【技術實現步驟摘要】
本專利技術涉及藥物相互作用預測，具體為一種基于元路徑長度和類型的藥物相互作用預測方法及系統。
技術介紹
1、藥物相互作用(ddi)是指一種藥物與另一種藥物聯合使用時預期效果的改變。ddi可能導致意想不到的副作用，對患者有害或削弱藥物療效，甚至會危及患者生命。然而，在臨床情況下，醫生通常需要開出多種藥物來治療患者的疾病。因此，準確預測ddi對于藥物研發和藥物安全性監測非常重要。
2、傳統上，ddi是通過濕式實驗室實驗確定的，但這種方法成本高且耗時，增加了制藥公司的藥物開發成本。隨著越來越多的藥物相關信息和數據被公開，研究人員努力設計計算方法來預測ddi。現有的ddi預測方法主要分為兩類：基于相似性的方法和基于網絡的方法。
3、基于相似性的方法通過計算藥物之間的相似性來預測ddi。這些方法首先從藥物相關信息中提取藥物特征，然后計算每對藥物之間的相似性。基于網絡的方法則是根據藥物相關信息構建網絡，其中節點表示藥物和相關生物醫學實體，而邊表示相應節點之間的關聯。然后在構建的網絡上進行矩陣運算或圖神經網絡來完成ddi預測的任務。
4、而目前，我們越來越普遍地構建異質圖神經網絡進行藥物相互作用(ddi)預測，這種方法具有諸多優勢。
5、首先，異質圖神經網絡能夠更好地處理不同類型節點和邊的復雜關系，如藥物、蛋白質等各種異質節點之間的交互作用，以及它們之間不同類型的關聯。這種能力使得模型能夠更全面地捕捉不同類型數據之間的關系，提高了模型對于多樣化信息的整合能力。其次，異質圖神經網絡能夠有效地利用異
6、但是，構建異質圖神經網絡進行ddi預測，也存在很多缺點，如圖1中，d1到d3的最短路徑是d1-p1-p3-d3,d1到d2的最短路徑是d1-p4-d2,這兩種路徑的長度不同，類型不同，傳統的圖神經網絡可能無法很好地區分和編碼這些不同路徑之間的特征。在ddi預測中，這種情況可能導致模型對于不同路徑的信息提取和表征能力不足，影響了模型對于藥物相互作用的準確性和泛化能力。這樣的局限性會使得模型難以充分利用異質圖中豐富的信息，無法準確捕捉不同路徑的重要性和特征，從而限制了模型對于復雜藥物相互作用關系的建模能力。
7、現有技術中，專利公開號為cn115512761a的專利技術專利，公開一種基于元路徑的藥物-藥物相互作用預測框架，主要公開了：異質信息網絡構建模塊、基于元路徑的表示學習模塊和預測模塊；異質信息網絡構建模塊：將多個藥物-藥物相互作用相關數據集組合并表示為一個異質信息網絡，其中藥物和蛋白質為該異質信息網絡的節點，這兩個節點之間的語義關聯為邊；基于元路徑的表示學習模塊：基于元路徑的信息融合機制，以捕捉異質信息網絡中復雜的語義關聯，從而學習高質量的藥物和蛋白質表示；預測模塊：利用已學習的藥物表示，最終得到相應的預測的相互作用。但是，在ddi預測中，模型對于不同路徑的信息提取和表征能力不足。
技術實現思路
1、本專利技術所要解決的技術問題在于：解決現有技術中，無法捕獲藥物特征之間的豐富語義信息，對于不同路徑的信息提取和表征能力不足，影響預測模型對于藥物相互作用的準確性和泛化能力的問題。
2、為解決上述技術問題，本專利技術提供如下技術方案：
3、一種基于元路徑長度和類型的藥物相互作用預測方法，包括：
4、s10，構建異質圖；其中，異質圖主要由節點集合v和邊集合e組成；
5、s20，將節點集合v中不同的節點類型與邊集合e中不同的邊類型組成序列，描述元路徑結構；
6、s30，給每一條元路進行編碼，并設置每條元路徑的長度因子，獲取元路徑長度；
7、s40，根據元路徑長度，獲取第l條，元路徑長度為k，每個節點的融合元路徑特征；
8、s50，將所有節點的融合元路徑特征集合，獲取融合元路徑特征集；設置藥物之間相互作用預測模型，從融合元路徑特征集中選擇兩個節點的融合元路徑特征作為輸入，通過藥物之間相互作用預測模型，獲取兩種藥物之間的相互作用的概率。
9、在本專利技術的一實施例中，節點集合v包括藥物節點集合和蛋白質節點集合；邊集合e中邊類型包括：藥物之間的相互作用；蛋白質之間的相互作用；作為藥物靶點的蛋白質；作為藥物載體的蛋白質；充當藥物酶的蛋白質；充當藥物轉運蛋白的蛋白質。
10、在本專利技術的一實施例中，每個節點的融合元路徑特征，通過以下公式獲取：
11、
12、式中，表示為節點di的融合元路徑特征，relu為激活函數，和分別為第l-1條元路徑基于元路徑的信息融合之后藥物鄰居dt和蛋白質鄰居pt的表示；表示不同元路徑的編碼信息，wii為不同元路徑的長度因子，為第l條中藥物的可訓練參數矩陣，為第l條中蛋白質的可訓練參數矩陣，為節點di的所有鄰居節點中藥物節點集，為節點di的所有鄰居節點中蛋白質節點集。
13、在本專利技術的一實施例中，藥物之間相互作用預測模型，通過以下公式獲取：
14、
15、式中，為兩種藥物之間的相互作用的概率，sigmoid為s型函數，w和b分別為不同的訓練參數，hi和hj分別為從融合元路徑特征集中選擇的兩個節點。
16、在本專利技術的一實施例中，使用交叉損失函數，對藥物之間相互作用預測模型進行優化；交叉熵損失函數定義為：
17、
18、式中，s為訓練樣本，為預測標簽，ys為真實標簽，log為對函數。
19、本專利技術還提供一種應用上述所述的基于元路徑長度和類型的藥物相互作用預測方法的系統，包括：
20、異質圖模塊，構建異質圖；其中，異質圖主要由節點集合v和邊集合e組成；
21、元路徑類型模塊，將節點集合v中不同的節點類型與邊集合e中不同的邊類型組成序列，描述元路徑結構；
22、元路徑長度模塊，給每一條元路進行編碼，并設置每條元路徑的長度因子，獲取元路徑長度；
23、融合元路徑特征模塊，根據元路徑長度，獲取第l條，元路徑長度為k，每個節點的融合元路徑特征；
24、預測模塊，將所有節點的融合元路徑特征集合，獲取融合元路徑特征集；設置藥物之間相互作用預測模型，從融合元路徑特征集中選擇兩個節點的融合元路徑特征作為輸入，通過藥物之間相互作用預測模型，獲取兩種藥物之間的相互作用的概率。
25、在本專利技術的一實施例中，異質圖模塊中，節點集合v包括藥物節點集合和蛋白質節點集；邊集合e中邊類型包括：藥物之間的相互作用；蛋白質之間的相互作用；作為藥物靶點的蛋白質；本文檔來自技高網...
【技術保護點】
1.一種基于元路徑長度和類型的藥物相互作用預測方法，其特征在于，包括：
2.根據權利要求1所述的基于元路徑長度和類型的藥物相互作用預測方法，其特征在于，節點集合V包括藥物節點集合和蛋白質節點集合；邊集合E中邊類型包括：藥物之間的相互作用；蛋白質之間的相互作用；作為藥物靶點的蛋白質；作為藥物載體的蛋白質；充當藥物酶的蛋白質；充當藥物轉運蛋白的蛋白質。
3.根據權利要求1所述的基于元路徑長度和類型的藥物相互作用預測方法，其特征在于，每個節點的融合元路徑特征，通過以下公式獲取：
4.根據權利要求1所述的基于元路徑長度和類型的藥物相互作用預測方法，其特征在于，藥物之間相互作用預測模型，通過以下公式獲取：
5.根據權利要求4所述的基于元路徑長度和類型的藥物相互作用預測方法，其特征在于，使用交叉損失函數，對藥物之間相互作用預測模型進行優化；交叉熵損失函數定義為：
6.一種應用權利要求1-5任一所述的基于元路徑長度和類型的藥物相互作用預測方法的系統，其特征在于，包括：
7.根據權利要求6所述的基于元路徑長度和類型的藥物相互
8.根據權利要求6所述的基于元路徑長度和類型的藥物相互作用預測系統，其特征在于，融合元路徑特征模塊中，每個節點的融合元路徑特征，通過以下公式獲取：
9.根據權利要求6所述的基于元路徑長度和類型的藥物相互作用預測系統，其特征在于，預測模塊中，藥物之間相互作用預測模型，通過以下公式獲取：
10.根據權利要求9所述的基于元路徑長度和類型的藥物相互作用預測系統，其特征在于，預測模塊中，使用交叉損失函數，對藥物之間相互作用預測模型進行優化；交叉熵損失函數定義為：
...【技術特征摘要】
1.一種基于元路徑長度和類型的藥物相互作用預測方法，其特征在于，包括：
2.根據權利要求1所述的基于元路徑長度和類型的藥物相互作用預測方法，其特征在于，節點集合v包括藥物節點集合和蛋白質節點集合；邊集合e中邊類型包括：藥物之間的相互作用；蛋白質之間的相互作用；作為藥物靶點的蛋白質；作為藥物載體的蛋白質；充當藥物酶的蛋白質；充當藥物轉運蛋白的蛋白質。
3.根據權利要求1所述的基于元路徑長度和類型的藥物相互作用預測方法，其特征在于，每個節點的融合元路徑特征，通過以下公式獲取：
4.根據權利要求1所述的基于元路徑長度和類型的藥物相互作用預測方法，其特征在于，藥物之間相互作用預測模型，通過以下公式獲取：
5.根據權利要求4所述的基于元路徑長度和類型的藥物相互作用預測方法，其特征在于，使用交叉損失函數，對藥物之間相互作用預測模型進行優化；交叉熵損失函數定義為：
6.一種應用權利要求1-5任一所述的基于...
【專利技術屬性】
技術研發人員：何云飛，黃莉珊，楊飛，李玉玲，張冬，孫宸遠，
申請(專利權)人：安徽醫科大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。