[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

说明书

本发明提供一种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。该方法中对药物关联图使用符号图卷积网络层进行训练后，将含有全局信息的结点特征通过全连接层的变换，分别融合到每一个药物的药物分子图中，再对融合了全局特征的药物分子图使用图注意力网络层进行训练并进行池化操作，获取药物的融合特征，实现了全局信息和局部信息的交流融合，针对这些融合特征，采取计算余弦相似度的方式进行解码，将预测值与真实值对比并计算误差，通过反向传播，不断迭代，得到用于预测药物对的药物连接图分数的药物连接图分数预测网络。通过本发明能够快速准确地预测出药物对的连接图分数，帮助筛选候选药物，能够降低时间和资金成本。

技术领域

本发明涉及生物信息学技术领域，尤其涉及一种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。

背景技术

药物性质的研究是现代医学最重要的挑战之一，发现新药物以及现有药物的新特性一直是药理学领域的热点问题。然而，由于化合物非常复杂，药物研究通常需要消耗大量时间和金钱。

当研究人员试图寻找具有某种生物活性的新化合物时，首先使用高通量筛选技术(HTS)，由于HTS使用暴力穷举方法在庞大的搜索空间中筛选大量候选化合物，这一步骤非常耗时且成本高昂。下一步是优化候选化合物以获得所需的生物活性。大多数时候，候选化合物的潜在作用机制(MOA)是未知的。研究人员通常使用计算机辅助药物设计(CADD)方法进行药物研发，以改进HTS步骤并预测候选化合物的MOA。利用化合物的相似性寻找可能的新药一直是新药设计的重要方法。根据已知药物的性质推断其他类似化合物的性质，有助于筛选可能有效的候选药物，缩小候选化合物的搜索空间，从而大大提高药物设计效率，降低成本。

目前计算机辅助设计中常用的策略有基于配体的药物发现方法和基于结构的药物发现方法。它们的核心思想是化合物之间的某种相似性(结构或靶蛋白等)对应于功能或特性的相似性。

药物连接图分数(Connectivity Map score)是一种基于连通图(CMap)概念的方法产生的衡量两个药物的转录相似性的分数值。这种方法认为经过药物治疗后，细胞的基因表达发生了变化，因此细胞中的基因表达特征也可以用来衡量不同药物是否能诱导相似的药理反应。CMap概念是一种新的数据驱动的药物表达范式。药物之间的药物连接图分数表达了一对药物的功能相似性，与其他两种策略相比，药物连接图分数能够发现结构不太相似但是功能相似的候选药物，因此对于新药物的发现和候补药物的筛选有着重要的意义。

目前，获取药物之间的连接图分数的方法是实验分析上调和下调差异表达基因列表，然后利用CMap将差异基因列表与数据库参考数据集比对，最后计算得到相关性分数。传统方法需要进行实验分析，耗费时间和资金，效率也相对较低。

发明内容

本发明的主要目的在于提供一种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，旨在解决现有技术中获取药物之间的连接图分数的方法需要进行实验分析，耗费时间和资金以及效率低的技术问题。

第一方面，本发明提供一种基于双图卷积融合模型的药物连接图分数预测方法，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；