一种基于药物多维特征融合的药物相互作用预测方法技术

本发明专利技术涉及药物相互作用预测领域，具体为一种基于药物多维特征融合的药物相互作用预测方法：获取药物多源特征信息、化学结构图信息和药物相互作用信息；然后基于药物多源特征信息、化学结构图信息构建一维药物相似度特征和二维化学空间结构特征从而获得药物的多维特征；其次基于多头注意力机制融合药物的多维特征；最后利用MLP预测药物相互作用。本发明专利技术采用Jaccard相似度计算药物一维相似度特征，并拼接多个矩阵得到综合一维特征，利用RDkit获取药物二维结构信息，通过边缘、中心性和空间编码生成特征，经轻量自注意力降维后融合特征，最终结合多维特征和药物相互作用矩阵，通过多层感知机模型预测药物相互作用，提升药物相互作用预测的性能。

【技术实现步骤摘要】

本专利技术涉及药物相互作用预测领域，具体为一种基于药物多维特征融合的药物相互作用预测方法。

技术介绍

1、多种药物一起治疗某种疾病是一种常见的治疗方法，但同时或在连续的一段时间内服用两种或两种以上的药物时可能会发生药物相互作用，导致药物不良反应的发生，进而危害健康，严重的甚至会造成死亡，早期的药物相互作用主要通实验的方式进行验证，这种基于实验的方法不仅非常耗时还很昂贵，随着计算机技术的进步，越来越多基于机器学习的计算方法被用于预测潜在的药物相互作用，目前基于机器学习的药物相互作预测方法仍然存在一些局限性，例如：一些药物相互作用预测方法仅利用了药物的一维特征或二维化学空间特征构建预测模型，没有综合考虑药物的多维特征；另一些方法虽然使用了药物的多维特征构建药物相互作用预测模型，但是在多维特征的使用上存在多维特征融合不充分的问题，进而影响药物相互作用预测的性能，因此亟需设计一种基于药物多维特征融合的药物相互作用预测方法来解决上述问题。

技术实现思路

1、本专利技术的目的在于提供一种基于药物多维特征融合的药物相互作用本文档来自技高网...

【技术保护点】

1.一种基于药物多维特征融合的药物相互作用预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于药物多维特征融合的药物相互作用预测方法，其特征在于，所述步骤S1中，药物属性信息包括：药物化学结构特征(548×881)、药物靶标特征(548×780)、药物转运体特征(548×78)、药物酶特征(548×129)、药物适应症特征(548×4897)、药物通路特征(548×253)；药物副作用信息：SIDER副作用特征(548×4897)和OFFSIDES副作用特征(548×9496)。

3.根据权利要求1所述的一种基于药物多维特征融合的药物相互作用预测...

【技术特征摘要】

1.一种基于药物多维特征融合的药物相互作用预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于药物多维特征融合的药物相互作用预测方法，其特征在于，所述步骤s1中，药物属性信息包括：药物化学结构特征(548×881)、药物靶标特征(548×780)、药物转运体特征(548×78)、药物酶特征(548×129)、药物适应症特征(548×4897)、药物通路特征(548×253)；药物副作用信息：sider副作用特征(548×4897)和offsides副作用特征(548×9496)。

3.根据权利要求1所述的一种基于药物多维特征融合的药物相互作用预测方法，其特征在于：所述步骤s2中，通过jaccard相似度计算生成8种药物特征相似度矩阵，包括：药物化学结构相似性矩阵、药物靶标相似性矩阵、药物转运体相似性矩阵、药物酶相似性矩阵、药物适应症相似性矩阵、药物通路相似性矩阵、sider副作用相似性矩阵及offsides副作用相似性矩阵，其中jaccard计算公式为：

4.根据权利要求1所述的一种基于药物多维特征融合的药物相互作用预测方法，其特征在于：所述步骤s3中，通过以下方式获得药物的化学空间结构信息：从drugbank数据库下载548个sdf文件，使用rdkit库的chem.molfrommolfile()函数读取sdf文件，生成rdkit的mol对象；遍历每个mol对象，通过mol.getatoms()和mol.getbonds()函数获取原子和键的信息。

5.根据权利要求1所述的一种基于药物多维特征融合的药物相互作用预测方法，其特征在于，所述步骤s4中，边缘编码通过以下方式实现：原子特征向量由9个元素组成，包括原子数量、手性信息、度、形式电荷、连接氢原子数、自由基电子数、杂化状态、是否参与芳香键及是否位于环结构中；边特征向量...

【专利技术属性】
技术研发人员：王雪莹，宁晨曦，李东洁，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：