[發明專利]一種深度學習藥物相互作用預測方法、裝置、介質和設備

在審

• 申請號: 202210105604.7
• 申請日: 2022-01-28
• 公開（公告）號: CN114530258A
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 張通;饒曉潔;孟獻兵;陳俊龍
• 申請（專利權）人: 華南理工大學
• 主分類號: G16H70/40
• 分類號: G16H70/40;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 霍健蘭

1.一種深度學習藥物相互作用預測方法，其特征在于：包括如下步驟：

獲取待預測的兩種藥物的藥物分子信息；

將各個藥物分子信息分別輸入至原子級網絡中；原子級網絡對每個藥物分子信息進行編碼，捕獲原子和化學鍵之間的相互作用信息，并輸出編碼后的藥物分子圖表示z_atom_j；j＝1,2；

將各個藥物分子圖表示z_atom_j分別輸入至分子級網絡中；分子級網絡利用多頭注意力機制分別從每個藥物分子圖表示z_atom_j提取出不同藥物分子之間的關系，并輸出分子圖表示z_mol_j；

將兩種藥物的輸出分子圖表示z_mol₁和z_mol₂轉換為一個向量I；對向量I進行處理，得到藥物相互作用預測結果；

所述原子級網絡和分子級網絡分別是指經過訓練的原子級網絡和分子級網絡。

2.根據權利要求1所述的深度學習藥物相互作用預測方法，其特征在于：所述原子級網絡將每個藥物分子信息由SMILES序列轉為分子圖結構,以原子為節點、化學鍵為邊，提取出每個藥物分子中的節點信息、邊信息，以及拓撲連接矩陣，將節點信息、邊信息和拓撲連接矩陣輸入到Transformer編碼器中；Transformer編碼器采用節點信息和邊信息的相互作用分數矩陣；Transformer編碼器輸出編碼后的藥物分子圖表示z_atom_j。

3.根據權利要求2所述的深度學習藥物相互作用預測方法，其特征在于：所述Transformer編碼器設有N個依次連接的消息更新塊；

首先分別對節點信息和邊信息進行編碼，得到節點特征h(X)和邊特征h(E)；

然后，消息更新塊根據節點特征h(X)計算出矩陣Q、V，根據邊特征h(E)計算出矩陣K：

其中，W^Q、W^V、W^K分別為可學習的線性變換參數；

進而求出交互分數矩陣M：

M＝matmul(Q,K.transpose(-2,-1))

使用交互分數矩陣M分別與矩陣V、K進行點乘，以更新節點特征h(X)和邊特征h(E)；

之后，輸入下一個消息更新塊，再次進行節點特征h(X)和邊特征h(E)更新；如此循環，直至最后一個消息更新塊完成節點特征h(X)和邊特征h(E)更新；最終得到的節點特征h(X)通過層歸一化和平均池化，輸出藥物分子圖表示z_atom_j。

4.根據權利要求1所述的深度學習藥物相互作用預測方法，其特征在于：根據藥物分子圖表示z_atom_j得到分子特征矩陣：分子特征矩陣的每一行代表藥物分子，每一列代表藥物分子表示的每一維特征；

將不同藥物分子視為節點；將所有節點輸入多頭注意力層，多頭注意力層采用H個獨立的注意力分數矩陣進行并行計算；將多頭注意力層得到的特征通過Z層感知機進行維度轉換，Z層感知機之間使用密集連接網絡結構以加強特征重用；最終輸出一個捕捉到不同分子間關系的分子圖表示z_mol_j。