多关系对比学习药物相互作用预测方法、系统、介质及设备技术方案

本发明专利技术公开了多关系对比学习药物相互作用预测方法、系统、介质及设备，属于图神经网络及药物相互作用预测技术领域，本发明专利技术要解决的技术问题为如何捕获有关药物相互作用的隐式信息，提高药物相互作用预测的准确性，技术方案为：获取待预测的两种药物的SMILES序列和分子图特征，集成待预测的两种药物的多维特征信息，捕获待预测的两种药物内部及药物之间全面的关系特征；使用RDKit工具将待预测的两种药物SMILES序列转换为药物分子图，将药物分子图通过TrimNet方法提取药物特征；获取待预测的两种药物与已知相互作用关系药物的DDI网络图；将药物分子的特征向量作为DDI网络图的特征向量，使用多层GAT网络层融合药物分子特征向量和外部DDI特征，获取更新后的药物表示向量。

【技术实现步骤摘要】

本专利技术涉及图神经网络及药物相互作用预测，具体地说是一种多关系对比学习药物相互作用预测方法、系统、介质及设备。

技术介绍

1、药物相互作用(drug-drug interaction,ddi)是指患者同时或在一定时间内服用两种或两种以上药物所产生的复合效应，即一种药物可能会改变其他药物的作用。随着市场上批准的药物数量的增加，联合用药以治疗复杂疾病已成为一种常见的医疗策略。然而，同时使用多种药物可能会导致药物不良事件(adrs)，这意味着一种药物的药效可能会因为另一种药物的存在而改变，有效识别潜在的ddi可以最小化意外adrs并最大限度地发挥协同效应。因此，为了降低药物不良事件的风险和成本，预测药物之间可能存在的相互作用对医生、患者至关重要。

2、随着药物相关数据库的不断丰富和完善，深度学习方法在ddi预测中得到广泛应用，极大地提高了ddi预测的性能。在早期的研究工作中，ddi预测模型大多使用化学指纹作为输入。化学指纹是序列数据，可以描述药物的化学亚结构、相关靶点和副作用等特定性质。近年来，图数据结构领域的大量研究人员促进了图数据结构分析技术的本文档来自技高网...

【技术保护点】

1.一种多关系对比学习药物相互作用预测方法，其特征在于，该方法具体如下：

2.根据权利要求1所述的多关系对比学习药物相互作用预测方法，其特征在于，使用RDKit工具将待预测的两种药物SMILES序列转换为药物分子图，将药物分子图通过TrimNet方法提取药物特征具体如下：

3.根据权利要求1所述的多关系对比学习药物相互作用预测方法，其特征在于，DDI网络图表示方式具体如下：

4.根据权利要求1所述的多关系对比学习药物相互作用预测方法，其特征在于，将药物分子的特征向量作为DDI网络图的特征向量，使用多层GAT网络层融合药物分子特征向量和外部DDI特征，获...

【技术特征摘要】

1.一种多关系对比学习药物相互作用预测方法，其特征在于，该方法具体如下：

2.根据权利要求1所述的多关系对比学习药物相互作用预测方法，其特征在于，使用rdkit工具将待预测的两种药物smiles序列转换为药物分子图，将药物分子图通过trimnet方法提取药物特征具体如下：

3.根据权利要求1所述的多关系对比学习药物相互作用预测方法，其特征在于，ddi网络图表示方式具体如下：

4.根据权利要求1所述的多关系对比学习药物相互作用预测方法，其特征在于，将药物分子的特征向量作为ddi网络图的特征向量，使用多层gat网络层融合药物分子特征向量和外部ddi特征，获取更新后的药物表示向量具体如下：

5.根据权利要求1所述的多关系对比学习药物相互作用预测方法，其特征在于，多关系对比学习是指在互信息最大化策略下使用双视图负对应增强策略实现多关系对比学习，通过打乱节点特征和边特征分别创建损坏图的两个视图；再在局部-全局互信息最大化策略下对ddi网络图d实现多关系对比学习；其中，互信息是一种用于衡量...

【专利技术属性】
技术研发人员：张维玉，韩慧，周小丁，朱子红，郑玉艳，鹿文鹏，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：