[發明專利]基于注意力神經網絡的藥物互作用及事件預測方法和模型

在審

• 申請號: 202011058741.7
• 申請日: 2020-09-30
• 公開（公告）號: CN112037856A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 劉世超;邱洋;陳思;張楊;崔鈺鑫;章文
• 申請（專利權）人: 華中農業大學
• 主分類號: G16B25/10
• 分類號: G16B25/10;G16B5/00;G06N3/04;G06N3/08
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 崔友明

1.基于注意力神經網絡的藥物互作用及事件預測方法，其特征在于：包括以下步驟：

S1：搭建基于注意力神經網絡的藥物互作用及事件預測模型，包括藥物特征表示學習模塊、藥物對特征表示學習模塊、藥物互作用及事件預測模塊；藥物特征表示學習模塊包括多源特征采集模塊、多種特征網絡構建模塊和SDNE模塊；藥物對特征表示學習模塊包括藥物綜合特征表示拼接模塊、藥物對特征表示拼接模塊和注意力神經網絡ANN模塊；藥物互作用及事件預測模塊包括DNN模塊；源特征采集模塊、多種特征網絡構建模塊、SDNE模塊、藥物綜合特征表示拼接模塊、藥物對特征表示拼接模塊、ANN模塊、DNN模塊按信號流向依次連接；

S2：構造多個藥物特征網絡，使用圖表示學習方法從多個藥物特征網絡中學習藥物特征表示；

S3：拼接從多個網絡學習到的藥物的特征表示，得到每個藥物的綜合特征表示向量，并通過注意力神經網絡ANN學習藥物對的特征表示；

S4：將藥物對的特征表示輸入到深度神經網絡DNN，采用深度神經網絡預測潛在的藥物互作用及事件；

S5：訓練和優化基于注意力神經網絡的藥物互作用及事件預測模型。

2.根據權利要求1所述的基于注意力神經網絡的藥物互作用及事件預測方法，其特征在于：所述的步驟S2中，具體步驟為：

S21：采集包括藥物化學亞結構、靶點、酶、途徑和藥物互作用的多種常見藥物特征；

S22：為每個藥物構建包括藥物-亞結構網絡、藥物-靶點網絡、藥物-酶網絡、藥物-反應途徑網絡和藥物-相互作用網絡的多種特征網絡，特征網絡的節點為藥物和特征，節點間的鏈接為藥物節點和特征節點的聯系；

S23：通過結構化深度網絡嵌入SDNE同時保持一階和二階鄰近度從特征網絡中學習藥物節點的特征表示。

3.根據權利要求2所述的基于注意力神經網絡的藥物互作用及事件預測方法，其特征在于：所述的步驟S23中，具體步驟為：將節點的原始特征輸入到一個L層的自動編碼機網絡中，結構化深度網絡嵌入SDNE同時優化藥物對的一階和二階鄰近度，一階鄰近度約束一對結點i和結點j的潛在表示向量和向量的相似性，二階鄰近度通過最小化輸出向量和輸入x_i的重構誤差被重構；設⊙是哈達瑪積，為自動編碼機的重構數據，b_i是輸入x_i的重構誤差的懲罰權重，則：

若結點i和結點j之間存在鏈接，則特征網絡對應的鄰接矩陣M_i,j＝1，b_i,j＝β＞1；若結點i和結點j之間不存在鏈接，則M_i,j＝0，b_i,j＝1；

設節點v_i的第L層的輸出為是學習到的節點特征表示；W^(l)和是第L層的權重矩陣，α是控制一階損失的參數，λ是正則化項的參數；則藥物特征表示學習模塊通過結構化深度網絡嵌入SDNE的優化目標函數為：

目標函數L的第一項控制二階鄰近度以提取全局特征，第二項控制一階鄰近度以提取局部特征，第三項為L2范數調節項；學習后的特征表示保持局部和全局結構；每個藥物學習到5種藥物特征表示分別為：和

4.根據權利要求3所述的基于注意力神經網絡的藥物互作用及事件預測方法，其特征在于：所述的步驟S3中，具體步驟為：

S31：拼接藥物的五種特征表示和得到每個藥物的綜合特征表示向量

S32：通過注意力神經網絡ANN融合藥物的綜合特征表示來學習藥物對的特征表示；

S33：注意力神經網絡ANN捕獲每一對藥物對的不同注意向量，并針對藥物的不同特征、維度分配不同權重。