[發(fā)明專利]基于知識圖譜的藥物靶標作用深度學(xué)習(xí)預(yù)測系統(tǒng)、計算機設(shè)備、存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011423142.0
• 申請日: 2020-12-08
• 公開（公告）號: CN112562791A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計）人: 王淑棟;杜珍珍;劉大巖;劉嘉麗;鐘悅;田慶雨
• 申請（專利權(quán)）人: 中國石油大學(xué)（華東）
• 主分類號: G16B45/00
• 分類號: G16B45/00;G16B15/30;G06F16/36;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于知識圖譜的藥物靶標作用深度學(xué)習(xí)預(yù)測系統(tǒng)包括四部分：藥物靶標知識圖譜的構(gòu)建、藥物靶標知識圖譜的嵌入表達、藥物靶標知識圖譜的特征提取、藥物靶標相互作用的預(yù)測。

2.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述系統(tǒng)總體流程包括：首先，處理藥物靶標數(shù)據(jù)，構(gòu)建藥物靶標知識圖譜；其次，通過對藥物靶標知識圖譜的嵌入表達得到藥物、靶標實體的向量表示；然后利用卷積神經(jīng)網(wǎng)絡(luò)提取藥物-靶標的特征；最后，將卷積神經(jīng)網(wǎng)絡(luò)提取的藥物-靶標特征輸入到全連接神經(jīng)網(wǎng)絡(luò)進行回歸和分類并預(yù)測藥物-靶標相互作用的概率。

3.如權(quán)利要求2所述的系統(tǒng)，其特征在于，所述區(qū)域處理藥物靶標數(shù)據(jù)，構(gòu)建藥物靶標知識圖譜的步驟具體包括：提取藥物靶標的標識符，已知藥物靶標之間存在相互作用表示為”Drug X has Target Y”，并通過已知相互作用的藥物靶標對構(gòu)建知識圖譜。

4.如權(quán)利要求2所述的系統(tǒng)，其特征在于，所述區(qū)域通過對藥物靶標知識圖譜嵌入表達，得到藥物靶標數(shù)據(jù)的向量表示，具體實現(xiàn)步驟包括將生成的藥物-靶標知識圖譜作為輸入，通過知識圖譜的嵌入表達得到藥物靶標實體的向量表示，藥物靶標知識圖譜所采用的嵌入表達方式為DistMult，提取到的藥物靶標實體的向量維度都是200維。

5.如權(quán)利要求2所述的系統(tǒng)，其特征在于，所述區(qū)域利用卷積神經(jīng)網(wǎng)絡(luò)提取藥物-靶標特征，還包括，首先將藥物靶標向量拼接在一起，拼接后的輸入向量維度為400，然后輸入到卷積神經(jīng)網(wǎng)絡(luò)并提取藥物靶標的特征。這里的卷積神經(jīng)網(wǎng)絡(luò)類似于Inception模型，有兩個通路，這兩個通路有相同的一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，命名為Conv-Conv，每一個通路的Conv結(jié)構(gòu)中都有一維卷積神經(jīng)網(wǎng)絡(luò)、批歸一化、最大池化層以及為了避免過擬合設(shè)置的dropout層。

6.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述區(qū)域藥物靶標相互作用的預(yù)測，還包括將卷積神經(jīng)網(wǎng)絡(luò)提取到的特征作為輸入，通過全連接層神經(jīng)網(wǎng)絡(luò)預(yù)測藥物靶標之間的相互作用關(guān)系，得到藥物靶標之間的預(yù)測分數(shù)。并通過設(shè)置閾值的方式，對藥物靶標相互作用關(guān)系進行二分類，在這里所選用的閾值時0.5，大于閾值，標簽設(shè)置為1，小于閾值標簽設(shè)置為0，通過反向傳播的方式更新模型中的參數(shù)。使用二元交叉熵作為模型的損失函數(shù)，學(xué)習(xí)率設(shè)置為1e-3,并使用Adagrad作為優(yōu)化器優(yōu)化模型。

7.一種計算機設(shè)備，包括存儲器、顯卡、中央處理器以及存儲在所述存儲器上的可被所述中央處理器以及顯卡并行處理的可執(zhí)行程序，其特征在于，所述中央處理器和顯卡執(zhí)行所述程序時實現(xiàn)以下步驟：構(gòu)建藥物靶標知識圖譜，提取知識圖譜的特征并獲取藥物、靶標的實體的向量表示；將藥物靶標對實體的向量拼接起來，通過卷積神經(jīng)網(wǎng)絡(luò)模型提取藥物靶點特征，參照Inception網(wǎng)絡(luò)模型，包括兩個通路的卷積神經(jīng)網(wǎng)絡(luò)；最終將卷積神經(jīng)網(wǎng)絡(luò)提取的藥物靶標特征輸入到全連接神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測藥物靶標之間的相互作用，并得到藥物靶標預(yù)測分數(shù)。

8.如權(quán)利要求7所述的計算機設(shè)備，其特征在于，卷積神經(jīng)網(wǎng)絡(luò)模型將藥物靶標拼接的向量作為輸入，知識圖譜嵌入表達得到的實體向量都表示為200維的，藥物靶標向量拼接在一起是400維，然后通過通道數(shù)為2的卷積神經(jīng)網(wǎng)絡(luò)模型進一步提取特征。將卷積神經(jīng)網(wǎng)絡(luò)提取到的藥物靶標特征作為全連接層神經(jīng)網(wǎng)絡(luò)的輸入，并通過全連接層神經(jīng)網(wǎng)絡(luò)預(yù)測藥物靶標之間的相互作用關(guān)系。

9.一種存儲介質(zhì)，其存儲有計算機程序，其特征在于，當(dāng)所述計算機程序被中央處理器執(zhí)行時實現(xiàn)以下步驟：構(gòu)建藥物靶標知識圖譜，提取知識圖譜的特征并獲取藥物、靶標的實體的向量表示；將藥物靶標對實體的向量拼接起來，通過卷積神經(jīng)網(wǎng)絡(luò)模型提取藥物靶點特征，參照Inception網(wǎng)絡(luò)模型，包括兩個通路的卷積神經(jīng)網(wǎng)絡(luò)；最終將卷積神經(jīng)網(wǎng)絡(luò)提取的藥物靶標特征輸入到全連接神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測藥物靶標之間的相互作用，并得到藥物靶標預(yù)測分數(shù)。