[发明专利]一种结合非临床数据的药物不良反应预测方法和系统

说明书

本发明涉及一种结合非临床数据的药物不良反应预测方法和系统，属于药物不良反应预测技术领域，解决了现有技术中未利用非临床数据、预测准确性和效率低的问题。方法包括以下步骤：获取药物的非临床数据以及药物与不良反应关系数据，基于药物的非临床数据以及药物与不良反应的关系数据构建训练样本数据；构建结合深度药物表示和浅层协同过滤的联合训练网络模型，基于所述训练样本数据训练所述联合训练网络模型得到训练好的药物与不良反应关系预测模型；获取待预测药物的非临床数据，基于待预测药物的非临床数据和所述药物与不良反应关系预测网络得到待预测药物与不良反应的关系。提高了药物不良反应预测的准确性和预测效率。

技术领域

本发明涉及药物不良反应预测技术领域，尤其涉及一种结合非临床数据的药物不良反应预测方法和系统。

背景技术

药物不良反应是指由药物引起的有害效应，这些效应对患者的正常治疗具有负面影响。迄今为止，已经报道了数千种不良反应(Adverse Drug Reaction，ADR)，其中许多导致了严重的不良后果。及时和有效地预警ADR可以帮助调整和指导药物生产，减少副作用。因此，在医疗保健和药物发现方面，准确预测ADR对于减少患者死亡和提高药物安全性至关重要。

许多以往的方法基于关联规则挖掘和统计显著性检验，以确定药物-ADR关联的重要性，但在预测任务上表现受限。一类替代的基于深度学习的方法采用药物监测网络、集成方法和深度神经模型，已经为特定的不良反应实现了良好的预测性能。然而，由于药物可能同时引起多种ADR，直接使用单标签预测方法会导致预测性能低下且耗时较长。多标签预测仍然存在巨大的挑战，例如数据稀疏性和信息可用性。

协同过滤方法可以高效、准确地预测药物和多种ADR之间的关系。其基本动机是在临床数据中，具有相似相互作用的药物往往具有相似的ADR。例如，矩阵分解和神经矩阵分解首先为每个药物和ADR学习潜在嵌入，然后执行药物-ADR预测。然而，与用户和物品具有对称性的推荐系统不同，药物和ADR的数据通常包含非临床药物特征和记录的临床药物-ADR相互作用，而ADR特征（例如咳嗽和发热）几乎无法获取和处理。因此，那些基于潜在嵌入的协同过滤方法忽略了这些可用的非临床数据（例如药物描述符），这些数据可以显著提高预测性能。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种结合非临床数据的药物不良反应预测方法和系统，用以解决现有预测方法未利用非临床数据、预测准确性和效率低的问题。

一方面，本发明实施例提供了一种结合非临床数据的药物不良反应预测方法，包括以下步骤：

获取药物的非临床数据以及药物与不良反应关系数据，基于药物的非临床数据以及药物与不良反应的关系数据构建训练样本数据；

构建结合深度药物表示和浅层协同过滤的联合训练网络模型，基于所述训练样本数据训练所述联合训练网络模型得到训练好的药物与不良反应关系预测模型；

获取待预测药物的非临床数据，基于待预测药物的非临床数据和所述药物与不良反应关系预测网络得到待预测药物与不良反应的关系。

基于上述技术方案的进一步改进，所述联合训练网络模型包括：

深度药物表示模块，用于基于药物的非临床数据提取药物的药物表示；

浅层潜在协同过滤模块，用于分别学习药物和不良反应的潜在向量，基于药物和不良反应的潜在向量提取药物和不良反应的协同过滤向量；

药物协同过滤模块，用于融合药物的药物表示和不良反应的潜在向量得到药物协同过滤向量；

预测模块，用于基于药物表示、协同过滤向量和药物协同过滤向量进行药物与不良反应关系预测。

基于上述技术方案的进一步改进，浅层潜在协同过滤模块将药物的潜在向量和不良反应的潜在向量拼接，将拼接后的向量输入前馈神将网络中提取协同过滤向量。