[發明專利]一種基于圖神經網絡預測藥物-副作用關系的方法

有效

• 申請號: 202011097537.6
• 申請日: 2020-10-14
• 公開（公告）號: CN112216396B
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 趙興明;楊凱
• 申請（專利權）人: 復旦大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H70/40;G06N3/08
• 代理公司: 合肥正則元起專利代理事務所(普通合伙) 34160
• 代理人: 匡立嶺

1.一種基于圖神經網絡預測藥物-副作用關系的方法，其特征在于，包括以下步驟：

收集藥物數據進行預處理，建立藥物與藥物、藥物副作用與副作用之間的關系；

構建藥物-副作用異質網絡模型；

使用圖神經網絡對網絡中的節點和多關系邊進行向量化表示；

將點向量和邊向量進行結合，表示某一節點在網絡中的結構特性；

將數據集劃分為訓練集和測試集；

利用得到的節點向量作為機器學習訓練的輸入，訓練模型的參數；

在測試集上用圖神經網絡方法表示出來的節點向量預測藥物-副作用的關系；

使用語義相似性建立藥物副作用與副作用之間的關系；通過計算出來的相似性值及設定的閾值來確定藥物-藥物之間的關系；

所述圖神經網絡為圖卷積神經網絡；訓練模型的參數為通過隨機森林RF訓練模型的參數；將點向量和邊向量進行結合的具體過程包括轉換過程和合并過程；轉換過程為：

其中，表示節點j在神經網絡l層的向量；表示i節點類型到j節點類型轉換的矩陣；

其中，表示關系r在l層的向量表示，表示關系空間向節點空間轉換的矩陣；

合并過程為：

其中，σ是激活函數，f是組合操作，N(i)，R(i)分別是節點i的鄰居節點和節點i的關系類型；

所述收集藥物數據進行處理的具體步驟為：

收集藥物數據，獲取藥物特征的數據，并將該數據內容整理成文檔的形式；

對數據進行清洗、過濾及關聯處理；

對所獲得的藥物特征進行預處理，使用不同的相似性計算方法計算藥物-藥物之間的相似性；

對副作用數據進行預處理，計算副作用與副作用之間的相關性，建立藥物副作用與副作用之間的關系。

2.根據權利要求1所述的一種基于圖神經網絡預測藥物-副作用關系的方法，其特征在于，收集藥物數據為采用自主爬蟲或其他采集器進行不同平臺數據的獲取得到。

3.根據權利要求1所述的一種基于圖神經網絡預測藥物-副作用關系的方法，其特征在于，所述收集藥物數據進行處理還包括：使用正則匹配去除不相關的字符。

4.根據權利要求1所述的一種基于圖神經網絡預測藥物-副作用關系的方法，其特征在于，對數據進行清洗、過濾及關聯處理，用于篩選出與副作用相關的藥物的字段。

5.根據權利要求1所述的一種基于圖神經網絡預測藥物-副作用關系的方法，其特征在于，使用不同的相似性計算方法計算包括：藥物化學結構相似性、藥物靶標相似性、藥物相關基因相似性、藥物ATC編碼的相似性及藥物治療疾病之間的相似性的多模態數據計算。

6.根據權利要求5所述的一種基于圖神經網絡預測藥物-副作用關系的方法，其特征在于，所述藥物化學結構相似性為從DrugBank數據庫中提取藥物的SMILES字段信息，利用Tanimoto系數來計算化學結構相似性；

所述藥物靶標相似性為從UniPort數據庫中下載藥物靶蛋白的序列信息，利用Smith-Waterman sequence指標來計算兩個靶蛋白序列之間的相似性；

所述藥物相關基因相似性為：從DGIdb數據庫中獲取藥物的基因信息，基于Resnik相似性算法，利用GoSemSim R package來計算藥物基因之間的相似性；

所述藥物ATC編碼的相似性為從STITCH數據庫中獲取藥物ATC編碼信息，基于Resnik語義相似性算法，計算藥物ATC編碼的相似性；

所述藥物治療疾病之間的相似性具體為：通過CTD數據庫，下載藥物治療疾病的信息，基于Jaccard相似性計算藥物與藥物之間的相似性。

7.根據權利要求1所述的一種基于圖神經網絡預測藥物-副作用關系的方法，其特征在于，利用得到的節點向量作為機器學習訓練的輸入具體為：將網絡中的有連邊關系的兩個節點向量合并，作為特征向量輸入到機器學習隨機森林RF訓練模型中。