【技术实现步骤摘要】
本专利技术属于协同药物预测，尤其是涉及一种基于多源相似度矩阵核融合的协同药物预测方法。
技术介绍
1、传统医学和现代医学都充分利用了多种活性物质的联合使用来治疗疾病。与单药治疗相比，药物组合通常可以提高疗效，减少副作用，并克服药物耐药性。药物组合越来越多地用于治疗各种复杂疾病，如高血压，传染病和癌症。例如，三阴性乳腺癌是一种恶性肿瘤，具有强烈的侵袭性、高转移率和不良预后性。拉帕替尼或雷帕霉素单独治疗的疗效很小，但它们的联合治疗显著增加了三阴性乳腺癌细胞的凋亡率。然而，有些药物组合可能会产生拮抗效应，甚至加重疾病。因此，准确发现特定疾病的协同作用药物组合至关重要。传统的协同药物组合发现主要基于临床试验，并且仅限于少数几种药物，远远不能满足抗癌药物的迫切需求，由于可能的药物组合数量庞大，传统方法成本高昂且不实际。近年来，随着机器学习与深度学习的不断发展，其在药物研发的过程中得到越来越广泛的应用，大量用于预测协同药物组合的机器学习与深度学习算法应运而生。目前已有的协同药物预测算法的处理步骤一般是：①提取药物特征，包括药物的结构特征、atc编码特征和靶点特征等；②基于不同的药物特征，构造多个药物相似度矩阵；③对多个药物相似度矩阵以平均和的方式进行融合；④将融合后的药物相似度矩阵输入神经网络进行协同药物预测。
2、现有的方法只考虑了药物的结构、atc编码和靶点等特征，尽管这些特征对于协同药物的预测至关重要，但它们仅提供了有关药物的部分信息。admet(absorption、distribution、metabolism、exc
3、现有的方法在基于不同的药物特征构造多个药物相似度矩阵后，仅仅对相似度矩阵以平均和的方式进行融合，并未考虑到不同的药物特征在描述药物相似性时可能具有不同的贡献度和重要性。这可能会掩盖掉这些重要性差异，从而降低了对药物相似度的区分度和模型的预测性能。
4、现有的方法仅仅考虑了对多个药物相似度矩阵的融合，但并未考虑不同药物相似度网络之间的交互信息。由于不同的药物相似度网络是基于不同类型的药物特征构建而成，如结构、atc编码、靶点等，因此，这些网络代表了药物在不同层面上的相似度，例如药物的结构相似度、功能相似度和机制相似度，这些网络之间通常存在着潜在的关联和交互作用，因为药物的多个特征往往不是相互独立的，通过考虑不同药物相似度网络之间的交互信息，模型可以更全面地捕捉药物相似度的多维度特征。
技术实现思路
1、针对上述问题，本专利技术提出了一种基于多源相似度矩阵核融合的协同药物预测方法。首先，利用多跳子图加权随机游走算法和加权mpnn算法提取药物的结构特征；其次，引入药物结构信息、药物atc编码信息、药物-靶点关联信息、药物-酶关联信息、药物-通路关联信息共五项信息，从化学特性、化学结构、药物功能、作用机制、代谢机制等多个角度描述药物的相似度；再次，采用重启随机游走算法和spearman等级相关系数，捕捉药物网络的网络结构信息，以构造拓扑相似度矩阵；然后，采用相似度矩阵核融合方法，以高度非线性和可学习的方式有效地融合不同的拓扑相似度矩阵，形成一个最终的融合相似度矩阵；最后，将最终的融合相似度矩阵输入深度神经网络，对协同药物组合进行预测。
2、本专利技术的技术方案为：
3、一种基于多源相似度矩阵核融合的协同药物预测方法，如图1所示，包括以下步骤：
4、s1、基于药物分子的smiles，利用rdkit工具生成药物分子对应的二维无向图g＝(v,e)，其中v是节点集，e是边集，定义n＝|v|表示节点总数；
5、s2、利用多跳子图随机游走检测药物社区团，具体为：通过播种的方式，从每个种子中的节点一致地开始计算转移概率向量，将图g中每个节点的转移概率向量看作是向量空间中的一个点，并使用谱聚类算法将这些向量聚类成不同的社区团，从而得到每个种子扩展的药物社区团；所述转移概率向量的计算方式为：
6、先通过下式计算出起始节点u的k跳邻居子图中扩展了m(k)个药物社区团后转移概率向量：
7、
8、其中，iu为第u个元素为1、其余元素为0的向量，αk∈(0,1)为衰减参数，为在节点u的k跳邻居子图上，以u为起始节点，扩展到第m(k)个药物社区团后的随机游走动态转移矩阵：
9、
10、其中，为节点u的k跳邻居子图的邻接矩阵，为邻接矩阵的度矩阵，为扩展到第m(k)个药物社区团后的加权矩阵：
11、
12、其中，μ1＞0，0<μ2<μ3<1，n(vi)表示第i个节点vi从属的药物社区团数，表示子图中第i个节点与第j个节点之间的跳转权重：
13、
14、其中，linkk(i,j)表示子图中第i个节点与第j个节点在原始图g中的经过k-1个节点链接的相连链路数，nk(i)表示子图中第i个节点的邻居节点集合；
15、最终得到起始节点u的转移概率向量为：
16、
17、其中，ωi为概率融合权重，满足ω1>ω2>...>ωk>0且ω1+ω2+...+ωk＝1，i＝1,2,...,k；
18、将得到的药物社区团中相似度大于阈值的两个药物社区团进行融合得到n个药物社区团c＝{c1,c2,...,cn}，其中0<n≤π，π是设定的种子数量；将得到的n个药物社区团按照传导性升序排序，仅保留前a个社区团，将其余社区团全部解散，以保留下来的a个社区团为指导重新进行新一轮的多跳子图随机游走，依此迭代t次后，得到最终的药物社区团c＝{c1,c2,...,cs}，其中s为最终的药物社区团数量；所述传导性是药物社区团的适应度函数：
19、
20、
21、其中，l(c)表示社区团内节点的外部链接总数，m表示图g中的边数，d(u)代表节点u的度数，社区团c的传导性ψ(c)越低，则表示该社区团的内聚性越高；
22、s3、利用第一个mpnn模块提取药物社区团局部特征：
23、使用每一个节点u的转移概率向量p(u)对消息传递函数进行加权优化：
24、
25、其中，为从节点v传递到节点u的信息向量，为第(l-1)层上节点u的特征向量，为第(l-1)层上节点v的特征向量，evu是指示节点v和节点u之间是否存在边的属性值，若存在边，则evu＝1，否则evu＝0，p(u)v表示节点u向节点v转移的概率；
26、使用概率融合权重对聚合函数进行加权优化：
27、
28、其中，是节点u的l跳本文档来自技高网...
【技术保护点】
1.一种基于多源相似度矩阵核融合的协同药物预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于药物社区团的DDI预测方法，其特征在于，S2中种子的初始化方式为，设定初始化规则为：
3.根据权利要求1所述的一种基于药物社区团的DDI预测方法，其特征在于，S2中所述谱聚类算法是通过将数据点看作向量，然后对这些向量进行谱分解，最后对这些向量进行聚类，谱聚类算法的输入为：
4.根据权利要求1所述的一种基于药物社区团的DDI预测方法，其特征在于，S2中将得到的药物社区团中相似度大于阈值的两个药物社区团进行融合的方法是：
5.根据权利要求1所述的一种基于药物社区团的DDI预测方法，其特征在于，S7中将L设置为4，则具体的运算过程为：
【技术特征摘要】
1.一种基于多源相似度矩阵核融合的协同药物预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于药物社区团的ddi预测方法，其特征在于，s2中种子的初始化方式为，设定初始化规则为：
3.根据权利要求1所述的一种基于药物社区团的ddi预测方法，其特征在于，s2中所述谱聚类算法是通过将数据点看作向量，然后对这些...
【专利技术属性】
技术研发人员：李骁，朱嘉静，刘勇国，陆鑫，李巧勤，张云，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
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。