【技术实现步骤摘要】
本专利技术属于药物互作用预测领域，具体涉及一种基于2d和3d分子结构的药物互作用预测模型。
技术介绍
1、多种因素的共同作用导致疾病的产生，在治疗疾病期间，依靠一种药物治疗疾病效果差，需要同时服用多种药物进行联合治疗，但是多种药物同时服用，可能会降低药物的疗效，甚至产生不良副作用，因此，在临床用药前，药物互作用预测已成为一项迫切的任务，由于药物的种类十分丰富，导致药物研究和临床试验成本高且效率低，从而产生多种药物互作用预测计算方法来解决当前问题，其中机器学习方法能够降低实验成本、提高效率，克服了医学临床实验的局限性，大多数的机器学习方法遵循具有相似结构的药物具有相似的药物特性，这些方法利用药物在不同维度下的空间结构、药物子结构等，最近的研究主要集中在利用深度神经网络，提取分子特征，用于预测药物互作用，药物的分子结构可以表示为二维空间图结构，因此图神经网络(gnn)可以编码药物特征向量，图神经网络学习药物的表征，构建药物对表征，预测药物互作用。
2、近年来，随着计算机的广泛使用，基于计算机辅助进行药物互作用预测也随之兴起，可以...
【技术保护点】
1.一种基于2D和3D分子结构的药物互作用预测模型，其特征在于，该模型由2D图特征编码器、3D图特征编码器、2D图和3D图中药物原子对比学习模块、特征融合模块、多维特征解码器，损失函数六个模块组成：
2.根据权利要求1所述的基于2D和3D分子结构的药物互作用预测模型，其特征在于：在2D图特征编码器模块中，将药物表示为2D图，提取药物表征可以借助消息传递神经网络(MPNN)，更新节点消息，在MPNN中增加注意力模块，构建消息传递注意力网络(MPAN)作为2D图特征编码器，2D图特征编码器沿边将邻居节点信息聚合，更新节点消息向量，经过k次消息传递后，每个节点从...
【技术特征摘要】
1.一种基于2d和3d分子结构的药物互作用预测模型，其特征在于，该模型由2d图特征编码器、3d图特征编码器、2d图和3d图中药物原子对比学习模块、特征融合模块、多维特征解码器，损失函数六个模块组成：
2.根据权利要求1所述的基于2d和3d分子结构的药物互作用预测模型，其特征在于：在2d图特征编码器模块中，将药物表示为2d图，提取药物表征可以借助消息传递神经网络(mpnn)，更新节点消息，在mpnn中增加注意力模块，构建消息传递注意力网络(mpan)作为2d图特征编码器，2d图特征编码器沿边将邻居节点信息聚合，更新节点消息向量，经过k次消息传递后，每个节点从其第k个邻居接收消息向量，并且每个节点的隐藏特征更新k次，本发明将每一个节点进行初始化，设置一个大小固定的特征向量包含了药物中原子的类型、化合价、电子数量等，将节点特征向量输入到卷积神经网络(cnn)中，生成节点消息向量具体如下：
3.根据权利要求2所述的基于2d和3d分子结构的药物互作用预测模型，其特征在于：本发明在使用门循环单元(gru)作为更新函数，更新节点的特征向量，得到包含该节点距离为k的邻居节点的信息，更新操作为：
4.根据权利要求1所述的基于2d和3d分子结构的药物互作用预测模型，其特征在于：在药物3d图中，分子的非局部的相关性用全局距离r表示，全局空间结构用三维角度θ表示，采用径向基函数进行编码：
5.根据权利要求4所述的基于2d和3d分子结构的药物互作用预测模型，其特征在于：在节点→边消息的传递时，在3d分子图中，对于原子初始特征向量原子之间的化学键初始特征向量其中v和u表示原子v和原子u，由于原子在三维空间的连接信息丰富，本发明使用...
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。