【技術實現步驟摘要】
本申請涉及藥物開發(fā)領域，具體而言，涉及一種模型訓練方法、藥物與疾病關聯預測方法及相關裝置。
技術介紹
1、傳統(tǒng)的藥物發(fā)現方法成本高且耗時費力，具體表現為：許多在早期試驗中看似有前途的藥物候選物常常在后期階段因毒性或無效性而失敗。相比之下，隨著藥物-疾病關聯預測技術的進步，能夠將已批準的藥物重新用于超出其原始適應癥的新治療應用。該技術不僅降低了風險，還顯著減少了開發(fā)成本和時間。因此，藥物-疾病關聯預測具有巨大的潛力，提供了許多優(yōu)勢，使其成為藥物發(fā)現中不可或缺的方法。
2、然而，實踐過程中發(fā)現，目前的藥物-疾病關聯預測方法面臨諸多挑戰(zhàn)，特別是由于交互信息的稀疏性，隨機擾動可能會導致關鍵結構信息丟失，從而影響表示學習的質量。
技術實現思路
1、為了克服現有技術中的至少一個不足，本申請?zhí)峁┮环N模型訓練方法、藥物與疾病關聯預測方法及相關裝置，具體包括：
2、第一方面，本申請?zhí)峁┮环N模型訓練方法，所述方法包括：
3、獲取藥物與疾病原始關聯圖、藥物與藥物原始關聯圖、疾病與疾病原始關聯圖；
4、將所述藥物與疾病原始關聯圖矩陣分解重構為藥物與藥物重構關聯圖、藥物與疾病重構關聯圖以及疾病與疾病重構關聯圖；
5、通過圖神經網絡對所述藥物與疾病原始關聯圖與所述藥物與疾病重構關聯圖進行對比學習、所述藥物與藥物原始關聯圖與所述藥物與藥物重構關聯圖進行對比學習、所述疾病與疾病原始關聯圖與所述疾病與疾病重構關聯圖進行對比學習，直至所述圖神經網絡滿足作為藥
6、結合第一方面的可選實施方式，所述將所述藥物與疾病原始關聯圖矩陣分解重構為藥物與藥物重構關聯圖、藥物與疾病重構關聯圖以及疾病與疾病重構關聯圖，包括：
7、根據所述藥物與疾病原始關聯圖，生成藥物與疾病原始關聯矩陣；
8、將所述藥物與疾病原始關聯矩陣進行概率矩陣分解，得到藥物潛在特征矩陣與疾病潛在特征矩陣；
9、根據藥物潛在特征矩陣與疾病潛在特征矩陣，得到藥物與疾病重構關聯矩陣、藥物與藥物重構關聯矩陣以及疾病與疾病重構關聯矩陣；
10、根據所述藥物與疾病重構關聯矩陣、藥物與藥物重構關聯矩陣以及疾病與疾病重構關聯矩陣，得到所述藥物與藥物重構關聯圖、所述藥物與疾病重構關聯圖以及所述疾病與疾病重構關聯圖。
11、結合第一方面的可選實施方式，所述通過圖神經網絡對所述藥物與疾病原始關聯圖與所述藥物與疾病重構關聯圖進行對比學習、所述藥物與藥物原始關聯圖與所述藥物與藥物重構關聯圖進行對比學習、所述疾病與疾病原始關聯圖與所述疾病與疾病重構關聯圖進行對比學習，包括：
12、通過所述圖神經網絡對所述藥物與疾病原始關聯圖與藥物與疾病重構關聯圖進行特征提取，得到藥物與疾病原始關聯圖的嵌入表示以及所述藥物與疾病重構關聯圖的嵌入表示；
13、根據所述藥物與疾病原始關聯圖的嵌入表示以及所述藥物與疾病重構關聯圖的嵌入表示，得到藥物與疾病的對比損失以及二元交叉熵損失；
14、通過所述圖神經網絡對所述藥物與藥物原始關聯圖與所述藥物與藥物重構關聯圖進行特征提取，得到所述藥物與藥物原始關聯圖的嵌入表示以及所述藥物與藥物重構關聯圖的嵌入表示；
15、根據所述藥物與藥物原始關聯圖的嵌入表示以及所述藥物與藥物重構關聯圖的嵌入表示，得到藥物與藥物的對比損失以及二元交叉熵損失；
16、通過所述圖神經網絡對所述疾病與疾病原始關聯圖與所述疾病與疾病重構關聯圖進行特征提取，得到所述疾病與疾病原始關聯圖的嵌入表示以及所述疾病與疾病重構關聯圖的嵌入表示；
17、根據所述疾病與疾病原始關聯圖的嵌入表示以及所述疾病與疾病重構關聯圖的嵌入表示，得到疾病與疾病的對比損失以及二元交叉熵損失；
18、將所述藥物與疾病的對比損失以及二元交叉熵損失、所述藥物與藥物的對比損失以及二元交叉熵損失、所述疾病與疾病的對比損失以及二元交叉熵損失進行加權，得到綜合損失；
19、根據所述綜合損失更新所述圖神經網絡的網絡參數。
20、結合第一方面的可選實施方式，所述根據所述藥物與疾病原始關聯圖的嵌入表示以及所述藥物與疾病重構關聯圖的嵌入表示，得到藥物與疾病的對比損失以及二元交叉熵損失，包括：
21、將所述藥物與疾病原始關聯圖的嵌入表示與所述藥物與疾病重構關聯圖的嵌入表示從行與列分別進行對比，得到藥物與疾病的行對比損失與藥物與疾病的列對比損失；
22、將所述藥物與疾病的行對比損失以及藥物與疾病的列對比損失進行加權，得到所述藥物與疾病的對比損失；
23、根據所述藥物與疾病原始關聯圖的嵌入表示與所述藥物與疾病重構關聯圖的嵌入表示，得到多種藥物與多種疾病之間的關聯得分；
24、根據所述多種藥物與多種疾病之間的關聯得分，得到所述藥物與疾病的二元交叉熵損失。
25、結合第一方面的可選實施方式，所述根據所述多種藥物與多種疾病之間的關聯得分，得到所述藥物與疾病的二元交叉熵損失，包括：
26、從所述多種藥物與多種疾病之間的關聯得分中確定出已知藥物疾病對的關聯得分與預測出的藥物疾病對的關聯得分；
27、根據所述已知藥物疾病對的關聯得分與所述預測出的藥物疾病對的關聯得分，得到所述藥物與疾病的二元交叉熵損失。
28、結合第一方面的可選實施方式，所述根據所述藥物與疾病原始關聯圖的嵌入表示與所述藥物與疾病重構關聯圖的嵌入表示，得到多種藥物與多種疾病之間的關聯得分，包括：
29、將所述藥物與疾病原始關聯圖的嵌入表示與所述藥物與疾病重構關聯圖的嵌入表示中相同藥物的嵌入表示進行融合，得到多種藥物的綜合嵌入表示；
30、將所述藥物與疾病原始關聯圖的嵌入表示與所述藥物與疾病重構關聯圖的嵌入表示中相同疾病的嵌入表示進行融合，得到多種疾病的綜合嵌入表示；
31、根據多種藥物的綜合嵌入表示與多種疾病的綜合嵌入表示，得到多種藥物與多種疾病之間的關聯得分。
32、第二方面，本申請還提供一種藥物與疾病關聯預測方法，所述方法包括：
33、獲取待分析的藥物與疾病原始關聯圖；
34、將待分析的藥物與疾病原始關聯圖矩陣分解重構為待分析的藥物與藥物重構關聯圖；
35、將所述待分析的藥物與藥物重構關聯圖與所述待分析的藥物與疾病原始關聯圖經所述的模型訓練方法訓練出的藥物與疾病關聯預測模型進行處理，得到藥物與疾病關聯預測信息。
36、第三方面，本申請還提供一種模型訓練裝置，所述裝置包括：
37、圖分解模塊，用于獲取藥物與疾病原始關聯圖、藥物與藥物原始關聯圖、疾病與疾病原始關聯圖；
38、所述圖分解模塊，還用于將所述藥物與疾病原始關聯圖矩陣分解重構為藥物與藥物重構關聯圖、藥物與疾病重構關聯圖以及疾病與疾病重構關聯圖；
39、模型訓練模塊，用于通過圖神經網絡對所述本文檔來自技高網...
【技術保護點】
1.一種模型訓練方法，其特征在于，所述方法包括：
2.根據權利要求1所述的模型訓練方法，其特征在于，所述將所述藥物與疾病原始關聯圖矩陣分解重構為藥物與藥物重構關聯圖、藥物與疾病重構關聯圖以及疾病與疾病重構關聯圖，包括：
3.根據權利要求1所述的模型訓練方法，其特征在于，所述通過圖神經網絡對所述藥物與疾病原始關聯圖與所述藥物與疾病重構關聯圖進行對比學習、所述藥物與藥物原始關聯圖與所述藥物與藥物重構關聯圖進行對比學習、所述疾病與疾病原始關聯圖與所述疾病與疾病重構關聯圖進行對比學習，包括：
4.根據權利要求3所述的模型訓練方法，其特征在于，所述根據所述藥物與疾病原始關聯圖的嵌入表示以及所述藥物與疾病重構關聯圖的嵌入表示，得到藥物與疾病的對比損失以及二元交叉熵損失，包括：
5.根據權利要求4所述的模型訓練方法，其特征在于，所述根據所述多種藥物與多種疾病之間的關聯得分，得到所述藥物與疾病的二元交叉熵損失，包括：
6.根據權利要求4所述的模型訓練方法，其特征在于，所述根據所述藥物與疾病原始關聯圖的嵌入表示與所述藥物與疾病重構關聯圖的
7.一種藥物與疾病關聯預測方法，其特征在于，所述方法包括：
8.一種模型訓練裝置，其特征在于，所述裝置包括：
9.一種存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，實現權利要求1-6任意一項所述的模型訓練方法或者權利要求7所述的藥物與疾病關聯預測方法。
10.一種電子設備，其特征在于，所述電子設備包括處理器以及存儲器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執(zhí)行時，實現權利要求1-6任意一項所述的模型訓練方法或者權利要求7所述的藥物與疾病關聯預測方法。
...【技術特征摘要】
1.一種模型訓練方法，其特征在于，所述方法包括：
2.根據權利要求1所述的模型訓練方法，其特征在于，所述將所述藥物與疾病原始關聯圖矩陣分解重構為藥物與藥物重構關聯圖、藥物與疾病重構關聯圖以及疾病與疾病重構關聯圖，包括：
3.根據權利要求1所述的模型訓練方法，其特征在于，所述通過圖神經網絡對所述藥物與疾病原始關聯圖與所述藥物與疾病重構關聯圖進行對比學習、所述藥物與藥物原始關聯圖與所述藥物與藥物重構關聯圖進行對比學習、所述疾病與疾病原始關聯圖與所述疾病與疾病重構關聯圖進行對比學習，包括：
4.根據權利要求3所述的模型訓練方法，其特征在于，所述根據所述藥物與疾病原始關聯圖的嵌入表示以及所述藥物與疾病重構關聯圖的嵌入表示，得到藥物與疾病的對比損失以及二元交叉熵損失，包括：
5.根據權利要求4所述的模型訓練方法，其特征在于，所述根據所述多種藥物與多種疾病...
【專利技術屬性】
技術研發(fā)人員：唐賢方，侯雅雯，孟亞潔，劉芊蕊，許俊林，田埂，楊家亮，
申請(專利權)人：元碼基因科技北京股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。