[发明专利]一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法

说明书

本发明涉及一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法，该方法具体过程是：对于药物和疾病各自不同视角下的多种相似性矩阵，分别利用相似性网络融合算法合并为唯一的药物相似性矩阵及唯一的疾病相似性矩阵，采用基于贝叶斯框架的归纳型矩阵补全算法来更新药物和疾病的投影矩阵，经过迭代更新后，利用药物和疾病的邻域信息来对新药物或新疾病的隐变量进行光滑化。根据本发明实施例的药物重定位预测，该方法能提高药物重定位预测的精确度，并且药物候选适应症的排序可以用来指导进一步的生物医学实验。

技术领域

本发明涉及医学信息技术领域，特别是一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法。

背景技术

新药物的发现是一个危险、费力和昂贵的过程。虽然药物开发的投资在增加，但每年批准的药物数量仍然很低。近几十年来，大约30％的新药失效是由于临床试验中发现的安全问题造成的。药物重定位是指重新发现现有药物的新适应症。由于重定位的药物在临床试验中已经通过了安全性测试，这些去风险的化合物可以促进药物发现过程，降低总体开发成本，缩短开发时间。虽然最成功的药物重定位的例子是通过偶然或理性的观察获得的，但是基于计算的药物重定位预测方法可以促进药物重定位的发展，因为，现有药物的候选适应症的排序可以用来指导耗时和昂贵的湿实验。

迄今为止，人们已经提出许多药物重定位预测方法，这些方法大致分为三类。第一类包括利用已知的药物疾病关联、药物特征和疾病特征并基于机器学习的方法。Gottlieb等人(2011)使用结合分子结构、分子活性和疾病语义数据的逻辑回归分类器预测药物的新适应症。Yang和Agarwal(2011)建立了朴素贝叶斯模型，以临床副作用为特征预测145种疾病的适应症。Wang等(2013)利用药物结构、药物靶蛋白和副作用为特征，通过训练支持向量机(SVM)模型来预测药物重定位。Oh等(2014)使用随机森林、多层感知器和C4.5等分类器，从整合的遗传网络的拓扑结构中选择特征来预测药物疾病关联。

随着各种生物数据的产生，建立了多种异构网络，第二类方法指基于网络的方法，这些方法试图识别缺失的药物疾病关联及其在异构网络上的信赖度。Wang等(2014)提出TL_HGBI模型来同时预测药物疾病关联和药物靶点，他们建立了一个由药物、疾病和靶点信息组成的异构网络模型，并使用迭代算法进行药物重定位计算，该算法在三层图中进行信息传播。等(2015)开发了DrugNet，一种基于网络的优先排序方法，它同时整合疾病、药物和靶点的信息，可以为药物查询候选适应症列表，反之亦然。Luo等(2016)提出了一种用于药物重定位的MBiRW方法，该方法在药物疾病异构网络上应用了综合相似性度量和双随机游走算法。

第三类是基于矩阵补全的方法，目的是找到最低秩或秩r矩阵使得其匹配已知的药物疾病关联。Luo等(2018)构建了一个大型的药物疾病邻接矩阵，包括药物对、疾病对、已知药物疾病关联和未知药物疾病关联，并采用奇异值阈值(SVT)算法进行药物重定位计算。基于相同的数据集，Cui等(2019)应用协同矩阵分解并结合L2，1范数和高斯相互作用谱核来预测药物疾病相关性。Liang等(2017)利用稀疏子空间学习并结合药物结构特征、药物靶蛋白和副作用来预测药物与疾病的关系。基于相同的数据集，Xuan等(2019)提出了一种基于非负矩阵分解的方法来识别药物的候选治疗适应症。Zhang等(2018)提出了一种利用已知的药物疾病关联、药物特征和疾病语义信息进行药物疾病关联性预测的相似约束矩阵分解方法。

然而，大多数现有的算法不能有效整合各种异源数据，没有有效利用药物和疾病特征空间的投影矩阵，没有充分利用药物或疾病的局部邻域结构，因此预测准确度仍有待提高。

发明内容

本发明的目的在于提供一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法，该方法能提高药物重定位预测的精确度，并且药物候选适应症的排序可以用来指导进一步的生物医学实验。

为实现上述目的，本发明的技术方案是：一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法，包括以下步骤：