[發明專利]基于變分自編碼器的藥物-疾病關聯預測方法

有效

• 申請號: 202110496613.9
• 申請日: 2021-05-07
• 公開（公告）號: CN113223655B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 魚亮;陳生建
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G16H20/10
• 分類號: G16H20/10;G16B50/00;G16H50/70;G16H50/20
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 陳宏社;王品華

本發明提出了一種基于變分自編碼器的藥物?疾病關聯預測方法，主要解決現有技術預測藥物?疾病關聯精度較低的問題，包括如下步驟：(1)構建藥物?疾病關聯矩陣A和疾病?藥物關聯矩陣B；(2)構建藥物特征矩陣C和疾病特征矩陣D；(3)搭建基于變分自編碼器的藥物?疾病關聯預測模型H；(4)對基于變分自編碼器的藥物?疾病關聯預測模型H進行迭代訓練；(5)獲取藥物?疾病關聯預測結果Y。本發明降低了噪音和數據缺失對預測結果的影響，充分提取了復雜數據的隱含信息，有效提高了藥物?疾病關聯預測的精度，可用于藥物重定位的藥物候選。

技術領域

本發明屬于生物信息學技術領域，涉及一種藥物-疾病關聯預測方法，具體涉及一種基于變分自編碼器的藥物-疾病關聯預測方法，可用在藥物重定位中為現有藥物的新治療用途提供候選推薦。

背景技術

藥物重定位目的是為了確定已有藥物的新用途，相對于傳統藥物研究，大大降低了風險，節省了成本和時間，因此藥物重定位受到廣泛關注，2013年上市的84種藥品中，現有藥品的新適應癥占了20％。近年來，各國非貿易組織、學術機構和政府對藥物重定位方面的研究越來越重視，并對其提供了大量資金支持。例如，美國國家推進轉化科學中心和英國醫學研究理事會已經在藥物重定位領域啟動了多種大型的資助項目，目標是將已經經過醫藥工業重大研究和開發的藥物分子擴展到更多的新的適應癥。此外，美國食品和藥物管理局FDA也創建了多個公共數據庫專門為計算藥物的重定位服務，這些數據為藥物重定位提供了很多幫助。

藥物-疾病相關性的鑒定可以為藥物的發現和藥物的重新定位提供重要的信息。因為手工調查是耗時的，隨著高通量技術的發展和數據庫的不斷更新，提出了大量的計算方法。

在2016年，Luo等人在《Bioinformatics》上發表了論文“Drug?repositioningbased?on?comprehensive?similarity?measures?and?Bi-Random?walk?algorithm”，公開了一種基于全面相似度測量和雙向隨機游走的藥物-疾病關聯預測方法MBIRW，該方法基于相似藥物通常與相似疾病相關，反之亦然的假設，利用一些綜合的相似度量和雙向隨機游走算法來識別給定藥物的潛在新適應癥。通過將藥物或疾病特征信息與已知的藥物-疾病關聯信息相結合，建立了綜合相似度量方法來計算藥物和疾病的相似度。然后構建藥物相似網絡和疾病相似網絡，并將它們整合到已知藥物與疾病相互作用的異構網絡中。基于藥物-疾病異構網絡，采用雙向隨機游走算法來預測新的潛在藥物-疾病關聯。

Luo等人于2018年在《Bioinformatics》上發表了論文“Computational?DrugRepositioning?using?Low-Rank?Matrix?Approximation?and?Randomized?Algorithms”，公開了一種使用低秩矩陣近似和隨機算法的藥物-疾病關聯預測方法DRRS，該方法通過整合藥物和疾病的相關數據信息來預測新的藥物適應癥。首先，通過整合藥物-藥物、疾病-疾病和藥物-疾病網絡，構建異質藥物-疾病相互作用網絡。異質網絡用一個大的藥物-疾病鄰接矩陣來表示，其條目包括藥物對、疾病對、已知的藥物-疾病相互作用對和未知的藥物-疾病對。然后，針對未知藥物-疾病對，采用快速奇異值閾值SVT算法，利用預測的未知藥物-疾病對得分來補全藥物-疾病鄰接矩陣。

然而，上述的算法是在默認無噪聲環境下運行的，且對稀疏數據的處理能力不夠好，即抗干擾能力較弱，同時上述的算法難以學習到復雜數據的深層次信息，無法充分提取復雜數據的的隱含信息。

發明內容

本發明的目的在于針對上述現有技術的不足，提出了一種基于變分自編碼器的藥物-疾病關聯預測方法，旨在解決現有技術預測藥物-疾病關聯精度較低的問題。

為實現上述目的，本發明采取的技術方案包括如下步驟：

(1)構建藥物-疾病關聯矩陣A和疾病-藥物關聯矩陣B：