[发明专利]一种基于超图的药物-靶标-疾病相互作用预测方法

权利要求书

1.一种基于超图的药物-靶标-疾病相互作用预测方法，其步骤包括：

1)根据药物、靶标、疾病两两之间的二元关系R，建立语义超图G；根据药物分子指纹、靶标序列、疾病表型获得药物、靶标、疾病的初始特征向量表示X^D、X^T、X^S，然后基于X^D建立药物节点的药物特征相似图、基于X^T建立靶标节点的靶标特征相似图、基于X^S建立疾病节点的疾病特征相似图；

2)在语义超图G上应用超图神经网络得到药物、靶标、疾病对应的节点表示，即药物节点表示h^D、靶标节点表示h^T和疾病节点表示h^S；分别在药物特征相似度图、靶标特征相似度图、疾病特征相似度图上应用图卷积网络得到药物、靶标、疾病对应的节点表示，即药物对应的节点表示靶标对应的节点表示和疾病对应的节点表示其中，在语义超图G上应用超图神经网络得到药物、靶标、疾病对应的节点表示的方法为：211)聚合节点的特征到超边，即对语义超图G上的一个超边ε_i，通过聚合属于该超边ε_i的节点的特征向量，建立该超边ε_i的特征向量表示其中，f_i^l表示超边ε_i在超图神经网络第l层的特征向量表示，N_i是超边ε_i关联的节点个数，是节点v_j在超图神经网络第l-1层的嵌入表示，σ是ReLU非线性激活函数，是超图神经网络中可学习的参数；212)聚合超边特征到节点，即对一个节点v_j，基于注意力机制聚合包含节点v_j的超边的嵌入表示，其中基于注意力机制的超边到节点的聚合函数公式为其中，注意力系数表示节点v_j在超图神经网络第l层的嵌入表示，M_j是节点v_j关联的超边个数，f_j^l-1是超边ε_j在超图神经网络第l-1层的嵌入表示，是可学习的度量超边重要性的权重向量，||是拼接运算符，ε_k为语义超图G上的第k个超边，为超图神经网络中的可学习参数，LeakyReLU为激活函数；

3)将步骤2)得到的节点表示进行融合，其中将h^D与融合得到药物节点表示z^D、h^T与融合得到融合后的靶标节点表示z^T、h^S与融合得到疾病节点表示z^S；

4)利用步骤3)所得每个超边对应的融合后的节点表示训练预测模型；

5)生成待预测药物a、疾病c的节点表示并将其输入到训练后的预测模型，对药物，靶标，疾病关系进行预测，得到药物a通过靶标b治疗疾病c的关系预测概率。

2.如权利要求1所述的方法，其特征在于，训练预测模型所用的损失函数为交叉熵损失函数其中，是超边ε_i的真实标签，为将超边ε_i对应的融合后的节点表示z^D、z^T、z^S输入预测模型得到的预测标签。

3.如权利要求1或2所述的方法，其特征在于，所述预测模型为带Sigmoid激活的单层前向神经网络。