[發明專利]基于知識圖譜的藥物靶標作用深度學習預測系統、計算機設備、存儲介質

在審

• 申請號: 202011423142.0
• 申請日: 2020-12-08
• 公開（公告）號: CN112562791A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 王淑棟;杜珍珍;劉大巖;劉嘉麗;鐘悅;田慶雨
• 申請（專利權）人: 中國石油大學（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

基于知識圖譜的藥物靶標作用深度學習預測系統、計算機設備、存儲介質。本發明公開了一種基于知識圖譜的藥物靶標作用深度學習預測系統，屬于藥物靶標相互作用預測領域。該系統包括KG?DTI模型，所述KG?DTI模型包括：藥物靶標知識圖譜的構建、知識圖譜的嵌入表達、藥物靶標特征的提取以及藥物靶標相互作用的預測；首先，處理藥物靶標數據，構建藥物靶標知識圖譜；其次，通過對知識圖譜的嵌入表達得到藥物、靶標實體的向量表示；然后利用卷積神經網絡提取藥物?靶標的特征；最后，將卷積神經網絡提取的藥物?靶標特征輸入到全連接神經網絡進行回歸和分類并預測藥物?靶標相互作用的概率。

技術領域

本發明涉及藥物研發領域，特別涉及一種基于知識圖譜的藥物靶標作用深度學習預測系統。

背景技術

傳統的新藥研發投資大、周期長、風險高。據報道，研發一種FDA批準的新藥大約需要花費26億美元，平均耗費10～12年的時間。然而經過一系列試驗，最終成功上市的機率很低。已經獲得批準的藥物具有安全性的優點，藥物重定位的目的是通過預測藥物靶標相互作用來挖掘已經獲得批準的藥物的潛在臨床應用價值。

目前，已經有很多計算機方法用于藥物靶標相互作用預測，最常用的技術可以歸為以下三種：基于配體預測藥物靶標相互作用模型、基于分子結構預測藥物靶標相互作用模型和基于信息網絡預測藥物靶標相互作用模型。通過計算機輔助藥物研發，不僅可以大大的縮短藥物研發周期，更能節約藥物研發的成本，降低藥物研發的風險。

發明內容

本發明實施例提供了一種基于知識圖譜的藥物靶標作用深度學習預測系統、計算機設備、存儲介質。為了對披露的實施例的一些方面有一個基礎的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關鍵/重要組成元素或描繪這些實施例的保護范圍。其唯一目的是用簡單的形式呈現一些概念，以此作為后面的詳細說明的序言。

根據本發明實施例的第一方面，提供了一種基于知識圖譜的藥物靶標深度學習預測系統。

在一些可選實施例中，所述系統包括KG-DTI模型，所述KG-DTI模型包括藥物靶標知識圖譜的構建、知識圖譜的嵌入表達、藥物靶標特征的提取以及藥物靶標相互作用的預測；首先，處理藥物靶標數據，構建藥物靶標知識圖譜；其次，通過對知識圖譜的嵌入表達得到藥物、靶標實體的向量表示；然后利用卷積神經網絡提取藥物-靶標的特征；最后，將卷積神經網絡提取的藥物-靶標特征輸入到全連接神經網絡進行回歸和分類并預測藥物-靶標相互作用的概率。

可選地，所述構建藥物靶標知識圖譜步驟，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建知識圖譜。

可選地，所述通過對藥物靶標知識圖譜嵌入表達，得到藥物靶標數據的向量表示，具體實現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。DistMult是一種雙線性模型，它主要通過基于實體間關系的雙線性變換來刻畫實體在關系下的語義相關性。模型不僅形式簡單、易于計算，而且還能夠有效刻畫實體間的協同性。提取到的藥物靶標實體的向量維度都是200維。

可選地，所述區域利用卷積神經網絡提取藥物-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網絡并提取藥物靶標的特征。這里的卷積神經網絡類似于Inception模型，有兩個通路，這兩個通路有相同的一維卷積神經網絡結構，命名為Conv-Conv，每一個通路的Conv結構中都有一維卷積神經網絡、批歸一化、最大池化層以及為了避免過擬合設置的dropout層。