一种基于融合多模态异构生物信息及超图结构的药物-疾病关联预测方法技术

本发明专利技术公开了一种融合多模态信息与异构结构的药物重定位预测方法，该方法主要包括：构建药物，疾病，蛋白质三者的同构图；通过图卷积网络（GCN）提取药物、疾病和蛋白质的节点特征；构建异构超图，通过超边表示节点间的多重关系；在异构超图上应用自定义的超图卷积网络（HGCN）；将GCN和HGCN得到的特征进行拼接融合，得到药物和疾病的最终节点表示。与现有方法相比，本发明专利技术的优势在于：(1)充分利用药物、疾病与蛋白质多模态异质信息。(2)结合局部结构（GCN）与高阶结构（HGCN）信息。(3)构建统一超图框架提升药物重定位预测的准确性与解释性。

【技术实现步骤摘要】

本专利技术涉及多模态特征学习和深度学习领域，具体公开了一种基于融合多模态异构生物信息及超图结构的药物-疾病关联预测方法，用于实现高效、准确的药物重定位。

技术介绍

1、药物重定位是一种将已有药物重新用于新的疾病适应症的策略，近年来已成为新药研发中的重要方向。相比传统药物研发，药物重定位具有周期短、成本低和安全性高等优势，已成功应用于多种疾病的治疗。然而，药物重定位面临的关键挑战是如何在药物和疾病信息中准确识别潜在的药物-疾病关联。

2、为应对这一挑战，研究者提出了多种计算方法进行药物重定位预测，这些方法大多将药物重定位建模为一种二分类任务，即判断某一药物是否对某种疾病有效，虽然取得了一定成效，但往往忽略了药物与疾病之间多模态信息的深层联系和作用机制的复杂性。尽管如此，现有方法仍存在一些局限性。首先，许多方法主要依赖药物的生物、化学或相似性特征，较少关注药物与疾病之间其他模态特征的潜在联系，限制了模型的泛化能力。其次，多数方法从整体视角构建药物-疾病网络，而忽略了网络内部结构细节与异质关系信息，综上所述，药物重定位研究面临以下主要问题：1）药物与本文档来自技高网...

【技术保护点】

1.一种基于融合多模态异构生物信息及超图结构的药物-疾病关联预测方法，包括以下步骤。

2.步骤1：对药物，疾病，蛋白质的特征进行表示学习，获取药物、疾病和蛋白质的特征信息，将这些特征统一转换为二值型（0或1）向量形式，并基于Jaccard相似度或语义相似度计算实体之间的相似性，分别构建药物-药物、疾病-疾病和蛋白质-蛋白质之间的同构图，用于刻画每类生物实体内部的结构关系，对于所构建的药物、疾病和蛋白质同构图，采用图卷积神经网络（GCN）对每类生物实体的结构进行特征提取，获取包含局部结构信息的节点嵌入表示，分别获得药物、疾病与蛋白质的结构特征表示矩阵。>

3.步骤2：...

【技术特征摘要】

1.一种基于融合多模态异构生物信息及超图结构的药物-疾病关联预测方法，包括以下步骤。

2.步骤1：对药物，疾病，蛋白质的特征进行表示学习，获取药物、疾病和蛋白质的特征信息，将这些特征统一转换为二值型（0或1）向量形式，并基于jaccard相似度或语义相似度计算实体之间的相似性，分别构建药物-药物、疾病-疾病和蛋白质-蛋白质之间的同构图，用于刻画每类生物实体内部的结构关系，对于所构建的药物、疾病和蛋白质同构图，采用图卷积神经网络（gcn）对每类生物实体的结构进行特征提取，获取包含局部结构信息的节点嵌入表示，分别获得药物、疾病与蛋白质的结构特征表示矩阵。

3.步骤2：获取超图构建，将三类实体（药物、疾病、蛋白质）作为超图的节点集合，，每个节点携带其对应的gcn特征表示，根据公开或已知的生物关联数据库，构建如下三类跨类型关系的超边集合：(1)药物-疾病关联超边：若药物与疾病在数据库中存在治疗关联，则构建一个连接该药物与疾病的超边(2)药物-蛋白质作用超边：若药物作用于蛋白质，则构建一条连接该药物与蛋白质的超边(3)疾病-蛋白质关联超边：若疾病与蛋白质之间存在已知关联关系（如疾病相关靶点），则建立对应的超边，将上述三类节点及其对应的超边组合，构建统一异构超图

4.步骤3：定义一个的关联矩阵h，表...

【专利技术属性】
技术研发人员：王贵参，王函丹，陈泓翰，王红梅，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：