[发明专利]一种基于多任务学习的异质图卷积网络的药物重定位模型

权利要求书

1.一种基于多任务学习的异质图卷积网络的药物重定位模型，其特征在于，包括以下模块：

输入模块：通过结合药物、miRNA、蛋白质和疾病之间的复杂关联来构建异质信息网络(HIN)；

图表示学习模块：通过堆叠带有残差连接和层级注意力机制的图卷积网络层来学习HIN中节点的表示；

多任务预测模块：利用四个预测任务，包括两个与药物相关的预测任务，即药物-miRNA关联预测，药物-蛋白质关联预测；两个与疾病相关的预测任务，即miRNA-疾病关联预测，蛋白质-疾病关联预测，来作为辅助任务，设置药物-疾病关联预测为目标任务。即通过辅助任务来帮助学习高质量的药物和疾病的表示。

2.如权利要求1所述的一种基于多任务学习的异质图卷积网络的药物重定位模型，其特征在于，构建异构信息网络：结合药物、疾病相关的多源数据集，构建一个异质信息网络G＝(V，E)。

V表示节点的集合：分别包括药物集V_d，miRNA集V_m，蛋白质集V_p，疾病集V_e，即V＝{V_d，V_m，V_p，V_e}，药物，miRNA，蛋白质，疾病的数量分别是n_d，n_m，n_p，n_e；

E表示节点之间关联，HIN中包含九种类型的边集E，边集E中由以下关联组成：药物-疾病关联药物-miRNA关联药物-蛋白质关联miRNA-疾病关联蛋白质-疾病关联药物-药物相互作用miRNA-miRNA相似性蛋白质-蛋白质相互作用以及疾病-疾病相似性使用独热编码表示异质图HIN的初始特征，如下：

其中，分别是药物、miRNA、蛋白质、疾病的初始特征，S^d、S^m、S^p、S^e分别表示n_d、n_m、n_p、n_e阶单位矩阵，通过初始化HIN的特征并利用图表示学习模块来捕获复杂的语义关联，以获得更好的药物和疾病的表示。