[发明专利]一种深度学习药物相互作用预测方法、装置、介质和设备

说明书

本发明提供了一种深度学习药物相互作用预测方法、装置、介质和设备；其中方法为：获取待预测的两种药物的药物分子信息；原子级网络对每个药物分子信息进行编码，捕获原子和化学键之间的相互作用信息，并输出编码后的药物分子图表示z_atom_j；分子级网络利用多头注意力机制分别从每个药物分子图表示z_atom_j提取出不同药物分子之间的关系，并输出分子图表示z_mol_j；将两种药物的输出分子图表示z_mol₁和z_mol₂转换为一个向量，进而得到药物相互作用预测结果。该方法可解决传统框架中不能充分考虑边信息的问题，可捕捉到不同药物分子之间的关系信息，从而提高预测结果的准确度。

技术领域

本发明涉及医药技术领域，更具体地说，涉及一种深度学习药物相互作用预测方法、装置、介质和设备。

背景技术

如今，多药处方已经成为一种常见现象，这也导致药物相互作用的几率增大。药物相互作用(Drug-Drug Interaction,DDI)是指病人在同时服用两种或两种以上的药物时，一种药物的药效受到另一种药物的影响而发生改变，从而导致药效减弱，或是产生毒副作用。因此，在联合用药时，如何提前预测和发现可能会出现的药物不良相互作用，从而降低潜在风险、促进安全的药物联合处方，已经成为生物信息学领域急需解决的一大难题。

随着越来越多公共数据集的建立和发展，使用基于化学和生物信息的预测模型进行DDI预测具有很大的发展潜力。DDI预测方法分为基于机器学习的方法和基于深度学习的方法。基于机器学习和深度学习的预测方法通常将DDI预测作为一个链接预测任务，来检测不同药物分子之间是否存在相互作用。

其中，基于传统机器学习的预测方法分为三类：1)基于传统分类器的方法；2)基于回归的方法；3)基于矩阵分解的方法。此外，基于深度学习的预测方法因其强大的表达能力，在DDI预测任务中也取得了很好的结果。基于深度学习的预测方法大致分为以下四类：1)基于深度神经网络的方法；2)基于图嵌入的方法；3)基于网络传播的方法；4)基于集成学习的方法。其中，基于深度神经网络的方法通常利用各种药物数据，基于深度神经网络模型构建预测框架，然后利用从模型中学习到的更具表达性的特征向量进行DDI预测。在基于图嵌入的方法中，研究者发现生物医学图数据通常可以表示为图，如异构相互作用网络和分子图。为了分析图数据，许多图嵌入方法被应用于处理生物医学任务。基于网络传播的方法通常采用基于图的算法来收集生物医学网络中的信息进行预测。基于集成学习的方法因其在管理小样本、复杂数据结构和高维方面的独特优势，在DDI预测任务中得到了越来越多的应用。

尽管上述药物相互作用预测方法已经达到了较为良好的性能，但仍然存在一些局限性：目前，在大多数基于深度学习的药物相互作用预测方法中，研究者将不同药物分子视为节点，药物分子之间是否发生相互作用视为边，构造出图网络结构，从而进行药物相互作用预测。此类方法忽略了每个药物分子内部的图结构信息，而这一信息对于药物相互作用预测任务是非常重要的。

由于每个药物分子都是由一个复杂的结构(即分子内部的图结构)表示，这使得DDI任务涉及两种类型的图：药物分子内部由原子和化学键组成的原子级图网络，以及捕获不同药物分子之间交互的分子级图网络。因此，如何充分利用两个不同的图网络输出的图表示进行DDI预测，需要进一步研究。

综上，目前基于深度学习的药物相互作用预测方法仍存在一定的改进空间，研究基于深度学习的药物相互作用预测方法具有重要的理论和应用前景。

发明内容

为克服现有技术中的缺点与不足，本发明的目的在于提供一种深度学习药物相互作用预测方法、装置、介质和设备；该方法可解决传统框架中不能充分考虑边信息的问题，可捕捉到不同药物分子之间的关系信息，从而提高预测结果的准确度。

为了达到上述目的，本发明通过下述技术方案予以实现：一种深度学习药物相互作用预测方法，包括如下步骤：