[發(fā)明專利]一種基于藥物分類圖神經(jīng)網(wǎng)絡(luò)的藥物重定位方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202210219786.0
• 申請日: 2022-03-08
• 公開（公告）號: CN114613452B
• 公開（公告）日: 2023-04-28
• 發(fā)明（設(shè)計(jì)）人: 趙思成;朱嘉靜;劉勇國;張?jiān)?/a>;李巧勤;陸鑫;傅翀
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G16C20/50
• 分類號: G16C20/50;G16C20/70
• 代理公司: 成都方圓聿聯(lián)專利代理事務(wù)所(普通合伙) 51241
• 代理人: 茍銘

本發(fā)明公開了一種基于藥物分類圖神經(jīng)網(wǎng)絡(luò)的藥物重定位方法及系統(tǒng)，屬于藥物重定位技術(shù)領(lǐng)域，所述方法為：分別構(gòu)建藥物屬性異構(gòu)邊網(wǎng)絡(luò)Gsubgt;1/subgt;和疾病屬性網(wǎng)絡(luò)Gsubgt;2/subgt;；分別對藥物屬性邊異構(gòu)網(wǎng)絡(luò)Gsubgt;1/subgt;和疾病屬性網(wǎng)絡(luò)Gsubgt;2/subgt;進(jìn)行特征提取，對應(yīng)得到藥物屬性矩陣A和疾病屬性矩陣B；構(gòu)建藥物疾病關(guān)聯(lián)網(wǎng)絡(luò)Gsubgt;3/subgt;；得到藥物嵌入矩陣U和疾病嵌入矩陣V；基于藥物嵌入矩陣U和疾病嵌入矩陣V，訓(xùn)練邊置信MLP網(wǎng)絡(luò)，得到訓(xùn)練好的MLP網(wǎng)絡(luò)，并使用訓(xùn)練好的MLP網(wǎng)絡(luò)對藥物重定位；本發(fā)明分階段建立藥物屬性網(wǎng)絡(luò)、疾病屬性網(wǎng)絡(luò)和藥物疾病關(guān)聯(lián)異構(gòu)網(wǎng)絡(luò)，充分提取藥物屬性特征、疾病屬性特征以及藥物疾病關(guān)聯(lián)的空間拓?fù)涮卣鳎行岣吡怂幬镏囟ㄎ粶?zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明屬于藥物重定位技術(shù)領(lǐng)域，尤其涉及一種基于藥物分類圖神經(jīng)網(wǎng)絡(luò)的藥物重定位方法及系統(tǒng)。

背景技術(shù)

藥物發(fā)現(xiàn)可幫助研究人員找到治療疾病的藥物，然而藥物發(fā)現(xiàn)的過程風(fēng)險(xiǎn)高且十分復(fù)雜。盡管如今藥物研發(fā)策略和技術(shù)在逐步改進(jìn)，最終成功上市的新藥仍然很少。藥物重定位方法成為藥物研發(fā)的一種有效策略，藥物重定位可發(fā)現(xiàn)已經(jīng)獲批上市藥物的新適應(yīng)癥或者新用途，從而解決藥物研發(fā)高風(fēng)險(xiǎn)與低效益比的問題。

大規(guī)模的生物醫(yī)學(xué)數(shù)據(jù)集的出現(xiàn)為藥物重新定位提供了數(shù)據(jù)基礎(chǔ)。目前的藥物重定位方法可以分為兩種：一類是基于機(jī)器學(xué)習(xí)的算法，多數(shù)為矩陣分解算法，通過數(shù)學(xué)推導(dǎo)，按照一定算法流程將藥物疾病關(guān)聯(lián)矩陣分解為藥物映射矩陣和疾病映射矩陣，再利用分解后的映射矩陣重構(gòu)關(guān)聯(lián)矩陣，以達(dá)到藥物重定位的目的；另一類是基于深度學(xué)習(xí)的算法，自動從多源異構(gòu)網(wǎng)絡(luò)中學(xué)習(xí)特征，并且近幾年隨著圖卷積模型的提出，拓?fù)鋱D與藥物重定位網(wǎng)絡(luò)有著天然的適配性，越來越多的研究者開始結(jié)合深度圖卷積模型進(jìn)行藥物重定位研究；現(xiàn)有技術(shù)使用隨機(jī)游走方法，提取關(guān)聯(lián)矩陣的概率共現(xiàn)矩陣從而獲得PPMI數(shù)據(jù)集，利用計(jì)算所得的多源數(shù)據(jù)集對圖卷積編碼器模型進(jìn)行訓(xùn)練，獲得藥物信息的低維嵌入表示，并輸入變分自編碼器進(jìn)行參數(shù)訓(xùn)練，將訓(xùn)練好的模型結(jié)合已知的藥物疾病關(guān)聯(lián)矩陣做最終的藥物重定位預(yù)測；也有研究利用藥物疾病關(guān)聯(lián)以及額外輔助信息提取藥物與疾病的隱特征，根據(jù)隱特征生成藥物偏好向量，結(jié)合記憶力網(wǎng)絡(luò)生成鄰域貢獻(xiàn)表示，最后利用非線性函數(shù)集成藥物隱特征、疾病隱特征和鄰域貢獻(xiàn)表示以生成預(yù)測值進(jìn)行藥物重定位預(yù)測。

但現(xiàn)有的藥物重定位方法仍存在以下問題：

(1)、采用基于隨機(jī)游走的方式獲取特征屬性，難以捕獲全局特征；

(2)、采用鄰域信息表示難以捕獲更高階的拓?fù)浣Y(jié)構(gòu)特征，不能高效處理復(fù)雜藥物重定位網(wǎng)絡(luò)的復(fù)雜結(jié)構(gòu)；

(3)、多源異構(gòu)網(wǎng)絡(luò)的邊和點(diǎn)均異構(gòu)，網(wǎng)絡(luò)蘊(yùn)含的信息過多，難以同時(shí)差異化處理邊和點(diǎn)都異構(gòu)的網(wǎng)絡(luò)，無法捕獲真正有效的特征屬性。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種基于藥物分類圖神經(jīng)網(wǎng)絡(luò)的藥物重定位方法及系統(tǒng)分階段建立藥物屬性網(wǎng)絡(luò)、疾病屬性網(wǎng)絡(luò)和藥物疾病關(guān)聯(lián)異構(gòu)網(wǎng)絡(luò)，充分提取藥物屬性特征、疾病屬性特征以及藥物疾病關(guān)聯(lián)的空間拓?fù)涮卣鳎岣咚幬镏囟ㄎ粶?zhǔn)確度，解決了上述現(xiàn)有技術(shù)存在的問題。

為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：

本發(fā)明提供一種基于藥物分類圖神經(jīng)網(wǎng)絡(luò)的藥物重定位方法，包括如下步驟：

S1、獲取藥物相似性數(shù)據(jù)和疾病相似性數(shù)據(jù)，并分別構(gòu)建藥物屬性異構(gòu)邊網(wǎng)絡(luò)G₁和疾病屬性網(wǎng)絡(luò)G₂；

S2、分別對藥物屬性邊異構(gòu)網(wǎng)絡(luò)G₁和疾病屬性網(wǎng)絡(luò)G₂進(jìn)行特征提取，對應(yīng)得到藥物屬性矩陣A和疾病屬性矩陣B；

S3、根據(jù)藥物屬性矩陣A和疾病屬性矩陣B，構(gòu)建藥物疾病關(guān)聯(lián)網(wǎng)絡(luò)G₃；