集成多源信息和改进LightGCN的DDI预测方法技术

本发明专利技术涉及生物信息学技术领域，具体涉及一种集成多源信息和改进LightGCN的DDI预测方法。该方法基于药物

【技术实现步骤摘要】
集成多源信息和改进LightGCN的DDI预测方法


[0001]本专利技术涉及生物信息学
，具体涉及一种集成多源信息和改进LightGCN的DDI预测方法。

技术介绍

[0002]当同时服用两种或两种以上的药物时，可能会出现一种药物可能影响另一种药物的药理作用的情况，这种情况被称为药物
‑
药物相互作用(DDI)。近年来联合用药成为治疗复杂疾病的一种流行策略，能够提高药物疗效和治疗效果。然而，现有研究发现，药物
‑
药物相互作用也可导致意想不到的不良事件，其中一些可能对患者的身体造成不可逆的损害，甚至导致死亡。因此，对药物研究人员来说，准确识别潜在的药物相互作用变得至关重要。
[0003]传统的通过生物或药理学分析检测DDI的方法效率低、耗时长、成本高，因此需要开发更精确可靠的方法来研究DDI。基于机器学习的方法通常高效，耗时短且成本低，为DDI的预测提供了更好的选择。现有许多基于机器学习的DDI预测方法被提出，这些计算方法大致被分为三类：基于相似性的、基于网络的和基于知识的。
[0004]基于相似性的方法建立在相似药物可能与相同药物相互作用的假设之上，随着药物数据库的发展，各种药物特征数据被用于计算药物相似度，如化学数据，生物学数据，表型数据。集成了多个药物信息来源，并使用信息丰富的数据子集来提高预测性能。例如Zhang等人基于采集到的各种药物相关数据(DDI和多种药物特征)构建了多个基本分类器，然后通过集成规则对分类器模型进行集成，进行DDI预测。
[0005]基于网络的方法通过构建含各种与药物有关的生物网络，在网络中学习药物节点的嵌入表示来预测潜在的DDI，通常能够捕获药物在网络中的局部或全局拓扑信息，并利用药物节点的邻域信息来丰富药物的表示。例如Liu等人提出了一种基于多模态深度自编码器的药物表征学习方法(DDI
‑
MDAE)，从多个药物特征网络中同时学习药物的统一表示，并利用随机森林训练药物对进行DDI预测。
[0006]基于知识的方法整合多源药物特征构建生物医学知识图，通过学习图中药物节点的邻居信息和关系信息获得药物表示，通过学习知识图中不同实体之间的结构关系，以及与每个实体相关的非结构化语义关系，实现了知识融合和更高效的计算。例如Chen等人提出了一种多尺度特征融合深度学习模型MUFFIN，该模型从具有丰富生物医学信息的药物化学结构和知识图中学习药物表征，用于DDI预测。
[0007]但是现有的DDI方法，无法充分利用多源药物数据的邻域信息和关联信息，导致对药物
‑
药物互相作用的事件的预测结果不够准确。

技术实现思路

[0008]为了解决现有DDI方法对药物
‑
药物互相作用的事件的预测结果不准确的问题，本专利技术提供一种集成多源信息和改进LightGCN的DDI预测方法，所采用的技术方案具体如下：
[0009]基于药物
‑
药物互相作用和药物特征构建多源药物网络；
[0010]将每个药物以及药物关系随机初始化为预设嵌入维度的初始向量，在LightGCN中引入实体
‑
关系组合得到改进的LightGCN消息传递方程，利用改进的LightGCN消息传递方程对药物的初始向量进行更新，得到每层传播层的药物嵌入；利用线性变换对药物关系的初始向量进行更新，得到每层传播层的关系嵌入；
[0011]通过聚合操作获取药物关系的最终嵌入以及药物关系下药物对的最终嵌入，将药物关系下药物对的最终嵌入组成对应药物关系下药物对的潜在特征向量；构建基于深度神经网络的子模型，以所述潜在特征向量作为输入，进行药物
‑
药物相互作用事件的预测。
[0012]进一步的，所述多源药物网络包括：
[0013]药物
‑
药物相互作用网络和药物相似性网络，所述药物相似性网络包括基于化学子结构的药物相似性网络、基于靶标的药物相似性网络和基于酶的药物相似性网络。
[0014]进一步的，所述药物相似性网络的构建方法为：
[0015]利用Jaccard相似系数计算药物相似性得到药物
‑
药物相似性矩阵，通过假设检验将药物
‑
药物相似性矩阵转换为二进制网络，即为所述药物相似性网络。
[0016]进一步的，所述改进的LightGCN消息传递方程为：
[0017][0018]其中，表示药物关系r下药物d
i
在第l层的药物嵌入，表示药物d
i
的一组直接邻居，表示药物d
j
的一组直接邻居，表示对称归一化拉普拉斯矩阵，表示药物关系r下药物d
i
的邻居的集合，表示药物d
i
的邻居节点嵌入，表示药物d
i
的关系嵌入，表示向量的元素积。
[0019]进一步的，所述关系嵌入的获取方法为：
[0020]获取每层传播层的权重参数，以上一层传播层的关系嵌入与当前层传播层的权重参数的乘积作为当前层传播层的关系嵌入。
[0021]进一步的，所述最终嵌入的获取方法为：
[0022]通过将所有传播层的药物关系的关系嵌入进行聚合获取药物关系的最终嵌入，所有传播层的药物嵌入进行聚合获取药物关系下药物对的最终嵌入；所述聚合为将所有传播层的嵌入求均值。
[0023]进一步的，获取最终嵌入之后，本方法还包括以下步骤：
[0024]利用所述最终嵌入构建不同关系下的目标函数，进而构建多任务学习目标函数。
[0025]进一步的，所述目标函数的构建过程为：
[0026]以药物关系的最终嵌入作为对角元素构建对角矩阵，利用所述对角矩阵获取药物对的交互概率，基于所述交互概率构建加权回归损失函数，进而获取每个药物关系下的所述目标函数。
[0027]进一步的，所述多任务学习目标函数由所有目标函数求和获取。
[0028]进一步的，所述构建基于深度神经网络的子模型，包括：
[0029]以校正线性单位作为激活函数，使用交叉熵损失函数和Adam优化器训练深度神经网络的子模型；在传播层之间添加批量规范化层和dropout层。
[0030]本专利技术实施例至少具有如下有益效果：
[0031]通过集成多源药物网络信息，并引入实体
‑
关系组合获取改进后的LightGCN方法，在不同药物网络分别聚合药物节点的邻域和关系的表示学习特定于关系的药物嵌入，能够充分利用多源药物信息，在捕获药物节点的邻域的同时利用关系信息丰富药物的表示，进而对物
‑
药物相互作用事件进行准确预测。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.集成多源信息和改进LightGCN的DDI预测方法，其特征在于，该方法包括以下步骤：基于药物
‑
药物互相作用和药物特征构建多源药物网络；将每个药物以及药物关系随机初始化为预设嵌入维度的初始向量，在LightGCN中引入实体
‑
关系组合得到改进的LightGCN消息传递方程，利用改进的LightGCN消息传递方程对药物的初始向量进行更新，得到每层传播层的药物嵌入；利用线性变换对药物关系的初始向量进行更新，得到每层传播层的关系嵌入；通过聚合操作获取药物关系的最终嵌入以及药物关系下药物对的最终嵌入，将药物关系下药物对的最终嵌入组成对应药物关系下药物对的潜在特征向量；构建基于深度神经网络的子模型，以所述潜在特征向量作为输入，进行药物
‑
药物相互作用事件的预测。2.根据权利要求1所述的集成多源信息和改进LightGCN的DDI预测方法，其特征在于，所述多源药物网络包括：药物
‑
药物相互作用网络和药物相似性网络，所述药物相似性网络包括基于化学子结构的药物相似性网络、基于靶标的药物相似性网络和基于酶的药物相似性网络。3.根据权利要求2所述的集成多源信息和改进LightGCN的DDI预测方法，其特征在于，所述药物相似性网络的构建方法为：利用Jaccard相似系数计算药物相似性得到药物
‑
药物相似性矩阵，通过假设检验将药物
‑
药物相似性矩阵转换为二进制网络，即为所述药物相似性网络。4.根据权利要求1所述的集成多源信息和改进LightGCN的DDI预测方法，其特征在于，所述改进的LightGCN消息传递方程为：其中，表示药物关系r下药物d
i
在第l层的药物嵌入，表示药物d
i
的一组直接邻居，表示药物d
j
的一组直接...

【专利技术属性】
技术研发人员：阎朝坤，张钧，
申请(专利权)人：河南大学，
类型：发明
国别省市：