System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度学习,尤其涉及非对称式的药物相互作用预测方法、系统及存储介质。
技术介绍
1、随着复杂疾病的增加以及患者耐药性提高,多药联合疗法已逐渐成为一种新兴的治疗方法。多药物治疗疾病虽然是一种良好的治疗方法,但是当一种药物与另一种药物或多种药物同服用时,可能会引起一种药物的活性发生改变,药物的作用可能会增强或者减弱,这种相互作用称为药物-药物相互作用(drug-drug interactions,ddis),这种意想不到的ddis可能会导致患者出现药物不良反应(adverse drug reactions,adrs),从而使患者身体受到药物损害。
2、为解决此问题,研究人员提出了基于深度学习的计算方法来进行ddi预测,目前,基于深度学习的ddi预测方法大致分为两类:基于药物分子结构特征进行预测和基于网络结构进行预测。基于药物分子结构特征的方法依赖于假设具有相似特征的药物将具有相似的ddi,这类方法将药物分子结构利用图神经网络来学习每个药物的特征向量,或者学习药物分子的不同大小的子结构来编码其功能性特征向量,在将这些药物特征与其他特征(例如副作用,靶点,蛋白质等)融合成对的输入深度神经网络种进行训练预测;而基于网络结构的方法更多的是关注网络的拓扑结构,该方法将ddi信息构建为一个药物相互作用网络,其中节点代表药物,边缘代表相互作用的具体类型。通常通过聚合邻居的信息来学习节点嵌入的实体,这类方法通常直接利用图神经网络直接聚合邻居节点特征来学习药物节点特征向量,最后输出节点之间是否存在相互作用的概率值。
4、上述内容仅用于辅助理解本专利技术的技术方案,并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供一种非对称式的药物相互作用预测方法,旨在解决药物相互作用的预测不准确的问题。
2、为实现上述目的,本专利技术提供的一种非对称式的药物相互作用预测方法,所述方法包括:
3、提取药品数据库中的药物数据信息,以所述药物数据信息中描述的药物对应的初始特征作为药物节点,以所述药物数据信息中描述的药物之间的相互作用作为有向边构建多关系有向图;
4、选取任意两个目标药物节点之间构成药物节点对,根据所述多关系有向图,确定所述药物节点对的关系源角色嵌入、关系靶角色嵌入以及关系自我角色嵌入;
5、确定所述关系源角色嵌入的侵害度,以及所述关系靶角色嵌入的易损度;
6、根据所述关系源角色嵌入、所述关系靶角色嵌入、所述关系自我角色嵌入、所述侵害度和所述易损度,确定所述药物节点对之间的非对称相互作用预测概率值;
7、根据所述非对称相互作用预测概率值的大小,确定药物节点对的相互作用预测结果。
8、可选地,所述提取药品数据库中的药物数据信息,以所述药物数据信息中描述的药物对应的初始特征作为药物节点,以所述药物数据信息中描述的药物之间的相互作用作为有向边构建多关系有向图的步骤,包括:
9、以smiles表示法将所述多关系有向图中各个药物节点对应的药物的化学结构转换为smiles字符串;
10、基于所述smiles字符串生成所述药物节点对应的分子指纹;
11、基于tanimoto系数确定所述药物节点的分子指纹与其他相邻药物节点的分子指纹之间的结构相似性特征;
12、利用主成分分析将所述结构相似性特征降低到指定维度,获得所述初始特征。
13、可选地,所述根据所述多关系有向图和所述初始特征,确定所述药物节点对的关系源角色嵌入、关系靶角色嵌入以及关系自我角色嵌入的步骤,包括:
14、从所述药物节点对中随机选取一个目标药物节点作为关系源角色,另一个目标药物节点则作为关系靶角色,其中,作为关系源角色的目标药物节点表征为非对称相互作用中的攻击者,作为关系靶角色的目标药物节点表征为非对称相互作用中的受害者;
15、在所述多关系有向图中获取所述关系源角色对应的第一邻域和所述关系靶角色对应的第二邻域,其中,所述第一邻域表示所述关系源角色的一阶出度传出邻居,所述第二邻域表示所述关系靶角色的一阶入度传入邻居;
16、采用第一关系图注意力网络,根据所述关系源角色的所述第一邻域对所述多关系有向图中的第一目标邻域信息聚合,获得所述关系源角色对应的关系源嵌入;采用第二关系图注意力网络,根据所述关系靶角色的所述第二邻域对所述多关系有向图中的第二目标邻域信息聚合,获得所述关系靶角色对应的关系靶嵌入;
17、采用第一关系感知网络,根据所述关系源角色中附加的关系靶角色的所述初始特征,确定所述关系源角色对应的关系自我角色嵌入;采用第二关系感知网络,根据所述关系靶角色中附加的关系源角色的的初始特征确定所述关系靶角色对应的关系自我角色嵌入。
18、可选地,所述确定所述关系源角色嵌入的侵害度,以及所述关系靶角色嵌入的易损度的步骤,包括:
19、将聚合得到的所述关系源角色嵌入的最后一位作为所述关系源角色的所述侵害度;将聚合得到的所述关系靶角色嵌入的最后一位作为所述关系靶角色的所述易损度。
20、可选地,所述根据所述关系源角色嵌入、所述关系靶角色嵌入、所述关系自我角色嵌入、所述侵害度和所述易损度,确定所述药物节点对之间的非对称相互作用预测概率值的步骤,包括:
21、将所述关系源角色嵌入与所述关系源角色对应的所述关系自我角色嵌入进行内积计算,获得第一内积结果;
22、将所述关系靶角色嵌入与所述关系靶角色对应的所述关系自我角色嵌入进行内积计算,获得第二内积结果;
23、将所述第一内积结果、所述第二内积结果、所述关系源角色的所述侵害度以及所述关系靶角色的所述损害度进行求和计算,获得所述药物对节点之间的非对称相互作用预测概率值。
24、可选地,所述根据所述非对称相互作用预测概率值的大小,确定药物节点对的相互作用预测结果的步骤,包括:
25、获取所述药物节点对中第一目标药物节点作为关系源角色,第二目标药物节点作为关系靶角色时所获得的第一非对称相互作用预测概率值;获取所述药物对节点中第一目标药物节点作为关系靶角色,第二目标药物节点作为关系源角色时所获得的第二非对称相互作用预测概率值;
26、根据所述第一非对称相互作用预测概率值和所述第二非对称相互作用预测概率值本文档来自技高网...
【技术保护点】
1.一种非对称式的药物相互作用预测方法,其特征在于,所述非对称式的药物相互作用预测方法包括以下步骤:
2.如权利要求1所述的方法,其特征在于,所述提取药品数据库中的药物数据信息,以所述药物数据信息中描述的药物对应的初始特征作为药物节点,以所述药物数据信息中描述的药物之间的相互作用作为有向边构建多关系有向图的步骤,包括:
3.如权利要求1所述的方法,其特征在于,根据所述多关系有向图,确定所述药物节点对的关系源角色嵌入、关系靶角色嵌入以及关系自我角色嵌入的步骤,包括:
4.如权利要求3所述的方法,其特征在于,确定所述关系源角色嵌入的侵害度,以及所述关系靶角色嵌入的易损度的步骤,包括:
5.如权利要求1所述的方法,其特征在于,根据所述关系源角色嵌入、所述关系靶角色嵌入、所述关系自我角色嵌入、所述侵害度和所述易损度,确定所述药物节点对之间的非对称相互作用预测概率值的步骤,包括:
6.如权利要求5所述的方法,其特征在于,根据所述非对称相互作用预测概率值的大小,确定药物节点对的相互作用预测结果的步骤,包括:
7.如权利要
8.一种终端系统,其特征在于,所述终端系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的非对称式的药物相互作用预测程序,所述非对称式的药物相互作用预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的非对称式的药物相互作用预测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有非对称式的药物相互作用预测程序,所述非对称式的药物相互作用预测程序被处理器执行时实现如权利要求1至7中任一项所述的非对称式的药物相互作用预测方法的步骤。
...【技术特征摘要】
1.一种非对称式的药物相互作用预测方法,其特征在于,所述非对称式的药物相互作用预测方法包括以下步骤:
2.如权利要求1所述的方法,其特征在于,所述提取药品数据库中的药物数据信息,以所述药物数据信息中描述的药物对应的初始特征作为药物节点,以所述药物数据信息中描述的药物之间的相互作用作为有向边构建多关系有向图的步骤,包括:
3.如权利要求1所述的方法,其特征在于,根据所述多关系有向图,确定所述药物节点对的关系源角色嵌入、关系靶角色嵌入以及关系自我角色嵌入的步骤,包括:
4.如权利要求3所述的方法,其特征在于,确定所述关系源角色嵌入的侵害度,以及所述关系靶角色嵌入的易损度的步骤,包括:
5.如权利要求1所述的方法,其特征在于,根据所述关系源角色嵌入、所述关系靶角色嵌入、所述关系自我角色嵌入、所述侵害度和所述易损度,确定所述药物节点对之间的非对称相互作用预测概率值的步骤,包括:...
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。