【技術實現步驟摘要】
本專利技術涉及機器學習以及藥物效用預測，尤其涉及一種基于圖神經網絡和多重注意力機制藥物相互作用預測方法及系統。
技術介紹
1、藥物相互作用指的是當兩種或兩種以上的藥物同時使用時，它們之間相互影響，可能導致藥效增強或減弱，甚至引發嚴重的不良反應。這種相互作用可能對患者的安全和治療效果產生重大影響。不良藥物反應是醫療實踐中常見的問題，根據世界衛生組織的統計，它是導致住院和醫療并發癥的重要原因之一。在某些情況下，藥物之間的相互作用可能導致意外的毒性反應，這種情況在使用多種藥物治療如高血壓、糖尿病或心臟病等多重疾病的老年患者中尤為常見。藥物不良作用是藥物開發過程中的一個重大風險，并可能導致已上市藥物的撤回。歷史上有多種藥物因為在上市后發現嚴重的不良反應而被迫從市場上撤回，這不僅造成了巨大的經濟損失，也影響了患者的信任。因此，開發有效的方法預測藥物相互作用，以及提前識別可能的不良藥物反應，是提高藥物安全性和有效性的關鍵。
2、在傳統的預測方法中，藥物相互作用是通過體外模擬環境或動物實驗直接進行的，其存在著實驗環境要求特殊、操作復雜、實驗周期長和高花費等缺點，所以需要設計一個高效準確的計算方法可以為生物實驗提供指導，使得預測藥物之間的相互作用更有效率。
3、例如zhao等人在《ijcai?2021》發表的csgnn在gnn中注入了混合跳躍鄰域聚合器，以捕捉藥物相互作用網絡中的高階依賴，并利用對比自監督學習任務作為正則化器，是一種藥物相互作用預測方法。wang等人2022年在《bionformatics》上提出的dee
4、盡管上述方法對藥物相互的研究是有效的，但仍存在很多不足的地方。一方面，一些方法對藥物自身子結構之間的重要程度沒有進行考慮；另一方面，一些方法在藥物對相互之間的子結構作用程度沒有進行研究。最終導致預測效果不理想。
技術實現思路
1、本專利技術目的在于提供一種基于圖神經網絡和多重注意力機制藥物相互作用預測方法及系統，以解決現有藥物相互作用的研究未考慮藥物自身子結構之間的重要程度以及藥物對相互之間的子結構作用程度，導致預測效果不理想的技術問題。
2、為實現上述目的，本專利技術提供了一種基于圖神經網絡和多重注意力機制藥物相互作用預測方法，包括以下步驟：
3、將藥物對的smiles序列轉化為圖數據，利用多層gin操作，得到藥物的嵌入矩陣；
4、通過自注意力機制編碼器(gsat)從藥物的嵌入矩陣中提取藥物對的自注意力特征矩陣，計算藥物對的余弦相似度矩陣，經過拉平操作以后獲得藥物對的自注意力特征向量；
5、通過交互注意力機制編碼器(giat)處理藥物對的嵌入矩陣，獲取具有交互注意力系數特征矩陣，分別對交互注意力系數特征矩陣進行平均池化操作后再進行標準化，再得到藥物對的交互特征向量；
6、將藥物對的自注意力特征向量和交互特征向量進行拼接操作，輸入多層感知機預測藥物對之間的相互作用。
7、作為本專利技術的方法的進一步改進：
8、優選地，在利用多層gin操作之前，先將使用linear線性層將藥物的節點維度轉化為60。
9、優選地，多層gin操作，包括：使用gin聚合藥物原子的鄰居節點的信息通過多層gin，得到藥物對的嵌入矩陣計算方式為：
10、gnn聚合鄰居節點特征方式為：
11、
12、gin具體計算方法如下，第l+1層聚合l層特征方式為：
13、
14、gin更新特征方式的公式如下：
15、
16、fc(k)(h)＝hw(k)+b(k)
17、其中，為節點ν在第l+1層的更新后的隱藏狀態；為一個函數，它接受當前的隱藏狀態和聚合的消息；為節點?ν在第?l?層的隱藏狀態；為一個函數，它聚合來自鄰域的消息；為節點ν的鄰居集合；表示由節點ν和鄰居節點u在第l層的隱藏狀態組成的一對；表示對輸入?h應用多層感知機（mlp）；表示mlp中的各層激活函數；表示全連接層（fully?connected?layer）對輸入?h?在第?k?層的計算結果；h表示輸入向量；表示第?k層的權重矩陣；第k層的偏置向量。
18、優選地，通過自注意力機制編碼器從藥物的嵌入矩陣中提取藥物對的自注意力特征矩陣，包括：獲得單個藥物的鍵和值，利用transformer的方法計算藥物自身子結構之間的自注意力得分，藥物對的嵌入矩陣獲得自注意力特征矩陣：
19、針對單個藥物，首先使用wk和wv對輸入進行變換，得到鍵(k)和值(v)矩陣，使用to_dense_batch函數處理鍵和值，將其轉換成稠密批處理格式，并生成掩碼以處理不同批次的尺寸不一，其處理方式為：
20、q＝q0wq,k＝k0wk,v＝v0wv
21、計算注意力分數，使用查詢(q)和鍵(k)的點積，使用softmax函數調整分數，計算方式為：
22、
23、將得到的注意力系數矩陣a乘以原來的特征矩陣x，獲得自注意力特征矩陣；
24、使用relu函數進行非線性變換，其計算過程如下：
25、o＝relu((q+av)w0)
26、其中，q、k、v分別表示查詢、鍵和值；d表示嵌入維度；函數relu()表示校正的線性單元激活函數；wq、wk、wv和w0表示可學習的權值。
27、優選地，計算藥物對的余弦相似度矩陣，經過拉平操作以后獲得藥物對的自注意力特征向量，計算公式如下：
28、
29、h1＝flatten(sij)
30、其中，當藥物對的特征嵌入矩陣分別為x1和x2時，對于特征嵌入矩陣x1和x2，其中是藥物1的第i個的代表向量，是藥物2的第j個代表向量，h1為藥物對的自注意力特征向量，sij為藥物對的余弦相似度矩陣。
31、優選地，通過交互注意力機制編碼器處理藥物對的嵌入矩陣，獲取具有交互注意力系數特征矩陣，包括：
32、獲得兩個藥物矩陣的鍵和值，計算一個藥物與另一個藥物子結構之間的交互注意力得分，乘以藥物原來的特征矩陣x，獲得交互注意力系數特征矩陣：
33、藥物對的特征嵌入矩陣x1和x2通過不同的權重矩陣wk和wv被轉換為鍵(k)和值(v)向量，計算公式為：
34、k1＝wk(x1),v1＝wv(x1)
35、k2＝wk(x2),v2＝wv(x2)
36、使用t本文檔來自技高網...
【技術保護點】
1.一種基于圖神經網絡和多重注意力機制藥物相互作用預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的預測方法，其特征在于，在利用多層GIN操作之前，先將使用Linear線性層將藥物的節點維度轉化為60。
3.根據權利要求1或2所述的預測方法，其特征在于，所述多層GIN操作，包括：使用GIN聚合藥物原子的鄰居節點的信息通過多層GIN，得到藥物對的嵌入矩陣計算方式為：
4.根據權利要求3所述的預測方法，其特征在于，所述通過自注意力機制編碼器從藥物的嵌入矩陣中提取藥物對的自注意力特征矩陣，包括：獲得單個藥物的鍵和值，利用Transformer的方法計算藥物自身子結構之間的自注意力得分，乘以藥物對的嵌入矩陣獲得自注意力特征矩陣：
5.根據權利要求4所述的預測方法，其特征在于，計算藥物對的余弦相似度矩陣，經過拉平操作以后獲得藥物對的自注意力特征向量，計算公式如下：
6.根據權利要求5所述的預測方法，其特征在于，通過交互注意力機制編碼器處理藥物對的嵌入矩陣，獲取具有交互注意力系數特征矩陣，包括：
7.根據權利
8.根據權利要求7至所述的預測方法，其特征在于，將藥物對的自注意力特征向量和交互特征向量進行拼接操作，輸入多層感知機預測藥物對之間的相互作用，計算方式如下：
9.根據權利要求8至所述的預測方法，其特征在于，所述多層感知機使用交叉熵損失函數作為模型的損失函數：
10.一種基于圖神經網絡和多重注意力機制藥物相互作用預測系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于圖神經網絡和多重注意力機制藥物相互作用預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的預測方法，其特征在于，在利用多層gin操作之前，先將使用linear線性層將藥物的節點維度轉化為60。
3.根據權利要求1或2所述的預測方法，其特征在于，所述多層gin操作，包括：使用gin聚合藥物原子的鄰居節點的信息通過多層gin，得到藥物對的嵌入矩陣計算方式為：
4.根據權利要求3所述的預測方法，其特征在于，所述通過自注意力機制編碼器從藥物的嵌入矩陣中提取藥物對的自注意力特征矩陣，包括：獲得單個藥物的鍵和值，利用transformer的方法計算藥物自身子結構之間的自注意力得分，乘以藥物對的嵌入矩陣獲得自注意力特征矩陣：
5.根據權利要求4所述的預測方法，其特征在于，計算藥物對的余...
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。