申请/专利权人：中南大学

申请日：2023-12-18

公开（公告）日：2024-03-29

公开（公告）号：CN117435747B

主分类号：G06F16/36

分类号：G06F16/36;G06F40/126;G06F40/295;G16C20/30;G16H70/40

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2024.02.09#实质审查的生效;2024.01.23#公开

摘要：本发明实施例中提供了一种基于多层级细化网络的少样本链接预测药物再利用方法，属于数据处理技术领域，具体包括：对待预测的医药知识图谱中的实体及关系嵌入进行初始化；将待预测的医药知识图谱的关系集合按少样本链接预测任务进行划分处理；在元训练任务上多次训练得到多个基于多层级细化网络的少样本链接预测模型；将训练好的全部少样本链接预测模型对元测试任务进行链接预测，根据评价指标选择性能最优的模型，同时得到最终的实体及关系的嵌入；选择特定的疾病和治疗关系，以及数据集中全部药物实体，组成若干新的三元组，并获取对应三元组的嵌入，输入得分函数，得到治疗特定疾病的药物排序。通过本发明的方案，提高了预测效率和适应性。

主权项：1.一种基于多层级细化网络的少样本链接预测药物再利用方法，其特征在于，包括：步骤1，获取待预测的医药知识图谱和对应的邻域知识图谱，对待预测的医药知识图谱中的实体及关系嵌入进行初始化；所述步骤1具体包括：采用TransE模型对获取的邻域知识图谱上进行训练得到待预测的医药知识图谱中的实体和关系嵌入表示，且若邻域知识图谱不存在，则随机初始化待预测的医药知识图谱的实体和关系的嵌入表示；步骤2，将待预测的医药知识图谱的关系集合按少样本链接预测任务进行划分处理，得到元训练任务和元测试任务；步骤3，在元训练任务上多次训练得到多个基于多层级细化网络的少样本链接预测模型；所述步骤3具体包括：步骤3.1，将元训练任务中的实体和关系嵌入表示直接邻域信息的嵌入输入基于对比学习的上下文级学习器，进行三元组上下文表示学习，得到对比损失；所述步骤3.1具体包括：步骤3.1.1，将每个元训练任务对应的相关三元组随机分为支持集和查询集，给定支持集中特定的三元组并获取其上下文表示，并利用基于多头自注意机制的上下文编码器为上下文表示进行建模，为关系实体元组分配对应的权重；步骤3.1.2，对上下文表示中的每个邻居元组进行编码；步骤3.1.3，拼接K个邻域元组的编码，然后使用多头自注意机制生成上下文嵌入；步骤3.1.4，改变上下文表示中的真实关系与实体对获得每个假上下文表示，并利用上下文编码器将其进行编码，生成假上下文嵌入；步骤3.1.5，根据假上下文嵌入和上下文嵌入得到对比损失；步骤3.2，将元训练任务中的实体和关系嵌入表示输入基于集合注意块的三元组级共性关系学习器，得到弱关系元表示；所述步骤3.2具体包括：步骤3.2.1，在针对特定关系的元训练任务中，利用共性关系学习器将支持集中的头尾实体对作为输入，将每个支持三元组进行编码；步骤3.2.2，利用共性关系学习器将支持三元组中的共享特征封装；步骤3.2.3，将封装后的支持三元组输入到一个两层感知机中，取所有支持三元组的转换嵌入的平均值得到弱关系元表示；步骤3.3，将弱关系元表示基于TransH的元学习框架并结合对比损失对模型参数进行优化更新，得到多个基于多层级细化网络的少样本链接预测模型；步骤4，将训练好的全部少样本链接预测模型对元测试任务进行链接预测，根据评价指标选择性能最优的模型，同时得到最终的实体及关系的嵌入；步骤5，根据最终的实体及关系的嵌入选择特定的疾病和治疗关系，以及数据集中全部药物实体，组成若干新的三元组，并获取对应三元组的嵌入，输入得分函数，得到治疗特定疾病的药物排序，其中，所述三元组包括药物、治疗和疾病。

全文数据：

权利要求：

百度查询： 中南大学 基于多层级细化网络的少样本链接预测药物再利用方法

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