[發明專利]基于圖卷積神經網絡的藥物口服利用度及毒性預測方法

在審

• 申請號: 202210107731.0
• 申請日: 2022-01-28
• 公開（公告）號: CN114550847A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 李星辰;李橋;王宇濤;姚雯;周煒恩
• 申請（專利權）人: 中國人民解放軍軍事科學院國防科技創新研究院
• 主分類號: G16C20/50
• 分類號: G16C20/50;G16C20/70;G16H70/40;G06N3/04;G06N3/08
• 代理公司: 北京奧文知識產權代理事務所(普通合伙) 11534
• 代理人: 張文

1.一種基于圖卷積神經網絡的藥物口服利用度及毒性預測方法，其特征在于，包括以下步驟：

S1，準備初始訓練集，其中，初始訓練集包括多個初始訓練數據，初始訓練數據包括藥物的分子描述符和SMILES表達式、以及藥物的口服利用度和毒性；

S2，根據藥物的SMILES表達式，建立藥物的圖模型，獲取訓練集，其中，訓練集包括多個訓練數據，訓練數據包括藥物的分子描述符和藥物的圖模型、以及藥物的口服利用度和毒性；

S3，構建圖卷積神經網絡和全連接神經網絡，利用訓練集訓練圖卷積神經網絡和全連接神經網絡，以擬合藥物的分子描述符及圖模型與藥物的口服利用度及毒性的映射關系，其中，圖卷積神經網絡的輸入為藥物的圖模型，全連接神經網絡的輸入為藥物的分子描述符和圖卷積神經網絡的輸出，輸出為藥物的口服利用度及毒性的預測值；

S4，針對藥物的每一個分子描述符特征，對每個訓練數據中對應的分子描述符特征進行數值修改，利用當前訓練后的圖卷積神經網絡和全連接神經網絡對修改后的訓練數據進行預測，確定當前修改的分子描述符特征所對應的預測值誤差；

S5，按照預測值誤差從小到大的順序依次對藥物的所有分子描述符特征進行排序，標定位于前序的預設數量的藥物的分子描述符特征，刪除每個訓練數據中未被標定的藥物的分子描述符特征，對訓練數據進行更新；

S6，利用更新后的訓練數據重新訓練步驟S3構建的圖卷積神經網絡和全連接神經網絡，利用訓練后的圖卷積神經網絡和全連接神經網絡進行藥物口服利用度及毒性預測。

2.根據權利要求1所述的基于圖卷積神經網絡的藥物口服利用度及毒性預測方法，其特征在于，所述藥物的毒性包括：心臟毒性和遺傳毒性。

3.根據權利要求1所述的基于圖卷積神經網絡的藥物口服利用度及毒性預測方法，其特征在于，所述根據藥物的SMILES表達式，建立藥物的圖模型，包括：

根據藥物的SMILES表達式，采用節點表示原子或離子，采用邊表示原子和/或離子之間的化學鍵，采用邊的權重表示化學鍵類型，建立藥物的SMILES表達式對應的藥物的圖模型。

4.根據權利要求1所述的基于圖卷積神經網絡的藥物口服利用度及毒性預測方法，其特征在于，所述圖卷積神經網絡為多層圖卷積神經網絡。

5.根據權利要求4所述的基于圖卷積神經網絡的藥物口服利用度及毒性預測方法，其特征在于，多層圖卷積神經網絡為殘差圖卷積神經網絡、稠密圖卷積神經網絡、或U型圖神經網絡。

6.根據權利要求1至5中任一項所述的基于圖卷積神經網絡的藥物口服利用度及毒性預測方法，其特征在于，步驟S3中，在利用訓練集訓練圖卷積神經網絡和全連接神經網絡時，在圖卷積神經網絡的輸出層在特征維度進行平均池化處理，對訓練數據中的藥物的分子描述符進行歸一化處理，將將歸一化處理后的分子描述符和池化處理后的圖卷積神經網絡的輸出進行特征合并，作為全連接神經網絡的輸入。

7.根據權利要求6所述的基于圖卷積神經網絡的藥物口服利用度及毒性預測方法，其特征在于，利用以下公式進行分子描述符的歸一化處理；

其中，表示歸一化后的分子描述符，x^d表示分子描述符的原始值，表示分子描述符的最大值，表示分子描述符的最小值。

8.根據權利要求1至7中任一項所述的基于圖卷積神經網絡的藥物口服利用度及毒性預測方法，其特征在于，步驟S3中，在利用訓練集訓練圖卷積神經網絡和全連接神經網絡時，采用絕對值誤差作為損失函數。

9.根據權利要求1至8中任一項所述的基于圖卷積神經網絡的藥物口服利用度及毒性預測方法，其特征在于，利用以下公式計算當前修改的分子描述符特征所對應的預測值誤差；

其中，Err(j)表示預測值誤差，N表示訓練數據數量，表示對歸一化處理后的第i個訓練數據中的藥物的分子描述符第j維特征進行數值修改后的分子描述符數據，m表示分子描述符的特征維數，表示第i個訓練數據中的藥物的SMILES表達式對應的圖模型，θ表示圖卷積神經網絡和全連接神經網絡的參數，f(·)表示神經網絡的映射關系，y_i表示第i個訓練數據中的藥物口服利用度及毒性數據。