
。

技术介绍

[0002]微生物包含有细菌
、
真菌和病毒等，微生物对于人体的健康起着至关重要的作用，微生物的入侵会导致人体疾病出现，例如细菌入侵龋齿的开放空腔会导致人体牙髓和牙根周感染
。
近年来，随着医学领域研究药物种类的增加，微生物的耐药性越来越强
。
制药行业的研究涉及在温室条件下培养一些微生物物种，然后将其用于药物
。
然而，这个过程通常会耗费很多时间和金钱，迫切需要新的预测方法来发现微生物和药物之间的潜在关系
。
现有预测方法大概可以分为三类：基于路径的方法
、
基于随机游走的方法
、
和基于矩阵分解的方法，随着研究发展，图
Transformer
的预测方法也逐渐被人们重视，应用更加广泛
。

技术实现思路

[0003]针对目前微生物和药物的潜在关联预测方法构建邻接矩阵稀疏导致特征不明显以及表达能力有限的问题，本专利技术提供一种基于图自注意力的微生物
‑
药物关联预测方法，引入结构感知自注意力，扩充了从图结构中学习的信息量，并再此之前，使用主成分分析方法进行了特征提取，从而解决特征不明显和表达能力有限的问题，进一步提高微生物
‑
药物关联预测的准确性
。
[0004]为解决上述技术问题，本专利技术的技术方案如下：一种基于图自注意力的微生物
‑
药物关联预测方法，包括步骤：
S1
：计算药物的结构相似性和药物的高斯核相似性，并取二者平均值得到药物的综合相似性，各药物两两之间的综合相似性组成药物的综合相似性矩阵；计算微生物的功能相似性和微生物的高斯核相似性，取二者平均值得到微生物的综合相似性，各微生物两两之间的综合相似性组成微生物的综合相似性矩阵；
S2
：使用主成分分析方法对微生物以及药物的综合相似性矩阵进行降维和特征提取，得到微生物特征矩阵和药物特征矩阵，组成微生物和药物的特征矩阵，并建立微生物
‑
药物异构网络；
S3
：将微生物
‑
药物异构网络
、
微生物和药物的特征矩阵输入到结构感知
Transformer
模型中，结构感知
Transformer
模型包括结构提取器和结构感知
Transformer
层（结构感知图自注意力层），结构感知
Transformer
层由结构感知自注意力模块和多层感知机组成，通过结构提取器获取节点局部信息并更新生成节点属性，然后通过结构感知自注意力计算注意力分数融合得到微生物嵌入和药物嵌入，最后通过多层感知机将微生物嵌入和药物嵌入连接起来，并得到最终的关联预测分数；将图称为，
B
为节点的集合，与微生物和药物的种类数量对应，微生物节点数量为，药物节点数量为；其中节点的节点属性由表示，并且对于具
有多个节点的图，所有节点的节点属性存储在微生物和药物的特征矩阵中；所述结构提取器是
k
‑
子图
GCN
提取器，使用
k
‑
子图
GCN
提取器对图
G
进行提取，然后将提取的结果输入结构感知
Transformer
层进行处理；所述结构感知
Transformer
层，通过结构感知自注意力模块替代
Transformer
层的自注意力模块，通过引入一组以每个节点为中心的子图，将内核平滑器定义为：；其中，表示结构感知自注意力的输出，表示图中以与节点特征相关联的节点为中心的子图，表示图中以与节点特征相关联的节点为中心的子图，表示图中以与节点特征相关联的节点为中心的子图，是比较一对子图的任何核；是节点的节点属性，是线性值函数
。
[0005]进一步优选，；其中， 表示结构提取器提取以节点为中心的具有节点特征的子图，表示结构提取器提取以节点为中心的具有节点特征的子图，是由查询矩阵的参数矩阵和键矩阵的参数矩阵参数化的非对称指数核
。
[0006]进一步优选，使用
SIMCOMP2
工具来计算药物的结构相似性
。
[0007]进一步优选，所述降维和特征提取的过程为：对微生物或药物的综合相似性矩阵进行中心化，计算微生物或药物的协方差矩阵，然后微生物或药物的协方差矩阵做特征值分解，最后取最大的
128
个特征值所对应的特征向量，构成微生物或药物特征矩阵
。
[0008]进一步优选，所述微生物
‑
药物异构网络表示如下：；其中，
A
表示微生物
‑
药物异构网络，表示微生物特征矩阵，表示药物特征矩阵，表示微生物
‑
药物关联网络的转置
。
[0009]进一步优选，微生物和药物的特征矩阵表示如下：；其中，为微生物和药物的特征矩阵，表示微生物特征矩阵，表示药物特征矩阵
。
[0010]进一步优选，将图称为，
B
为节点的集合，与微生物和药物的种类数量对应，微生物节点数量为，药物节点数量为；其中节点的节点属性由表示，并且对于具有多个节点的图，所有节点的节点属性存储在微生物和药物的特征矩阵中
。
[0011]进一步优选，使用的结构提取器是
k
‑
子图
GCN
提取器，使用
k
‑
子图
GCN
提取器直接计算以节点为中心的整个跳子图的表示；
k
‑
子图
GCN
提取器使用平均池化函数来聚合跳邻域内所有节点的更新节点表示；用表示节点的包括其自身的跳邻域，结构提
取器的提取过程表示为：；式中，表示结构提取器提取以节点为中心的具有节点特征的子图，
v
为节点的跳邻域内的节点，为
k
‑
子图
GCN
提取器对节点
v
的提取；通过级联将
k
‑
子图
GCN
提取器中的节点表示与原始节点特征进行扩充，表达式为：；其中，
GCN
表示图卷积神经网络， 表示用于训练的第1个图卷积神经网络层的参数矩阵，表示用于训练的第2个图卷积神经网络层的参数矩阵，并使用随机数为可学习矩阵的元素赋初值，在训练的过程中不断更新；是线性激活函数，是微生物
‑
药物异构网络
A
对称归一化的邻接矩阵，对称归一化表达式为：，其中，
D<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图自注意力的微生物
‑
药物关联预测方法，其特征在于，包括步骤：
S1
：计算药物的结构相似性和药物的高斯核相似性，并取二者平均值得到药物的综合相似性，各药物两两之间的综合相似性组成药物的综合相似性矩阵；计算微生物的功能相似性和微生物的高斯核相似性，取二者平均值得到微生物的综合相似性，各微生物两两之间的综合相似性组成微生物的综合相似性矩阵；
S2
：使用主成分分析方法对微生物以及药物的综合相似性矩阵进行降维和特征提取，得到微生物特征矩阵和药物特征矩阵，组成微生物和药物的特征矩阵，并建立微生物
‑
药物异构网络；
S3
：将微生物
‑
药物异构网络
、
微生物和药物的特征矩阵输入到结构感知
Transformer
模型中，结构感知
Transformer
模型包括结构提取器和结构感知
Transformer
层，结构感知
Transformer
层由结构感知自注意力模块和多层感知机组成，通过结构提取器获取节点局部信息并更新生成节点属性，然后通过结构感知自注意力计算注意力分数融合得到微生物嵌入和药物嵌入，最后通过多层感知机将微生物嵌入和药物嵌入连接起来，并得到最终的关联预测分数；将图称为，
B
为节点的集合，与微生物和药物的种类数量对应，微生物节点数量为，药物节点数量为；其中节点的节点属性由表示，并且对于具有多个节点的图，所有节点的节点属性存储在微生物和药物的特征矩阵中；所述结构提取器是
k
‑
子图
GCN
提取器，使用
k
‑
子图
GCN
提取器对图
G
进行提取，然后将提取的结果输入结构感知
Transformer
层进行处理；所述结构感知
Transformer
层，通过结构感知自注意力模块替代
Transformer
层的自注意力模块，通过引入一组以每个节点为中心的子图，将内核平滑器定义为：
;
其中，表示结构感知自注意力的输出，表示图中以与节点特征相关联的节点为中心的子图，表示图中以与节点特征相关联的节点为中心的子图，表示图中以与节点特征相关联的节点为中心的子图，是比较一对子图的任何核；是节点的节点属性，是线性值函数；；其中， 表示结构提取器提取以节点为中心的具有节点特征的子图，表示结构提取器提取以节点为中心的具有节点特征的子图，是由查询矩阵的参数矩阵和键矩阵的参数矩阵参数化的非对称指数核
。2.
根据权利要求1所述的基于图自注意力的微生物
‑
药物关联预测方法，其特征在于，使用
SIMCOMP2
工具来计算药物的结构相似性
。3.
根据权利要求1所述的基于图自注意力的微生物
‑
药物关联预测方法，其特征在于，所述降维和特征提取的过程为：对微生物或药物的综合相似性矩阵进行中心化，计算微生物或药物的协方差矩阵，然后微生物或药物的协方差矩阵做...

【专利技术属性】
技术研发人员：李光辉，郭文平，拜佩豪，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：