一种基于结构感知转换器的微生物-药物关联预测方法及系统技术方案

本发明专利技术提出了一种基于结构感知转换器的微生物

【技术实现步骤摘要】
一种基于结构感知转换器的微生物
‑
药物关联预测方法及系统


[0001]本专利技术属于生物信息学领域，尤其涉及到一种基于结构感知转换器的微生物
‑
药物关联预测方法及系统
。

技术介绍

[0002]在人体内居住着许多的微生物，它通常作为动态的
、
多样化的和复杂的遗传宿主定植于人类细胞，并在人体内发挥重要作用
。
微生物参与了人体药物治疗和疾病发展，一方面，微生物可以促进代谢，产生人体必需的维生素和基因产物，并防止病原体的入侵
。
另一方面，相关研究表明微生物的异常生长或衰变会严重影响人类健康，并导致肥胖
、
糖尿病甚至是癌症等疾病
。
[0003]越来越多的临床证据表明微生物群落与人类健康息息相关，由微生物引起的疾病更是数不胜数，我们需要与之相抗衡的药物来治疗
。
因此，预测微生物与药物之间的关联性对于新药发现
、
药物临床应用以及药品质量监控等方面发挥了重要作用
。
[0004]然而，由于医学界研究的药物种类的增加，微生物的耐药性也越来越强，传统的实验方法又受到昂贵的设备和繁重的工作的限制
。
近年来，随着基因组学
、
蛋白质组学
、
生命科学以及医药研究等领域的飞速进步使得生物信息发展迅速，人们已经积累了大量的生物医学数据
。
在此基础上，研究人员先后提出了许多计算方法来推断潜在的微生物
‑
药物关联
。
[0005]目前预测微生物
‑
药物关联性主要包括基于相似性度量和基于图表示学习两类方法
。
基于相似性度量方法可能无法准确地测量节点之间的距离，导致分类结果出现偏差
。
基于图表示学习方法主要有一些图神经网络模型，包括图卷积神经网络
(GCN)、
图注意力网络
(GAT)
以及图变分自编码器
(VGAE)
等等
。
图神经网络对于改善模型预测能力十分有利，但是在计算过程中，通常会带来过平滑和过度挤压的问题
。
[0006]综上所述，虽然上述模型在某些方面表现出了可靠的性能，但是还是会存在一定的限制
。
因此，通过研究新的算法来计算微生物
‑
药物关联性是十分重要的
。

技术实现思路

[0007]本专利技术的目的在于提供一种基于结构感知转换器的微生物
‑
药物关联预测方法及系统，以解决传统实验方法预测微生物
‑
药物关联时受到昂贵的设备和繁重的工作的限制以及当前采用图神经网络模型容易出现过平滑和过度挤压的技术问题
。
[0008]本专利技术技术方案如下：
[0009]S1
：根据微生物
‑
药物关联网络和微生物
‑
疾病
‑
药物关联网络得到微生物和药物的相似性；
[0010]S2
：基于所述的微生物和药物的相似性，采用重启随机游走算法提取节点间的特征信息；
[0011]S3
：通过微生物
‑
药物关联网络
、
微生物相似性以及药物相似性构建异构网络；
[0012]S4
：将异构网络输入到结构感知转换器进行训练得到训练好的结构感知转换器；
[0013]S5
：根据训练好的结构感知转换器预测微生物
‑
药物潜在关联
。
[0014]进一步的，所述步骤
S1
包括：
[0015]通过微生物
‑
药物关联网络计算微生物高斯核相似性和药物高斯核相似性；
[0016]通过对微生物
‑
疾病
‑
药物关联网络进行去重操作，得到微生物
‑
药物关联网络
、
微生物
‑
疾病关联网络以及药物
‑
疾病关联网络，并计算疾病语义相似性，通过疾病语义相似性进一步计算得到微生物功能相似性和药物功能相似性
。
[0017]进一步的，通过微生物
‑
药物关联网络和微生物
‑
疾病
‑
药物关联网络计算微生物高斯核相似性和微生物功能相似性
、
药物高斯核相似性和药物功能相似性，包括以下步骤：
[0018]根据微生物
‑
药物关联网络构建邻接矩阵将邻接矩阵
A
的行定义为
n
r
，
n
r
代表药物数量，矩阵的列为
n
m
，
n
m
代表微生物数量；
[0019]用
S(i)
和
S(j)
表示邻接矩阵
A
的第
i
行和第
j
行，那么药物
r
i
和药物
r
j
之间的药物高斯核相似性
GIR
计算如下：
[0020]GIR(r
i
,r
j
)
＝
exp(
‑
μ
||S(i)
‑
S(j)||2)
[0021][0022]其中，
μ
为标准内核带宽，通过将参数归一化得到；
[0023]同理，用
R(i)
和
R(j)
表示邻接矩阵
A
的第
i
列和第
j
列，微生物
m
i
和微生物
m
j
之间的微生物高斯核相似性
GIM
计算如下：
[0024]GIM(m
i
,m
j
)
＝
exp(
‑
μ
||R(i)
‑
R(j)||2)
[0025][0026]根据微生物
‑
药物关联网络
、
微生物
‑
疾病关联网络以及药物
‑
疾病关联网络获得与微生物和药物相关的共有的疾病，从疾病本体论中获得所述疾病的语义信息，并计算疾病
d
i
和疾病
d
j
之间的语义相似性
DSE
计算如下：
[0027][0028]其中，设
D1是包含疾病
d
i
及其所有关联疾病的集合，表示
D1中所有子项的语义贡献值，其计算公式如下：
[0029][0030]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于结构感知转换器的微生物
‑
药物关联预测方法，其特征在于，包括以下步骤：
S1
：根据微生物
‑
药物关联网络和微生物
‑
疾病
‑
药物关联网络得到微生物和药物的相似性；
S2
：基于所述的微生物和药物的相似性，采用重启随机游走算法提取节点间的特征信息；
S3
：通过微生物
‑
药物关联网络
、
微生物相似性以及药物相似性构建异构网络；
S4
：将异构网络输入到结构感知转换器进行训练得到训练好的结构感知转换器；
S5
：根据训练好的结构感知转换器预测微生物
‑
药物潜在关联
。2.
根据权利要求1所述的一种基于结构感知转换器的微生物
‑
药物关联预测方法，其特征在于，所述步骤
S1
包括：通过微生物
‑
药物关联网络计算微生物高斯核相似性和药物高斯核相似性；通过对微生物
‑
疾病
‑
药物关联网络进行去重操作，得到微生物
‑
药物关联网络
、
微生物
‑
疾病关联网络以及药物
‑
疾病关联网络，并计算疾病语义相似性，通过疾病语义相似性进一步计算得到微生物功能相似性和药物功能相似性
。3.
根据权利要求2中所述的一种基于结构感知转换器的微生物
‑
药物关联预测方法，其特征在于，通过微生物
‑
药物关联网络和微生物
‑
疾病
‑
药物关联网络计算微生物高斯核相似性和微生物功能相似性
、
药物高斯核相似性和药物功能相似性，包括以下步骤：根据微生物
‑
药物关联网络构建邻接矩阵将邻接矩阵
A
的行定义为
n
r
，
n
r
代表药物数量，矩阵的列为
n
m
，
n
m
代表微生物数量；用
S(i)
和
S(j)
表示邻接矩阵
A
的第
i
行和第
j
行，那么药物
r
i
和药物
r
j
之间的药物高斯核相似性
GIR
计算如下：
GIR(r
i
，
r
j
)
＝
exp(
‑
μ
||S(i)
‑
S(j)||2)
其中，
μ
为标准内核带宽，通过将参数归一化得到；同理，用
R(i)
和
R(j)
表示邻接矩阵
A
的第
i
列和第
j
列，微生物
m
i
和微生物
m
j
之间的微生物高斯核相似性
GIM
计算如下：
GIM(m
i
，
m
j
)
＝
exp(
‑
μ
||R(i)
‑
R(j)||2)
根据微生物
‑
药物关联网络
、
微生物
‑
疾病关联网络以及药物
‑
疾病关联网络获得与微生物和药物相关的共有的疾病，从疾病本体论中获得所述疾病的语义信息，并计算疾病
d
i
和疾病
d
j
之间的语义相似性
DSE
计算如下：
其中，设
D1是包含疾病
d
i
及其所有关联疾病的集合，表示
D1中所有子项的语义贡献值，其计算公式如下：献值，其计算公式如下：同上，此外表示
D1的所有子项语义贡献值的总和，
DV(d
j
)
同上；基于上述疾病语义相似性
DSE
计算药物功能相似性
FCR
如下：其中，对于药物
r
i
和药物
r
j
，设有
b1种疾病与
r
i
相关，也有
b2种疾病与
r
j
相关，所述疾病表示为
{d
it
(1≤t≤b1)}
和
{d
js
(1≤s≤b2)}
；对于微生物
m
i
和微生物
m
j
，设有
n1种疾病与
m
i
相关，
n2种疾病与
m
j
相关，所述疾病表示为
{d
ip
(1≤p≤n1)}
和
{d
jk
(1≤k≤n2)}
，微生物功能相似性
FCM
计算如下：将药物相似性表示为
IRS(r
i
，
r
j
)
：将微生物相似性表示为
...

【专利技术属性】
技术研发人员：范柳，朱贤友，
申请(专利权)人：衡阳师范学院，
类型：发明
国别省市：