[发明专利]基于双图卷积融合模型的药物连接图分数预测方法及装置

权利要求书

1.一种基于双图卷积融合模型的药物连接图分数预测方法，其特征在于，所述基于双图卷积融合模型的药物连接图分数预测方法包括：

构建训练网络，训练网络由编码器和解码器构成，编码器由符号图卷积网络层、特征融合层以及图注意力网络层构成；

获取药物数据集，所述药物数据集包括每个药物的简化分子线性输入规范、ECFP4特征以及每对药物的连接图分数；

将数据集分为训练集以及测试集，通过训练集构建药物关联图和药物分子图；

通过符号图卷积网络层对药物关联图进行特征提取，通过特征融合层将从药物关联图中提取出来的特征融合到对应药物的药物分子图中，通过图注意力网络层对融合特征后的每个药物分子图进行特征提取，得到每个药物的高维特征；

基于每个药物的高维特征，通过解码器计算每对药物的高维特征的余弦相似度；

计算每对药物对应的余弦相似度与连接图分数的均方误差，以均方误差为损失值更新训练网络的参数，并返回所述通过符号图卷积网络层对药物关联图进行特征提取的步骤，直至满足结束条件时，以最新的训练网络为药物连接图分数预测网络；

通过测试集对药物连接图分数预测网络进行测试，测试通过后，通过药物连接图分数预测网络对待预测药物对的药物连接图分数进行预测。

2.如权利要求1所述的基于双图卷积融合模型的药物连接图分数预测方法，其特征在于，药物关联图以药物作为结点，不同药物间的连接图分数作为边的权重，药物关联图以二维邻接矩阵的形式构建和保存，矩阵的行和列表示对应的药物，矩阵元素值表示经过预处理后的两个药物的连接图分数，药物关联图中每个药物结点的初始特征是药物的ECFP4特征；药物分子图通过RDKit工具包转换而来，药物分子图以构成药物的原子为结点，原子间的连接为边，药物分子图以二维邻接矩阵的形式构建和存储，矩阵的行和列表示原子，矩阵的值表示两个原子间是否存在连接，每个结点的特征是78位向量编码，其中11位表示原子的类型，11位表示原子结点的度，11位表示在化合物中该原子与氢原子的连接的总数，11位表示与原子相连的隐藏氢原子数量，剩下1位表示原子是否在芳环上。

3.如权利要求2所述的基于双图卷积融合模型的药物连接图分数预测方法，其特征在于，所述通过符号图卷积网络层对药物关联图进行特征提取的步骤包括：

通过符号图卷积网络层计算药物关联图中每个结点的平衡集和非平衡集，计算每个结点的平衡集的特征和非平衡集的特征，将每个结点对应的两种特征拼接融合，得到每个结点的全局特征。

4.如权利要求3所述的基于双图卷积融合模型的药物连接图分数预测方法，其特征在于，所述通过特征融合层将从药物关联图中提取出来的特征融合到对应药物的药物分子图中的步骤包括：

特征融合层中的一层全连接层对每个结点的全局特征进行如下变换：

H_i＝Wh_i

其中W∈R^in×out是可学习的权重矩阵，根据权重矩阵维度调整全局特征h_i的维度；

通过融合公式，将经过维度调整的全局特征与对应药物的药物分子图中每个结点的特征向量相加，融合公式为：

其中，M_i表示药物分子图中所有结点特征构成的特征矩阵，H_i是经过维度调整后与药物分子图的特征等长的全局特征。

5.如权利要求4所述的基于双图卷积融合模型的药物连接图分数预测方法，其特征在于，所述通过图注意力网络层对融合特征后的每个药物分子图进行特征提取，得到每个药物的高维特征的步骤包括：

通过图注意力网络层对每个药物经过融合特征后的分子图进行特征提取，得到每个药物的新的分子图特征矩阵，使用全局池化层，对每个药物的新的分子图特征矩阵进行池化操作，得到每个药物的高维特征，高维特征融合了药物关联图结构信息和药物自身的分子图结构信息。