[發明專利]基于深度自編碼和自適應融合的藥物新用途預測方法

在審

• 申請號: 202011419919.6
• 申請日: 2020-12-07
• 公開（公告）號: CN112669990A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 陳鵬;趙建成;鮑天嘉智;余肖生
• 申請（專利權）人: 三峽大學
• 主分類號: G16H70/40
• 分類號: G16H70/40;G16H20/10;G06K9/62
• 代理公司: 宜昌市三峽專利事務所 42103
• 代理人: 成鋼

1.基于深度自編碼和自適應融合的藥物新用途預測方法，其特征在于，包括以下步驟，

步驟1：將藥物化學結構數據和藥物靶蛋白數據融合、降維，得到藥物特征數據；

步驟2：利用藥物特征數據，計算藥物相似度，通過藥物相似度計算藥物-疾病關聯預測值；

步驟3：利用藥物副作用數據，計算藥物相似度，通過藥物相似度計算藥物-疾病關聯預測值；

步驟4：使用藥物-疾病關聯數據計算疾病相似度，通過疾病相似度計算藥物-疾病關聯預測值；

步驟5：分別確定步驟2-4計算的藥物-疾病關聯預測值的權重；

步驟6：利用確定的權重參數，融合步驟2-4計算的藥物-疾病關聯預測值，得到融合后的藥物對疾病的預測值。

2.根據權利要求1所述的基于深度自編碼和自適應融合的藥物新用途預測方法，其特征在于，步驟1采用深度自編碼器對藥物特征數據進行融合、降維，降低數據的稀疏程度，深度自編碼器包括編碼單元和解碼單元，編碼單元包括輸入層和3個構建層，均采用ReLU函數作為激活函數，解碼單元包括3個采用ReLU函數作為激活函數的構建層和使用Sigmoid作為激活函數的輸出層，編碼單元和解碼單元共用1個構建層。

3.根據權利要求1所述的基于深度自編碼和自適應融合的藥物新用途預測方法，其特征在于，步驟2中，計算藥物的余弦相似度作為藥物相似度，計算式如下

式中sim(d,d^*)表示藥物d和藥物d^*的相似度，分別表示藥物d、藥物d^*中第i個藥物特征的值，n為特征維度。

4.根據權利要求3所述的基于深度自編碼和自適應融合的藥物新用途預測方法，其特征在于，步驟3中，計算谷本系數，得到藥物相似度，計算式如下

式中sim(d,d^*)表示藥物d和藥物d^*的相似度，表示兩種藥物相同副作用的數量，I_d和分別表示兩種藥物分別產生的副作用數量。

5.根據權利要求4所述的基于深度自編碼和自適應融合的藥物新用途預測方法，其特征在于，步驟2、步驟3中，所述通過藥物相似度計算藥物-疾病關聯預測值，計算式如下

式中表示基于數據源k計算出的藥物d和疾病e之間的預測分數；NN'表示藥物d和其Top-k鄰居的并集；表示藥物d^*和疾病e之間的關系值。

6.根據權利要求5所述的基于深度自編碼和自適應融合的藥物新用途預測方法，其特征在于，步驟4中，計算谷本系數，得到疾病相似度，計算式如下

式中sim(e,e^*)表示疾病e和疾病e^*的相似度，表示既可治療疾病e又可治療疾病e^*的藥物的數量，I_e表示可治療e的藥物數量，表示可治療疾病e^*的藥物數量。

7.根據權利要求6所述的基于深度自編碼和自適應融合的藥物新用途預測方法，其特征在于，步驟4中，所述通過疾病相似度計算藥物-疾病關聯預測值，計算式如下

式中表示基于數據源k計算出的藥物d和疾病e之間的預測分數，NN'表示疾病e和其Top-k鄰居的并集，表示藥物d和疾病e^*之間的關系值。

8.根據權利要求7所述的基于深度自編碼和自適應融合的藥物新用途預測方法，其特征在于，步驟5利用最優化函數求解計算藥物-疾病關聯預測值的權重，最優化函數如下

s.t.β_k＞0

式中β_k表示基于數據源k計算出的藥物d和疾病e之間的預測分數的權重，K表示數據源的數量，{(d,e)|s_de＝1}表示在藥物-疾病關聯數據中藥物d與疾病e之間的關聯值為1的組合，{(d,e)|s_de＝0}表示值0的藥物-疾病組合。

9.根據權利要求8所述的基于深度自編碼和自適應融合的藥物新用途預測方法，其特征在于，

步驟6中，所述融合步驟2-4計算的藥物-疾病關聯預測值，計算式如下

式中為融合后的藥物d對疾病e預測值，β_k為基于數據源k計算出的藥物d和疾病e之間的預測分數的權重，為k數據源中藥物d對疾病e預測值。