一种药物关联性的预测方法、装置、终端设备及介质制造方法及图纸

本申请适用于生物信息技术领域，提供了一种药物关联性的预测方法、装置、终端设备及介质，根据由lncRNA和药物构成的关联对，构建二分图，并初始化二者的向量表示；利用神经网络模型对向量表示进行邻居节点聚合，得到lncRNA和药物的初始特征向量；构建本地结构邻居和全局语义邻居，并根据初始特征向量，构建第一对比学习损失和第二对比学习损失；根据上述对比学习损失，结合BPR损失函数，对初始特征向量进行更新，得到lncRNA和药物的中间特征向量；若中间特征向量满足更新终止条件，则利用其构建关联性预测模型，预测lncRNA与药物的关联性。本申请能够提高lncRNA与药物关联性的预测的准确性。准确性。准确性。

【技术实现步骤摘要】
一种药物关联性的预测方法、装置、终端设备及介质


[0001]本申请属于生物信息
，尤其涉及一种药物关联性的预测方法、装置、终端设备及介质。

技术介绍

[0002]近年来，越来越多的证据表明，ncRNA(非编码RNA，一种功能性RNA分子)可以通过调节与药物敏感性相关的基因来影响药物效率，例如诱导替代信号通路。长链非编码RNA(lncRNA，一种ncRNA)是长度超过200个核苷酸的RNA分子。lncRNA在表观遗传调控、细胞周期调控、细胞分化、转录和转录后调控以及基因组剪接等许多生物过程中发挥着关键作用。
[0003]大量相关研究表明，lncRNA通过生物体内一系列生物分子的共同作用来调控人类疾病。它们的突变和功能障碍与神经系统疾病、血液病、心血管疾病和各种癌症等人类疾病密切相关。随着测序技术的发展，越来越多的lncRNA分子在灵敏度和深度上被检测和分析，尤其是它们在药物敏感性中的作用。研究表明，lncRNA可以调节药物敏感性相关基因，诱导替代信号通路并进一步影响药物疗效。例如，lncRNANORAD(由DNA损伤激活的非编码RNA)通过靶向miR
‑
410
‑
3p抑制骨肉瘤HOS(人骨肉瘤细胞)/DDP(人肺腺癌细胞)的增殖并增加它们对顺铂的敏感性。胆囊癌化疗通过关键调节因子lncRNA1(GBCDRlnc1)诱导胆囊癌细胞敏感性，所以鉴定lncRNA和药物敏感性关联对药物开发具有重要意义。然而，基于传统的生物实验的方法往往需要耗费大量的时间和人力，并且具有很大的盲目性，导致lncRNA和药物关联性的预测不准确。

技术实现思路

[0004]本申请实施例提供了一种药物关联性的预测方法、装置、终端设备及介质，可以解决目前lncRNA与药物关联性的预测不准确的问题。
[0005]第一方面，本申请实施例提供了一种药物关联性的预测方法，包括：
[0006]步骤1，根据预先获取的由待测lncRNA和目标药物构成的关联对，构建关联二分图，并分别随机初始化待测lncRNA的向量表示和目标药物的向量表示；
[0007]步骤2，在关联二分图上运行神经网络模型，分别对待测lncRNA的向量表示和目标药物的向量表示进行邻居节点聚合，得到待测lncRNA的初始特征向量和目标药物的初始特征向量；
[0008]步骤3，基于关联二分图构建关联对的本地结构邻居，并根据待测lncRNA的初始特征向量和目标药物的初始特征向量，构建第一对比学习损失；
[0009]步骤4，基于关联二分图构建关联对的全局语义邻居，并根据待测lncRNA的初始特征向量和目标药物的初始特征向量，构建第二对比学习损失；
[0010]步骤5，根据第一对比学习损失、第二对比学习损失以及BPR损失函数计算综合损失，并利用综合损失分别反向传播更新待测lncRNA的初始特征向量和目标药物的初始特征向量，得到待测lncRNA的中间特征向量和目标药物的中间特征向量；
[0011]步骤6，若待测lncRNA的中间特征向量和目标药物的中间特征向量满足预设更新终止条件，则将待测lncRNA的中间特征向量作为待测lncRNA的最终特征向量，将目标药物的中间特征向量作为目标药物的最终特征向量；否则，
[0012]将待测lncRNA的中间特征向量作为步骤2中待测lncRNA的向量表示，将目标药物的中间特征向量作为步骤2中目标药物的向量表示，返回执行步骤2；
[0013]步骤7，根据待测lncRNA的最终特征向量和目标药物的最终特征向量，构建关联性预测模型；
[0014]步骤8，利用关联性预测模型预测待测lncRNA与目标药物的关联性。
[0015]可选的，步骤2中的神经网络模型为图卷积神经网络模型。
[0016]可选的，步骤2中在关联二分图上运行神经网络模型，分别对待测lncRNA的向量表示和目标药物的向量表示进行邻居节点聚合，得到待测lncRNA的初始特征向量和目标药物的初始特征向量，包括：
[0017]通过计算公式
[0018][0019][0020]得到待测lncRNA的初始特征向量e
n
以及目标药物的初始特征向量e
d
；其中，Nn
n
表示待测lncRNA的邻居节点集合，Nn
d
表示目标药物的邻居节点集合，表示待测lncRNA的节点向量在图卷积神经网络第l层的嵌入，表示目标药物的节点向量在图卷积神经网络第l层的嵌入，L表示图卷积神经网络的总层数，表示待测lncRNA的节点向量在图卷积神经网络第l+1层的嵌入，表示目标药物的节点向量在图卷积神经网络第l+1层的嵌入。
[0021]可选的，步骤3中根据待测lncRNA的初始特征向量和目标药物的初始特征向量，构建第一对比学习损失，包括：
[0022]通过计算公式
[0023][0024]得到待测lncRNA的本地结构邻居学习损失以及目标药物的本地结构邻居学习损失其中，表示待测lncRNA的初始特征向量e
d
在图卷积神经网络第k层的输出，表示目标药物的初始特征向量e
n
在图卷积神经网络第k层的输出，k表示一偶数，τ表示softmax函数的超参数，表示待测lncRNA的向量表示，表示目标药物的向量表示，N_num表示步骤1中获取的lncRNA的总数量，D_num表示步骤1中获取的药物的总数量，表示第i个lncRNA在图卷积神经网络第0层的向量表示，表示第j个药物在图卷积神经网络第0层的向量表示，i＝1,2,...,N_num，j＝1,2,...,D_num；
[0025]通过计算公式得到第一对比学习损失L
local
；其中，α表示用于平衡权重的超参数。
[0026]可选的，步骤4中根据待测lncRNA的初始特征向量和目标药物的初始特征向量，构建第二对比学习损失，包括：
[0027]通过计算公式
[0028][0029]得到待测lncRNA的全局语义邻居对比学习损失以及目标药物的全局语义邻居对比学习损失其中，c
i
表示待测lncRNA的原型，c
j
表示药物的原型，C表示原型的合集；
[0030]通过计算公式得到第二对比学习损失L
glocal
；其中，β表示用于平衡权重的超参数。
[0031]可选的，步骤5，包括：
[0032]通过计算公式
[0033]L＝L
BPR
+λ1L
local
+λ2L
glocal
+λ3||θ||2[0034][0035]得到综合损失L；其中，λ1,λ2,λ3均表示平衡权重的超参数，θ表示图卷积神经网络的参数，σ表示非线性激活函数，τ表示成对的训练数据，的参数，σ表示非线性激活函数，τ表示成对的训练数据，的参数，σ表示非线性激活函数，τ表示成对的训练数据，表示待测lncRNA：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种药物关联性的预测方法，其特征在于，包括：步骤1，根据预先获取的由待测lncRNA和目标药物构成的关联对，构建关联二分图，并分别随机初始化所述待测lncRNA的向量表示和所述目标药物的向量表示；步骤2，在所述关联二分图上运行神经网络模型，分别对所述待测lncRNA的向量表示和所述目标药物的向量表示进行邻居节点聚合，得到所述待测lncRNA的初始特征向量和所述目标药物的初始特征向量；步骤3，基于所述关联二分图构建所述关联对的本地结构邻居，并根据所述待测lncRNA的初始特征向量和所述目标药物的初始特征向量，构建第一对比学习损失；步骤4，基于所述关联二分图构建所述关联对的全局语义邻居，并根据所述待测lncRNA的初始特征向量和所述目标药物的初始特征向量，构建第二对比学习损失；步骤5，根据所述第一对比学习损失、所述第二对比学习损失以及BPR损失函数计算综合损失，并利用所述综合损失分别反向传播更新所述待测lncRNA的初始特征向量和所述目标药物的初始特征向量，得到所述待测lncRNA的中间特征向量和所述目标药物的中间特征向量；步骤6，若所述待测lncRNA的中间特征向量和所述目标药物的中间特征向量满足预设更新终止条件，则将所述待测lncRNA的中间特征向量作为所述待测lncRNA的最终特征向量，将所述目标药物的中间特征向量作为所述目标药物的最终特征向量；否则，将所述待测lncRNA的中间特征向量作为步骤2中所述待测lncRNA的向量表示，将所述目标药物的中间特征向量作为步骤2中所述目标药物的向量表示，返回执行步骤2；步骤7，根据所述待测lncRNA的最终特征向量和所述目标药物的最终特征向量，构建关联性预测模型；步骤8，利用所述关联性预测模型预测待测lncRNA与目标药物的关联性。2.根据权利要求1所述的预测方法，其特征在于，所述步骤2中的神经网络模型为图卷积神经网络模型；所述步骤2中在所述关联二分图上运行神经网络模型，分别对所述待测lncRNA的向量表示和所述目标药物的向量表示进行邻居节点聚合，得到所述待测lncRNA的初始特征向量和所述目标药物的初始特征向量，包括：通过计算公式通过计算公式得到所述待测lncRNA的初始特征向量e
n
以及所述目标药物的初始特征向量e
d
；其中，
Nn
n
表示所述待测lncRNA的邻居节点集合，Nn
d
表示所述目标药物的邻居节点集合，表示所述待测lncRNA的节点向量在图卷积神经网络第l层的嵌入，表示所述目标药物的节点向量在图卷积神经网络第l层的嵌入，L表示图卷积神经网络的总层数，表示所述待测lncRNA的节点向量在图卷积神经网络第l+1层的嵌入，表示所述目标药物的节点向量在图卷积神经网络第l+1层的嵌入。3.根据权利要求2所述的预测方法，其特征在于，所述步骤3中根据所述待测lncRNA的初始特征向量和所述目标药物的初始特征向量，构建第一对比学习损失，包括：通过计算公式得到所述待测lncRNA的本地结构邻居学习损失以及所述目标药物的本地结构邻居学习损失其中，表示所述待测lncRNA的初始特征向量e
d
在图卷积神经网络第k层的输出，表示所述目标药物的初始特征向量e
n
在图卷积神经网络第k层的输出，k表示一偶数，τ表示softmax函数的超参数，表示所述待测lncRNA的向量表示，表示所述目标药物的向量表示，N_num表示所述步骤1中获取的lncRNA的总数量，D_num表示所述步骤1中获取的药物的总数量，表示第i个lncRNA在图卷积神经网络第0层的向量表示，表示第j个药物在图卷积神经网络第0层的向量表示，i＝1,2,...,N_num，j＝1,2,...,D_num；通过计算公式得到所述第一对比学习损失L
local
；其中，α表示用于平衡权重的超参数。4.根据权利要求3所述的预测方法，其特征在于，所述步骤4中根据所述待测lncRNA的初始特征向量和所述目标药物的初始特征向量，构建第二对比学习损失，包括：通过计算公式得到所述待测lncRNA的全局语义邻居对比学习损失以及所述目标药物的全局语义邻居对比学习损失其中，c
i
表示所述待测lncRNA的原型，c
j
表示所述...

【专利技术属性】
技术研发人员：邓磊，胡小文，
申请(专利权)人：中南大学，
类型：发明
国别省市：