[发明专利]一种基于药物分类图神经网络的药物重定位方法及系统

说明书

本发明公开了一种基于药物分类图神经网络的药物重定位方法及系统，属于药物重定位技术领域，所述方法为：分别构建药物属性异构边网络Gsubgt;1/subgt;和疾病属性网络Gsubgt;2/subgt;；分别对药物属性边异构网络Gsubgt;1/subgt;和疾病属性网络Gsubgt;2/subgt;进行特征提取，对应得到药物属性矩阵A和疾病属性矩阵B；构建药物疾病关联网络Gsubgt;3/subgt;；得到药物嵌入矩阵U和疾病嵌入矩阵V；基于药物嵌入矩阵U和疾病嵌入矩阵V，训练边置信MLP网络，得到训练好的MLP网络，并使用训练好的MLP网络对药物重定位；本发明分阶段建立药物属性网络、疾病属性网络和药物疾病关联异构网络，充分提取药物属性特征、疾病属性特征以及药物疾病关联的空间拓扑特征，有效提高了药物重定位准确度。

技术领域

本发明属于药物重定位技术领域，尤其涉及一种基于药物分类图神经网络的药物重定位方法及系统。

背景技术

药物发现可帮助研究人员找到治疗疾病的药物，然而药物发现的过程风险高且十分复杂。尽管如今药物研发策略和技术在逐步改进，最终成功上市的新药仍然很少。药物重定位方法成为药物研发的一种有效策略，药物重定位可发现已经获批上市药物的新适应症或者新用途，从而解决药物研发高风险与低效益比的问题。

大规模的生物医学数据集的出现为药物重新定位提供了数据基础。目前的药物重定位方法可以分为两种：一类是基于机器学习的算法，多数为矩阵分解算法，通过数学推导，按照一定算法流程将药物疾病关联矩阵分解为药物映射矩阵和疾病映射矩阵，再利用分解后的映射矩阵重构关联矩阵，以达到药物重定位的目的；另一类是基于深度学习的算法，自动从多源异构网络中学习特征，并且近几年随着图卷积模型的提出，拓扑图与药物重定位网络有着天然的适配性，越来越多的研究者开始结合深度图卷积模型进行药物重定位研究；现有技术使用随机游走方法，提取关联矩阵的概率共现矩阵从而获得PPMI数据集，利用计算所得的多源数据集对图卷积编码器模型进行训练，获得药物信息的低维嵌入表示，并输入变分自编码器进行参数训练，将训练好的模型结合已知的药物疾病关联矩阵做最终的药物重定位预测；也有研究利用药物疾病关联以及额外辅助信息提取药物与疾病的隐特征，根据隐特征生成药物偏好向量，结合记忆力网络生成邻域贡献表示，最后利用非线性函数集成药物隐特征、疾病隐特征和邻域贡献表示以生成预测值进行药物重定位预测。

但现有的药物重定位方法仍存在以下问题：

(1)、采用基于随机游走的方式获取特征属性，难以捕获全局特征；

(2)、采用邻域信息表示难以捕获更高阶的拓扑结构特征，不能高效处理复杂药物重定位网络的复杂结构；

(3)、多源异构网络的边和点均异构，网络蕴含的信息过多，难以同时差异化处理边和点都异构的网络，无法捕获真正有效的特征属性。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于药物分类图神经网络的药物重定位方法及系统分阶段建立药物属性网络、疾病属性网络和药物疾病关联异构网络，充分提取药物属性特征、疾病属性特征以及药物疾病关联的空间拓扑特征，提高药物重定位准确度，解决了上述现有技术存在的问题。

为了达到上述发明目的，本发明采用的技术方案为：

本发明提供一种基于药物分类图神经网络的药物重定位方法，包括如下步骤：

S1、获取药物相似性数据和疾病相似性数据，并分别构建药物属性异构边网络G₁和疾病属性网络G₂；

S2、分别对药物属性边异构网络G₁和疾病属性网络G₂进行特征提取，对应得到药物属性矩阵A和疾病属性矩阵B；

S3、根据药物属性矩阵A和疾病属性矩阵B，构建药物疾病关联网络G₃；