【技术实现步骤摘要】
本专利技术属于药物相互作用预测，尤其涉及基于双视角鲁棒因果子结构网络的ddi预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、药物－药物相互作用（drug-drug interaction，ddi）是指当两种或多种药物同时使用时，一种药物的药效或毒性受到另一种药物影响的现象。这些相互作用可能导致药物疗效降低、毒副作用增强，甚至引发严重的药物不良事件，对患者的健康构成威胁。随着多药联用在临床实践中日益普遍，准确预测潜在的ddi已成为药物研发和临床用药安全领域面临的关键挑战。传统的ddi检测依赖于昂贵且耗时的临床试验和药理学研究，难以覆盖数量庞大的潜在药物组合。因此，开发高效的计算方法来预测ddi具有重要的现实意义。
3、传统方法主要基于药理学规则、化学相似性计算或关联规则挖掘。然而，这些方法在面对高维稀疏数据和复杂分子结构时表现有限。因此，近年来大量工作将深度神经网络，尤其是图神经网络（graph neural networks, gnns）引入ddi...
【技术保护点】
1.基于双视角鲁棒因果子结构网络的DDI预测方法，其特征在于，包括：
2.如权利要求1所述的基于双视角鲁棒因果子结构网络的DDI预测方法，其特征在于，鲁棒因果图表示学习网络的构建过程包括：
3.如权利要求1所述的基于双视角鲁棒因果子结构网络的DDI预测方法，其特征在于，单个药物的分子结构为图，其中节点集合V表示药物中的原子，边集合E表示原子之间的化学键；对于单药内视图，通过邻接矩阵来表示边，，其中表示原子的数量，意味着原子和之间没有边，对于药物间视图，构建一个二部图，其中邻接矩阵，表示两个药物之间的原子交互，和分别表示两种药物中的节点数量，表示...
【技术特征摘要】
1.基于双视角鲁棒因果子结构网络的ddi预测方法，其特征在于，包括：
2.如权利要求1所述的基于双视角鲁棒因果子结构网络的ddi预测方法，其特征在于，鲁棒因果图表示学习网络的构建过程包括：
3.如权利要求1所述的基于双视角鲁棒因果子结构网络的ddi预测方法，其特征在于，单个药物的分子结构为图，其中节点集合v表示药物中的原子，边集合e表示原子之间的化学键；对于单药内视图，通过邻接矩阵来表示边，，其中表示原子的数量，意味着原子和之间没有边，对于药物间视图，构建一个二部图，其中邻接矩阵，表示两个药物之间的原子交互，和分别表示两种药物中的节点数量，表示药物a中的原子与药物b中的原子之间存在一条边，在二分图中，对于药物a中的每个原子，将其与药物b中的每个原子相连。
4.如权利要求1所述的基于双视角鲁棒因果子结构网络的ddi预测方法，其特征在于，基于工具变量生成网络设置的约束剔除与ddi标签存在统计相关性但并无因果关系的混杂子结构，约束条件为：
【专利技术属性】
技术研发人员：杨帆，朱少帅，李霞，杜丽，仲海，马晶，许兴周，
申请(专利权)人：山东大学，
类型：发明
国别省市：
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。