[发明专利]基于基因空间融合的矩阵分解对老药预测新适应症的方法

摘要

本发明公开了一种基于基因空间融合的矩阵分解对老药预测新适应症的方法，该方法包括收集药物和疾病的关联数据；准备基因空间的数据；从基因空间提取基因紧密度矩阵；根据基因紧密度矩阵构造联合空间；根据联合空间计算药物和疾病的特征空间；用药物和疾病的特征空间初始化矩阵分解模型；准备训练样本；对矩阵分解模型进行训练；对训练样本以外的药物‑疾病组合进行关联度预测；将样本准备、模型训练和预测过程重复多次，对所有可能的药物‑疾病组合，通过取平均值预测其关联度得分；对关联度预测得分排序，设置得分阈值筛选潜在的药物‑疾病关联关系，预测药物新的适应症。本发明的方法能够比较准确的筛选出潜在的药物‑疾病关联关系。

主权项

一种基于基因空间融合的矩阵分解对老药预测新适应症的方法，其特征在于，所述方法包括如下步骤：步骤S1：收集已知的药物‑疾病关联集，其中涉及到的药物集以表示，涉及到的疾病集以表示，Nr表示药物的数目，Ns表示疾病的数目；根据已知的药物‑疾病关联集构造药物‑疾病关联矩阵；步骤S2：获取基因空间的数据，该数据包括与已知的药物相关的药物‑基因关联集、与步骤S1中疾病相关的疾病‑基因关联集和基因关联集；步骤S3：从基因空间的数据中提取出基因紧密度矩阵；步骤S4：对基因紧密度矩阵进行特征值分解，生成一个低维度的欧式空间，使得关注基因集中的每一个基因都可以用一个低维度的特征向量表示，从而构造出联合空间，所述关注基因集包括药物‑基因关联集和疾病‑基因关联集中涉及到的所有基因；步骤S5：根据药物‑基因关联集和疾病‑基因关联集，从联合空间中计算药物和疾病的特征矩阵；步骤S6：根据药物的特征矩阵和疾病的特征矩阵建立矩阵分解模型，利用联合空间中的药物和疾病的特征向量对模型进行初始化；步骤S7：根据药物集、疾病集和药物‑疾病关联集获得训练样本；步骤S8：利用所述训练样本对所述矩阵分解模型进行训练；步骤S9：将训练后的矩阵分解模型用于对训练样本以外的药物‑疾病组合的预测；步骤S10：返回步骤S7，多次重复步骤S7、S8、S9中涉及到的处理过程，对正样本以外的所有可能的药物‑疾病组合预测其关联度，所述正样本是所述已知的药物‑疾病关联集中的样本；步骤S11：根据步骤S10预测的关联度，筛选药物‑疾病的关联关系，预测药物新的适应症。