申请/专利权人:中国科学院计算机网络信息中心
申请日:2023-12-25
公开(公告)日:2024-04-02
公开(公告)号:CN117809760A
主分类号:G16C20/10
分类号:G16C20/10;G16H70/40;G16C20/70;G06N3/042
优先权:
专利状态码:在审-公开
法律状态:2024.04.02#公开
摘要:本发明公开了一种基于层次图架构的药物‑药物相互作用预测方法。本发明在分子层次采用注意力感知的消息传递网络来捕获药物分子图的结构和属性信息以编码分子图;在分子内层次提取分子内的子结构,采用自注意力机制捕获分子上下文中子结构中的重要性,构建主题功能模型来挖掘子结构中潜在功能语义信息;对于分子间层次采用迭代学习策略不断精化DDI网络拓扑并优化药物的嵌入表示;本发明采用双层全连接神经网络预测药物对之间发生相互作用的概率。本发明方法取得了卓越的DDI预测性能,对于分析复杂的药物分子内部结构和预测药物对间潜在的相互作用关系具有重要意义。
主权项:1.一种基于层次图架构的药物-药物相互作用预测方法,其步骤包括:1构建一预测模型,所述预测模型包括自注意力模块、主题功能模块、药物分子嵌入表示生成模块、图注意力网络GAT、药物分子间层次的分子表示生成模块、双层全连接神经网络;2针对训练样本集中每一所选药物分子构建一分子图并对其进行编码,得到对应药物分子的药物表示hmol;药物分子中的原子对应于所述分子图中的节点,化学键为所述分子图中的边;原子特征为原子的核电荷数,化学键特征包括单键、双键、三键和芳香键;3将每一所选药物分子分割为若干个分子子结构,得到对应药物分子的分子子结构集合S;然后将每一药物分子的药物表示hmol和分子子结构集合S输入自注意力模块,得到对应药物分子的药物表示hl;4主题功能模块采用LDA捕获分子中潜在的药理学功能,得到药物分子的全局语义hg;然后将hl和hg拼接得到药物分子的嵌入表示m=[hl|hg];5第一次迭代时,药物分子嵌入表示生成模块根据各所选药物之间的相互作用构建一图拓扑I,将图拓扑I和各药物分子的嵌入表示m输入图注意力网络GAT,得到图拓扑C;然后药物分子间层次的分子表示生成模块对图拓扑C与图拓扑I依次进行加法和归一化操作,得到精化的拓扑g,并根据拓扑g得到每个药物分子对应的分子间层次的分子表示z;6第二次迭代及后续每一次迭代时,药物分子嵌入表示生成模块将图拓扑I和各每个药物分子对应的分子间层次的分子表示z输入图注意力网络GAT,更新图拓扑C;然后药物分子间层次的分子表示生成模块对更新后的图拓扑C与图拓扑I依次进行加法和归一化操作,得到精化的拓扑g,并根据拓扑g更新每个药物分子对应的分子间层次的分子表示z;然后对于一对药物分子i,j,将更新后的药物分子i对应的分子间层次的分子表示zi与该药物分子i对应的嵌入表示mi,以及更新后的药物分子j对应的分子间层次的分子表示zj与该药物分子j对应的嵌入表示mj入双层全连接神经网络,预测该对药物分子i,j之间发生相互作用的概率;根据预测的概率和设定的损失函数来优化所述预测模型;7采用迭代学习策略多次执行步骤6,得到优化后的所述预测模型;8对于一待预测的两药物分子输入优化后的所述预测模型,得到该两药物相互作用的预测结果。
全文数据:
权利要求:
百度查询: 中国科学院计算机网络信息中心 一种基于层次图架构的药物-药物相互作用预测方法
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。