【技术实现步骤摘要】
本专利技术属于生物信息数据处理领域。
技术介绍
1、随着社会的进步和医疗水平的提升，批准上市的药物也越来越多。患者服用药物时，药物中的化学物质会与人体中的生物大分子发生化学反应，从而影响人体机能，使药物能够发挥治疗疾病的作用。然而，药物在治疗疾病的同时，也随之会带来一些毒副作用，使得患者遭受药物不良反应(adverse drug reaction，adr)的伤害，给患者带来更多的困扰。
2、在药物开发的早期，可以通过生化和细胞分析测试化合物的方法，预测和评估药物可能导致的潜在adr。这有助于在临床实验前进行安全性分析，从而保证药物的安全性。然而，药物上市前进行adr预测研究存在一些限制因素，包括：病例数较少、研究时间较短、研究人群年龄范围变化较小、用药对象需要严格控制条件以及实验情况较为单一等；并且大规模的进行药物不良反应的实验会极大的增加研究成本。同时，由于药理和人体生理的复杂性，研究人员因此无法完全掌握药物的作用机制，使得对人体在服用药物后产生的所有后果进行透彻研究变得十分困难。因此，对药物可能存在的adr进行预测，在药物研发当中有着十分重要的意义。
技术实现思路
1、本专利技术是为了解决对药物存在的adr预测困难的问题，现提供一种基于多源数据的药物不良反应预测方法。
2、一种基于多源数据的药物不良反应预测方法，包括：
3、基于标准化faers数据构建药物-不良反应事件对，并生成药物不良反应2×2列联表，依据该药物不良反应2×2列联表利用n种
4、根据标准化faers数据中drug文件的药物名称标准名，从不同数据库中获取药物特征信息，以行作为药物，以列作为药物特征信息，当药物具有药物特征时对应位置记为1，否则记为0，进而构建多种药物特征矩阵；
5、分别计算每个药物特征矩阵内两两药物之间的相似度，使得每个特征矩阵生成一个药物相似性网络；
6、采用网络融合算法对生成的药物相似性网络进行融合，获得药物相似性多层融合网络；
7、基于药物不良反应信号网络和药物相似性多层融合网络，利用双邻域线性标签传播算法获得药物-不良反应事件对的预测结果。
8、进一步的，上述标准化faers数据的获得方法，包括：
9、对faers数据进行去重操作，对去重后faers数据中的drug文件和记录不良反应信息的reac文件进行标准化，使得faers数据中不规范的药物名称和不良反应名称更改为标准名，获得标准化faers数据。
10、进一步的，通过faers数据中的连接符primaryid将标准化drug文件中的药物信息与标准化reac文件中的不良反应信息进行组合，构建药物-不良反应事件对。
11、进一步的，使用mysql数据库运用药物-不良反应事件对计算药物不良反应2×2列联表。
12、进一步的，上述依据药物不良反应2×2列联表利用n种数据挖掘方法分别计算每种药物-不良反应事件对的n种不良反应信号，包括：
13、使用r语言当中的phvid包，将药物不良反应2×2列联表作为输入，利用四种数据挖掘方法分别计算获得每种药物-不良反应事件对的四种不良反应信号；
14、四种数据挖掘方法分别为：比例报告比值法、报告比值比法、贝叶斯判别可信区间递进神经网络模型法、多项伽马泊松分布缩减法。
15、进一步的，上述药物特征信息包括三种药物属性信息和两种药物副作用信息，
16、三种药物属性信息分别为：药物化学结构信息、靶标蛋白结构域信息、基因go注释信息，
17、两种药物副作用信息分别为：sider副作用信息、offsides副作用信息，
18、药物特征矩阵包括：药物化学结构特征矩阵、靶标蛋白结构域特征矩阵、基因go注释特征矩阵、sider副作用特征矩阵和offsides副作用特征矩阵；
19、药物化学结构特征矩阵：以行作为药物，以列作为药物化学子结构，当药物具有化学子结构时对应位置记为1，否则记为0，构建3385×881维的药物化学结构特征矩阵；
20、靶标蛋白结构域特征矩阵：以行作为药物，以列作为药物靶标蛋白结构域，当药物具有靶标蛋白结构域时对应位置记为1，否则记为0，构建486×1308维的药物靶标蛋白结构域特征矩阵；
21、基因go注释特征矩阵：以行作为药物，以列作为药物基因go注释，当药物具有基因go注释时对应位置记为1，否则记为0，构建486×3337维的药物基因go注释特征矩阵；
22、sider副作用特征矩阵：以行作为药物，以列作为药物sider副作用，当药物具有sider副作用时对应位置记为1，否则记为0，构建1036×5580维的sider副作用特征矩阵；
23、offsides副作用特征矩阵：以行作为药物，以列作为药物offsides副作用，当药物具有offsides副作用时对应位置记为1，否则记为0，构建984×14544维的offsides副作用特征矩阵。
24、进一步的，上述分别计算每个药物特征矩阵内两两药物之间的相似度，使得每个特征矩阵生成一个药物相似性网络，包括：
25、使用jaccard相似度计算方法分别计算每个药物特征矩阵内两两药物之间的相似度，jaccard计算公式为：
26、
27、其中，p和q分别为同一个药物特征矩阵内两种药物的特征集合，jaccard(p,q)表示p和q的相似度；
28、药物相似性网络包括：药物化学结构相似性网络、靶标蛋白结构域相似性网络、基因go注释相似性网络、sider副作用相似性网络和offsides副作用相似性网络。
29、进一步的，上述采用网络融合算法对生成的药物相似性网络进行融合，获得药物相似性多层融合网络，包括：
30、采用网络融合算法将药物化学结构相似性网络、靶标蛋白结构域相似性网络和基因go注释相似性网络进行融合，生成药物相似性三层融合网络；
31、采用网络融合算法将sider副作用相似性网络和offsides副作用相似性网络进行融合，生成药物相似性双层融合网络。
32、进一步的，上述网络融合算法包括：
33、
34、其中，k＝1,...,m，v＝1,...,m，m为被融合的药物相似性网络的数量，且m＝2,3，kvt+1和分别为第t次和第t+1次迭代后的第v个药物相似性网络，α为用来衡量相似性矩阵的影响参数，且有0＜α＜1，k'k为第k个药物相似性网络的权重平衡矩阵，为融合前第v个药物相似性网络；
35、定义对角矩阵为dk，dk(i,i)为融合前第k个药物相似性网络kk的第i行之和，使则有：
36、
3本文档来自技高网...
【技术保护点】
1.一种基于多源数据的药物不良反应预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多源数据的药物不良反应预测方法，其特征在于，所述标准化FAERS数据的获得方法，包括：
3.根据权利要求1或2所述的一种基于多源数据的药物不良反应预测方法，其特征在于，通过FAERS数据中的连接符primaryid将标准化DRUG文件中的药物信息与标准化REAC文件中的不良反应信息进行组合，构建药物-不良反应事件对。
4.根据权利要求3所述的一种基于多源数据的药物不良反应预测方法，其特征在于，使用MySQL数据库运用所述药物-不良反应事件对计算所述药物不良反应2×2列联表。
5.根据权利要求4所述的一种基于多源数据的药物不良反应预测方法，其特征在于，所述依据药物不良反应2×2列联表利用N种数据挖掘方法分别计算每种药物-不良反应事件对的N种不良反应信号，包括：
6.根据权利要求5所述的一种基于多源数据的药物不良反应预测方法，其特征在于，所述药物特征信息包括三种药物属性信息和两种药物副作用信息，
7.根据权利要求1、5
8.根据权利要求7所述的一种基于多源数据的药物不良反应预测方法，其特征在于，所述采用网络融合算法对生成的药物相似性网络进行融合，获得药物相似性多层融合网络，包括：
9.根据权利要求8所述的一种基于多源数据的药物不良反应预测方法，其特征在于，所述网络融合算法包括：
10.根据权利要求8所述的一种基于多源数据的药物不良反应预测方法，其特征在于，所述基于所述药物不良反应信号网络和药物相似性多层融合网络，利用双邻域线性标签传播算法获得药物-不良反应事件对的预测结果，包括：
...【技术特征摘要】
1.一种基于多源数据的药物不良反应预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多源数据的药物不良反应预测方法，其特征在于，所述标准化faers数据的获得方法，包括：
3.根据权利要求1或2所述的一种基于多源数据的药物不良反应预测方法，其特征在于，通过faers数据中的连接符primaryid将标准化drug文件中的药物信息与标准化reac文件中的不良反应信息进行组合，构建药物-不良反应事件对。
4.根据权利要求3所述的一种基于多源数据的药物不良反应预测方法，其特征在于，使用mysql数据库运用所述药物-不良反应事件对计算所述药物不良反应2×2列联表。
5.根据权利要求4所述的一种基于多源数据的药物不良反应预测方法，其特征在于，所述依据药物不良反应2×2列联表利用n种数据挖掘方法分别计算每种药物-不良反应事件对的n种不良反应信号，包括：
6.根...
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。