【技术实现步骤摘要】
本专利技术属于药物间不良反应预测，尤其是涉及一种基于多属性多核表示学习的药物间不良反应预测方法。
技术介绍
1、药物间不良反应是指两种药物联合使用后一种药物的药效或药理作用被另一种药物破坏，造成药物原有的体内代谢和吸收过程发生改变，产生对人体有害的不良反应或毒副作用。例如，三唑类抗真菌剂伏立康唑和合成肾上腺皮质类固醇组合使用将引发骨质疏松、败血症和视力衰减和等不良反应；聚合胺司维拉姆和磺胺甲基氨基苯甲酸衍生物呋喃苯胺酸共同使用将造成心动过缓、心搏停止、无动力性肠梗阻等不良反应。识别和预测药物间不良反应，逐渐受到各学科科研人员和相关医疗机构的重视，也是当前临床药学和医疗健康领域的研究重点。
2、针对药物间不良反应问题，全球制药企业在新药研发阶段投入大量资金进行药物上市前临床试验，降低新药上市后不良反应风险，提高药物安全性。尽管如此，每年仍有药物间不良反应事件频繁发生，不仅提升了制药企业在新药上市后安全性监测阶段的成本，也提高了药物被废弃使用和撤回的风险。一方面，影响药物间不良反应的因素复杂且多样，如不同药物的生物化学属性(分子结构、靶点、酶、通路、副作用)本身存在差异，且患者对药物的吸收和代谢能力不同，导致临床试验无法对药物各种使用情况和人体状态进行广泛和深入的分析和研究。另一方面，药物数量众多、药物间组合空间巨大，临床试验成本高、消耗时间长。因此临床试验方法无法大规模开展药物间不良反应的高效识别和预测，仅单纯依靠上市前的临床试验不足以发现药物间潜在不良反应。因此，开展药物间不良反应预测很大程度上弥补临床试验方法的局限
3、目前药物间不良反应预测研究工作主要分为两类：基于知识库的药物间不良反应预测方法和基于药物属性的药物间不良反应预测的方法。
4、公共医疗卫生机构通过自发呈报系统收集药物使用者和医务人员提交的药物安全性监测数据，构建药物不良反应知识库。研究者提出基于知识库的药物间不良反应预测方法在生物医学文本、电子医疗病例和生物学异构数据库实现药物间不良反应的检测。
5、随着药学专家对药物属性(分子结构、副作用、靶点、酶、通路、表型、基因和疾病等)的深入研究，研究者从药物异构数据库中提取药物属性信息，提出基于药物属性的药物间不良反应预测方法，揭示药物不良反应的属性规律。常见的研究方法包括多任务学习、特征选择和图卷积神经网络等。
6、上述方法为药物间不良反应预测奠定了良好的基础，但是存在的缺陷在于：现有方法通过利用相似性度量函数计算药物间多属性特征表示的相似性，实现药物间不良反应关系建模。具体来说，相似性度量函数可视为一个核函数，首先使用投影策略将将药物的属性表示映射到高维空间，然后计算两种药物属性在高维空间表示的内积作为药物间的不良反应得分。由于不同药物属性对于揭示药物间不良反应的潜在特征规律存在巨大差异，每个属性优先选择与其潜在特征规律最兼容的核函数进行不良反应建模。现有方法通常对多种核函数进行尝试(如线性核、高斯核、sigmoid核等)，并选择实验结果最好的核函数作为衡量药物间属性相似性度量的最佳核函数。然而，由于不同药物属性的潜在特征规律是多样且复杂的，所选择的最佳核函数受限于其表示能力，仅能对属性的潜在特征规律进行接近，无法完整体现属性的特征规律。另一方面，从核函数的角度分析，不同核函数计算药物间属性表示相似性时具有自身的偏好和倾向。
7、鉴于不同属性对于揭示药物间不良反应的潜在特征规律存在差异，不同核函数在计算药物间属性表示相似性时也有自身的偏好和倾向，因此，在基于药物多属性的药物间不良反应预测中，拟构建最优的核函数组合更好地揭示不同属性在药物间不良反应建模过程潜在特征规律，即发现一种集成相似性度量函数能够兼容不同属性多样且复杂的特征规律。具体来说，这个最优核函数组合集成多种核函数在计算药物间多属性相似性时的偏好和倾向，更好地揭示药物多属性相似性与药物间不良反应间的关系，提升药物间不良反应预测的准确性。针对药物多属性在揭示药物间不良反应的潜在特征规律时的差异性，构建最优核函数组合，实现药物间不良反应准确预测，是本专利技术所要解决的问题
技术实现思路
1、针对上述问题。本专利技术提供了一种基于多属性多核表示学习的药物间不良反应预测方法。基于药物的多属性信息(分子结构、靶点、通路、副作用、表型和疾病)，鉴于药物多属性特征空间维度高且稀疏，且不同属性的特征维度存在差异，本专利技术首先将药物多属性特征空间投影到相同低维稠密的特征空间中，学习不同属性的共享特征和私有特征；然后提出多核表示学习模型，通过计算核函数间关联关系，设计核函数距离学习策略和核函数的重构策略，实现代表核函数的选择，最后利用代表核函数与原始核函数间的关联关系构建最优核函数组合，揭示药物多属性相似性与药物间不良反应间的关系，实现药物间不良反应预测。
2、本专利技术的技术方案为：
3、一种基于多属性多核表示学习的药物间不良反应预测方法，包括以下步骤：
4、s1、收集药物间不良反应关系数据和药物多属性数据，得到药物间不良反应关系向量和药物多属性特征，具体为：定义药物集合为d＝{d1,d2,…,dn}，其中n是药物种类的数量，构建向量rij∈{0,1}k表示第i种药物di和第j种药物dj间的不良反应关系，k表示不良反应的类型数量，若di和dj间引发第k种不良反应，则否则k∈k；构建矩阵表示药物第m个属性的特征空间，lm表示药物第m个属性的特征维度，m＝1,2,...,m，m表示属性数目；
5、s2、学习药物多属性特征表示的共享特征和私有特征，所述共享特征是指不同属性具有药物间不良反应预测的一致性信息，所述私有特征是指不同属性包含各自属性特有的补充性信息，将药物多属性特征投影到相同的低维稠密空间中后，每个属性的特征空间由共享特征和私有特征构成，基于共享特征和私有特征的定义构建学习目标函数，从而得到药物m个属性空间的共享特征和私有特征的解；
6、s3、构建核函数距离学习策略和核函数重构策略，具体为：将药物的共享特征和私有特征作为核函数集合的输入，利用核函数集合对不同药物的共享特征和私有特征进行相似性度量，设定不同核函数间距离越小，相似性越大，从而利用共享特征和私有特征的核函数间的距离得到共享特征和私有特征在多个核函数上的相似性矩阵，最后根据相似性矩阵和核函数关联矩阵来构建核函数学习策略，所述核函数关联矩阵是一个核函数表示另外一个核函数的概率矩阵；核函数重构策略是用于对核函数关联矩阵进行估计所构建，根据基于某个核函数的药物间不良反应共享特征矩阵可由其他核函数的药物间不良反应共享特征矩阵进行表示，基于某个核函数的药物间不良反应私有特征矩阵也可由其他核函数的药物间不良反应私有特征矩阵进行表示，从而得到核函数重构策略；
7、s4、构建基于多核表示学习模型，选择代表核函数，构建最优核函数组合，具体为：根据核函数距离学习策略和核函数重构策略构建多核表示学习模型的目标函数，求解本文档来自技高网...
【技术保护点】
1.一种基于多属性多核表示学习的药物间不良反应预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多属性多核表示学习的药物间不良反应预测方法，其特征在于，S2中构建的学习目标函数为：
3.根据权利要求2所述的一种基于多属性多核表示学习的药物间不良反应预测方法，其特征在于，S3中构建的核函数距离学习策略为：
4.根据权利要求3所述的一种基于多属性多核表示学习的药物间不良反应预测方法，其特征在于，S4中构建的多核表示学习模型的目标函数为：
5.根据权利要求4所述的一种基于多属性多核表示学习的药物间不良反应预测方法，其特征在于，S5中R层神经网络的药物间多属性多核表示与不良反应的映射关系为：
【技术特征摘要】
1.一种基于多属性多核表示学习的药物间不良反应预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多属性多核表示学习的药物间不良反应预测方法，其特征在于，s2中构建的学习目标函数为：
3.根据权利要求2所述的一种基于多属性多核表示学习的药物间不良反应预测方法，其特征在于，s3中构建的核函...
【专利技术属性】
技术研发人员：刘勇国，朱嘉静，李巧勤，张云，陈智，
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。