[发明专利]一种药物重用预测方法、装置、存储介质及计算机设备

说明书

本发明涉及数字医疗领域，提供了一种药物重用预测方法、装置、存储介质及计算机设备，其中，该方法包括：收集单模态数据和多模态关联关系数据，使用GCN图神经网络技术基于单模态数据和多模态关联关系数据构建二模态分图，基于二模态分图利用GAT图注意力网络技术完成针对所有单模态数据的特征数据更新，并对更新后的药物数据和疾病数据进行关联关系重建，得到用于表征目标药物针对目标疾病的治疗情况的目标药物‑疾病关联关系数据。通过本发明，实现对多个生物实体的节点关系进行关联处理，得到药物特征与疾病特征的关系预测，大大提高了药物重用预测的智能性和准确性。

技术领域

本发明涉及数字医疗技术领域，特别是一种药物重用预测方法、装置、存储介质及计算机设备。

背景技术

医药产业既是世界贸易增长最快的朝阳产业之一，也是一个与国民经济和民生有关的基础和战略性产业。针对药物和疾病相互作用行为在药物发现、重用的早期阶段是至关重要的，并为精准医疗和个性化治疗带来巨大希望。

人工智能技术在医疗健康领域中最早应用于医药研发，在健康管理、辅助诊疗、药物挖掘、药品调配甚至临床合理用药等诸多方面，都已经实现了人工智能技术的广泛应用和发展。人工智能有望进一步为医药行业发展中的一些挑战性问题与发展难点提供切实可行的解决方案。而医药行业数据量极其庞大，若将这些数据用于人工智能算法模型训练，然后用于医药研发的流程之中，能够有效加快研发速度，降低研发成本，提高研发成功率。

目前现有的药物重用的发现方法可归纳为两类：第一类是基于相似度计算，通过假设类似药物适用于类似疾病，而没有获取药物相关的网络结构信息；第二类是基于药物相关多领域的网络结构信息，忽略了领域特定特征，将不同领域特征数据投影到同一向量空间，但仅将多种信息处理成单个整图，忽略了不同领域的专属特征。显然，现有技术缺乏在无监督的情况下预测疾病与药物之间新的作用关系。

发明内容

鉴于上述问题，本发明提出了一种药物重用预测方法、装置、存储介质及计算机设备。通过在药物重用的过程中结合人工智能技术，引入多分图概念，同时融合并充分提取蛋白、药物、疾病、代谢物与基因的网络图谱特征，对药物和疾病的节点特征进行更新，最终实现对药物和疾病相互作用的预测。

依据本发明第一方面，提供了一种药物重用预测方法，包括：

收集单模态数据和多模态关联关系数据；所述单模态数据为用于表征一类生物实体的特征数据，包括蛋白数据、药物数据、疾病数据、代谢物数据及基因数据；所述多模态关联关系数据为用于表征不同类生物实体之间关系的特征数据；

使用GCN图神经网络技术基于所述单模态数据和所述多模态关联关系数据构建二模态分图；所述二模态分图用于表征两类所述单模态数据之间的关联关系；

基于所述二模态分图利用GAT图注意力网络技术完成针对所有单模态数据的特征数据更新；

对更新后的药物数据和疾病数据进行关联关系重建，得到用于表征目标药物针对目标疾病的治疗情况的目标药物-疾病关联关系数据。

可选地，所述多模态关联关系数据包括药物-疾病关联关系数据、药物-蛋白关联关系数据、疾病-蛋白关联关系数据、基因-蛋白关联关系数据、代谢物-基因关联关系数据、代谢物-药物关联关系数据、代谢物-疾病关联关系数据中至少之一。

可选地，所述使用GCN图神经网络技术基于所述单模态数据和所述多模态关联关系数据构建二模态分图，包括：

分别使用GCN图神经网络技术基于所述多种单模态数据构建多个单模态分图；其中，所述单模态分图由第一节点和第一节点之间的第一连接关系构成，所述第一节点用于表示单模态数据中的特征数据，所述第一连接关系用于表示单模态数据中的特征数据之间的关联关系；所述单模态分图包括蛋白分图、药物分图、疾病分图、代谢物分图、基因分图中至少之一；