[發明專利]一種基于深度學習的藥物互作規則預測方法

有效

• 申請號: 202010122995.4
• 申請日: 2020-02-27
• 公開（公告）號: CN111370073B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 翁祖銓;鐘意;羅衡
• 申請（專利權）人: 福州大學
• 主分類號: G16C20/30
• 分類號: G16C20/30;G06N3/0464;G06N3/048;G06N3/0475;G06N3/042;G06N3/084;G06N3/09
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

1.一種基于深度學習的藥物互作規則預測方法，該方法基于大數據的智能學習方法，通過學習藥物結構的特征來捕獲其與相互作用間的關系，其特征在于，包括如下步驟：

步驟S1、獲取到已知的藥物-藥物相互作用對及其相互作用規則的自然語言描述，建立藥物互作與互作規則間的藥物互作-互作規則類別標簽的數據集；

步驟S2、預處理輸入藥物對的分子結構SMILES，并分別將分子結構處理成矩陣作為共享網絡的輸入；

步驟S3、利用圖卷積層，注意力池化，全連接層，批歸一化，激活函數為ReLu，決策函數SoftMax和孿生網絡結構構建權重共享的圖卷積神經深度網絡GCNN；

步驟S4、將步驟S2中處理好的藥物對分子分別輸入到權重共享的GCNN中，通過若干輪的迭代訓練，獲得網絡模型的權重參數；

步驟S5、使用步驟S4中訓練好的GCNN模型，輸入需要預測的藥物對，待模型提取到藥物對的結構特征后，通過決策函數輸出藥物對所對應的相互作用規則類別；

所述步驟S3的GCNN的建立中，池化方式采用注意力池化的方法，包括三層圖卷積層以及三層全連接層，注意力池化定義為：

P＝tanh(A^TWB)

[a_A]_i＝max_1≤j≤LbP_i,j及[a_B]_i＝max_1≤j≤LaP_i,j

rA＝P×softmax(a_A)及rB＝P×softmax(a_B)

其中，A和B分別是藥物對中兩個藥物通過權重共享的GCNN所提取的特征矩陣，P是A，B矩陣間的作用的注意力對齊矩陣，a_A和a_B分別對P做行和列的最大池化，最后通過SoftMax函數得到藥物對間的注意力權重rA，rB；

所述步驟S4中GCNN訓練過程中，使用預處理好的訓練樣本作為輸入進行有監督的模型訓練，通過反向傳播更新權重，通過圖形處理器GPU進行模型推理，在模型過程中采用五倍交叉驗證幫助調整超參數及驗證模型穩定性；預處理好的測試樣本輸入網絡對網絡性能進行測試；模型優化的目標函數為多分類交叉熵，其定義為：

L_i＝-∑_it_i,jlog(p_i,j)

其中，p為預測值，t為真實值，i為數據點，j為數據所屬的類別，L為損失值。

2.根據權利要求1所述的一種基于深度學習的藥物互作規則預測方法，其特征在于，所述步驟S1具體實現過程為：從現有的知識數據中提取藥物-藥物互作的對應的藥物分子名稱和結構以及其互作規則，將提取到的藥物互作規則分為141類作為藥物相互作用的訓練及預測標簽；同時建立藥物對-規則標簽的對應關系并構建數據集；數據集分為訓練集和測試集兩類。

3.根據權利要求1所述的一種基于深度學習的藥物互作規則預測方法，其特征在于，所述步驟S2具體實現過程為：共享網絡模型有兩個輸入，即藥物對，其中兩個輸入的形式是兩種藥物分子的分子線性輸入規范，即分子結構SMILES，共享網絡模型會自動對輸入的分子結構SMILES進行拓撲結構的提取，將其轉換成一個65×62的矩陣。