[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

说明书

本发明公开了一种基于超图的药物‑靶标‑疾病相互作用预测方法。本方法为：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、疾病表型建立药物节点、靶标节点、疾病节点的特征相似图；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；分别在药物、靶标、疾病的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；3)将步骤2)得到的节点表示进行融合；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进行预测，得到药物a通过靶标b治疗疾病c的预测概率。

技术领域

本发明属于计算机生物信息网络嵌入及深度学习技术领域，涉及一种基于超图神经网络的药物-靶标-疾病相互作用关系的预测方法。

背景技术

对药物-靶点-疾病相互作用行为的建模在药物发现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。在人类的代谢系统中，许多药物与细胞中的蛋白质靶点相互作用，调节靶点活动，从而改变生物途径，促进健康功能和治疗疾病。因此，利用关联紧密的药物、靶点、疾病的三重关系，可以更好地理解药物的作用机制。

近年来，互联网上数据的增长和深度学习模型的不断发展，为探索药物、靶点、疾病之间更全面的关系提供了数据支撑，也为计算机辅助药物发现提供了强大推力。在深度学习模型中，图神经网络模型逐渐被应用在各个领域，取得了重要的研究成果，也为图神经网络在生物信息学领域的应用奠定了基础。但现有方法大都利用传统的图结构(Graph)，即将单个数据点映射到节点，将两个点之间的连接或关联映射到边，然而，在实际的应用中，这种成对的连接并不足以描述完整的数据关系，即，这种建模方式将药物-疾病和药物-靶标预测作为两个独立的任务，侧重两两之间的关系，忽略了三种实体之间可能同时发挥作用的依赖关系，在表示药物、靶点、疾病之间复杂的数据关系方面存在局限性。

发明内容

针对现有技术中存在的技术问题，本发明的目的在于提供一种基于超图的药物-靶标-疾病相互作用预测方法。本发明借助同类型医药信息实体之间的相似度，可以同时学习药物-靶标-疾病之间的高阶语义信息和特征相似度信息，自动学习药物、靶标、疾病的低维有效表示，完成对药物-靶标-疾病相互作用预测任务。

本发明的技术方案为：

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

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与融合得到靶标节点表示z^T、h^S与融合得到疾病节点表示z^S；

4)将步骤3)所得融合后的节点表示输入到预测层，对训练数据集中样本进行预测，通过最小化损失函数训练整个模型；