申请/专利权人：中南大学

申请日：2021-09-15

公开（公告）日：2023-11-14

公开（公告）号：CN113793696B

主分类号：G16H70/40

分类号：G16H70/40;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2023.11.14#授权;2021.12.31#实质审查的生效;2021.12.14#公开

摘要：本发明公开了一种基于相似性的新药副作用发生频率预测方法、系统、终端及可读存储介质，其获取药物、副作用相似性信息和已知的药物副作用发生频率信息，再生成药物相似性向量和副作用相似性向量；进而针对每种类型的药物相似性与副作用相似性生成一个交互图并通过神经网络捕获药物与副作用的交互信息；使用多层感知机分别对药物和副作用相似性向量进行编码产生药物嵌入和副作用嵌入；最后将药物嵌入、副作用嵌入和药物‑副作用交互嵌入拼接，再利用多层感知机对药物的副作用和副作用的发生频率进行预测。本发明不依赖于已知的药物副作用发生频率信息，能够对新药物的副作用发生频率进行预测，填补了当前新药副作用发生频率预测技术空缺。

主权项：1.一种基于相似性的新药副作用发生频率预测方法，其特征在于：包括以下步骤：步骤1：基于已知药物-副作用频率信息构建训练数据集；步骤2：获取药物相似性信息以及副作用相似性信息；步骤3：基于所述药物相似性信息和所述副作用相似信息构建每个药物的相似性向量和每个副作用的相似性向量，并映射到同一维度的特征映射空间中得到药物、副作用的特征向量；步骤4：基于药物的特征向量和副作用的特征向量构建药物-副作用对交互图；步骤5：搭建药物副作用发生频率预测模型的网络架构，并利用所述训练数据集及其药物、副作用数据进行网络训练得到训练好的药物副作用发生频率预测模型；其中，所述训练数据集中已知药物-副作用频率信息为标签，步骤5中的所述药物、副作用数据至少包含药物-副作用对交互图；若步骤1中已知药物-副作用频率信息包括以药物与副作用的频率得分是否已知进行编码的邻接矩阵DMA和以药物与副作用的频率得分数值进行编码的邻接矩阵DMF；则步骤5中所述药物副作用发生频率预测模型用于预测新药物与副作用是否存在关联关系，以及针对存在关联关系的新药物与副作用进一步预测基于编码规则的新药物与副作用的频率数据；所述药物副作用发生频率预测模型的训练过程如下：S5-1：搭建基于深度卷积神经网络和多层感知机的药物副作用发生频率预测模型的网络架构；其中，利用深度卷积神经网络对药物-副作用对交互图进行特征提取得到药物-副作用交互嵌入数据，利用多层感知机分别对药物特征向量和副作用特征向量分别进行特征提取得到药物嵌入数据以及副作用嵌入数据；再将所述药物-副作用交互嵌入数据、药物嵌入数据以及副作用嵌入数据进行拼接，输入至多层感知机得到药物-副作用关联对的预测得分；当药物-副作用关联对的预测得分小于预设判断阈值，视所述药物不具有对应副作用；当药物-副作用关联对的预测得分大于或等于预设判断阈值，视所述药物具有对应副作用，再将拼接后向量输入新的多层感知机得到基于编码规则的药物-副作用关联对的频率数据；S5-2：以药物特征向量、副作用特征向量、药物-副作用对交互图作为网络输入，训练数据集中已知药物-副作用频率信息为标签进行网络训练；步骤6：针对待预测新药物，获取新药物的药物相似性信息，并按照步骤3以及步骤4的方式处理药物数据，再输入至训练好的药物副作用发生频率预测模型得到新药物副作用发生频率预测结果。

全文数据：

权利要求：

百度查询： 中南大学 一种基于相似性的新药副作用发生频率预测方法、系统、终端及可读存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD