【技术实现步骤摘要】
本专利技术涉及药物设计，具体涉及一种基于深度学习的药物代谢相互作用评估方法。
技术介绍
1、药物相互作用(特别是代谢相互作用)的预测评估对于保障用药安全以及药物研发具有重要意义。药物相互作用与药物不良反应的发生密切相关，也是导致药物在研发过程中失败的重要因素之一。目前，主要采用两种策略来评估药物相互作用，一种是实验鉴定，另一种是计算机预测。实验鉴定主要通过生物学和临床实验来确定药物间的相互作用，但这种方法耗时、耗力，并且不能鉴定出所有药物间的相互作用。在计算机预测方面，近年来随着大数据挖掘和机器学习算法的提升，其在药物特征提取及副作用预测方面得到了很好的应用。在大数据处理方面，采用机器学习中深度学习的方式与传统机器学习方法(如逻辑回归、随机森林等)相比，能够更高效、自动地提取药物的特征(如代谢、结构等)。
2、深度学习在评估药物相互作用中最先进的模型主要是基于生物医学图和基于分子结构的模型。基于生物医学图的模型主要使用生物医学的知识图谱来预测药物相互作用，其中包含相互关联的生物医学实体(如药物、靶标和副作用等)，使用图学习方法，如图神经网络(gnns)和知识图嵌入算法。生物医学图利用生物医学知识可以加强药物的特征来提升药物相互作用的预测性能。但是，这些模型受限于高质量的药物生物医学数据，这在许多药物相互作用的预测场景中特别是在药物研发的早期阶段不可用。
3、由于药物相互作用的发生通常可以归因于分子化学结构内的一些子结构或官能团，因此基于分子结构的模型可以利用分子结构并捕获与药物相互作用相关的分子子结构信息
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的药物代谢相互作用评估方法，该方法有利于提高用药安全性。
2、为了实现上述目的，本专利技术采用的技术方案是：一种基于深度学习的药物代谢相互作用评估方法，采用基于transformer的网络模型学习分子图及分子模体图的特征，并采用联合注意力机制学习药物间的交互特征来预测药物代谢相互作用，进而预测药物代谢相互作用的类型及药物的代谢水平变化同时解释药物导致代谢相互作用的结构机理。
3、进一步地，该方法包括以下步骤：
4、(1)获取已知的具有药物代谢相互作用的药物对及其相互作用规则的自然语言描述，根据语言描述标记药物对的代谢相互作用类型以及代谢相互作用中受害者药物血药浓度的时间-浓度曲线下的面积改变倍数，以此分别构建两个数据集：分类模型数据集以及回归模型数据集；
5、(2)预处理输入药物对的分子结构smiles，对于每一个药物的分子结构，将其转换成分子图以及分子模体图作为模型的输入；
6、(3)利用hierarchy-transformer模块、孪生神经网络、联合注意力机制和全连接层构建深度学习网络模型；
7、(4)将步骤(2)处理后的药物对分子分别输入到权重共享的hierarchy-transformer模块中，然后经过联合注意力机制模块以及全连接层，经过迭代训练及优化分类任务及回归任务，获取最优的模型结构与参数；
8、(5)使用步骤(4)训练好的深度学习网络模型，输入需要预测的药物对，待模型提取到药物对的结构特征后，通过决策函数输出药物代谢相互作用类别或者受害者药物血药浓度的时间-浓度曲线下的面积改变倍数；
9、(6)根据分类任务的结果，根据标签的类别判断药物对中的作恶者药物和受害者药物；同时根据共注意力机制中分子结构中模体的权重作为解释药物代谢相互作用的分子结构机理。
10、进一步地，所述深度学习网络模型采用两个权重共享的hierarchy-transformer模块分别提取药物对中每个药物的模体特征；所述hierarchy-transformer模块采用两个带有全局以及局部自注意力的transformer encoder模块分别提取药物的分子结构特征，第一个transformer encoder模块提取并输出分子图中每个原子的特征，输出的原子特征随后映射到其对应的模体中，作为模体图中模体的初始特征的一部分，第二个transformerencoder模块学习模体图并输出学习后的模体特征；将两个药物的模体特征输入到联合注意力机制模块中，以获得两者的交互特征，最终将交互特征输入到全连层中做预测。
11、进一步地，所述深度学习网络模型在原始transformer encoder模块的全局注意力机制上引入局部注意力机制来增强分子特征的提取，在transformer的自注意力中包含两个部分，分别为局部提取器和全局提取器；局部提取器使用分子图或模体图的邻接矩阵，使模型的注意力能够关注到中心节点及邻接节点的信息；邻接矩阵定义为其中n为图中节点的数量；全局提取器则使用分子图或模体图中节点间的相对距离矩阵来控制中心节点与远距离节点间的信息传递；给定图中节点集合v＝[v1,v2,…,vn]，用相对距离ri,j表示节点vi和vj间的相对距离，相对距离矩阵表示图中所有节点间的相对距离，其中n为图中节点的数量；为了使相对距离矩阵r能够更好地调节transformer的注意力，先通过以下计算对r进行转换：
12、
13、其中，w用于控制距离信息的参数；因此，所述transformer encoder模块根据如下描述来定义：
14、给定一个输入矩阵其中n和h表示分子图或模体图中节点的数量以及节点初始化的特征维度；将该输入矩阵沿着矩阵维度的方向拆分为两个矩阵和然后分别将两个矩阵引入到局部提取器和全局提取器的多头注意力头中；对于局部提取器，其包含有h个注意力头；输入矩阵fl转换成transformer中的query ql，key kl以及value vl，其计算方法如下：
15、
16、其中，以及是可训练的矩阵；因此对于第i个注意力头，其注意力机制定义为：
17、
18、其中，⊙是哈达玛积，是注意力缩放因子，a是邻接矩阵；如果是全局提取器，将a替换为转换后的相对距离矩阵每一个注意力头的输出被拼接，然后通过线性化投影输出多头注意力的结果：
19、
20、其中，是可训练的矩阵；通过以上计算，局部提取器输出矩阵以及全局提取器输出矩阵然后将xl和xg拼接得到作为注意力的输出矩阵；接着用前馈神经网络fnn将x转换为transformer encoder模块的最本文档来自技高网...
【技术保护点】
1.一种基于深度学习的药物代谢相互作用评估方法，其特征在于，采用基于Transformer的网络模型学习分子图及分子模体图的特征，并采用联合注意力机制学习药物间的交互特征来预测药物代谢相互作用，进而预测药物代谢相互作用的类型及药物的代谢水平变化同时解释药物导致代谢相互作用的结构机理。
2.根据权利要求1所述的一种基于深度学习的药物代谢相互作用评估方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的一种基于深度学习的药物代谢相互作用评估方法，其特征在于，所述深度学习网络模型采用两个权重共享的Hierarchy-transformer模块分别提取药物对中每个药物的模体特征；所述Hierarchy-transformer模块采用两个带有全局以及局部自注意力的Transformer encoder模块分别提取药物的分子结构特征，第一个Transformer encoder模块提取并输出分子图中每个原子的特征，输出的原子特征随后映射到其对应的模体中，作为模体图中模体的初始特征的一部分，第二个Transformerencoder模块学习模体图并输出学习后的模体特
4.根据权利要求3所述的一种基于深度学习的药物代谢相互作用评估方法，其特征在于，所述深度学习网络模型在原始Transformer encoder模块的全局注意力机制上引入局部注意力机制来增强分子特征的提取，在Transformer的自注意力中包含两个部分，分别为局部提取器和全局提取器；局部提取器使用分子图或模体图的邻接矩阵，使模型的注意力能够关注到中心节点及邻接节点的信息；邻接矩阵定义为其中N为图中节点的数量；全局提取器则使用分子图或模体图中节点间的相对距离矩阵来控制中心节点与远距离节点间的信息传递；给定图中节点集合V＝[V1,V2,…,VN]，用相对距离Ri,j表示节点Vi和Vj间的相对距离，相对距离矩阵表示图中所有节点间的相对距离，其中N为图中节点的数量；为了使相对距离矩阵R能够更好地调节Transformer的注意力，先通过以下计算对R进行转换：
5.根据权利要求2所述的一种基于深度学习的药物代谢相互作用评估方法，其特征在于，对于分类任务，包括4种预测标签类型：
6.根据权利要求2所述的一种基于深度学习的药物代谢相互作用评估方法，其特征在于，使用预处理好的训练样本作为输入进行有监督的模型训练，通过反向传播更新权重，在模型过程中采用五倍交叉验证来调整超参数及验证模型稳定性；使用独立验证集对模型进行测试；模型优化包括以下两个目标函数：
...【技术特征摘要】
1.一种基于深度学习的药物代谢相互作用评估方法，其特征在于，采用基于transformer的网络模型学习分子图及分子模体图的特征，并采用联合注意力机制学习药物间的交互特征来预测药物代谢相互作用，进而预测药物代谢相互作用的类型及药物的代谢水平变化同时解释药物导致代谢相互作用的结构机理。
2.根据权利要求1所述的一种基于深度学习的药物代谢相互作用评估方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的一种基于深度学习的药物代谢相互作用评估方法，其特征在于，所述深度学习网络模型采用两个权重共享的hierarchy-transformer模块分别提取药物对中每个药物的模体特征；所述hierarchy-transformer模块采用两个带有全局以及局部自注意力的transformer encoder模块分别提取药物的分子结构特征，第一个transformer encoder模块提取并输出分子图中每个原子的特征，输出的原子特征随后映射到其对应的模体中，作为模体图中模体的初始特征的一部分，第二个transformerencoder模块学习模体图并输出学习后的模体特征；将两个药物的模体特征输入到联合注意力机制模块中，以获得两者的交互特征，最终将交互特征输入到全连层中做预测。
4.根据权利要求3所述的一种基...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。