一种用于预测药物间相互作用的方法及装置制造方法及图纸

本发明专利技术公开了一种用于预测药物间相互作用的方法及装置，方法包括：首先获取表示药物间初始作用的图数据，调用预先构建的初始嵌入层提取所述图数据中的特征向量，随后执行对特征向量的处理操作，确定图数据中相邻两个节点之间的作用信息，最后将作用信息输入预先训练好的量子神经网络模型，生成药物间的相互作用结果，它能够基于量子神经网络模型，提供用于预测药物间相互作用的新途径，提高了预测速度和预测精度，促进药物模拟研究的进一步发展。促进药物模拟研究的进一步发展。促进药物模拟研究的进一步发展。

【技术实现步骤摘要】
一种用于预测药物间相互作用的方法及装置


[0001]本专利技术属于量子计算
，特别是一种用于预测药物间相互作用的方法及装置。

技术介绍

[0002]药物间相互作用指的是两种或两种以上的药物在同时使用时，其中一种或多种药物影响另一种或其他药物的效果。这种影响可能是增强也可能是减弱，有可能产生有益的效果，也可能导致严重的副作用或毒性。临床医疗实践中，药物间相互作用的问题相当常见。由于病人常常需要同时服用多种药物，因此药物间相互作用的风险较高，对病人的健康造成威胁。因此，对药物相间互作用的预测和管理是临床药物治疗的重要组成部分。
[0003]然而，药物间相互作用预测的任务面临诸多困境。首先，目前存在着成千上万种药物，每一种药物均可能与其它药物产生相互作用。这就意味着可能存在数百万种药物相互作用，对这么多的可能性进行预测计算量巨大；其次，药物相互作用的机制多种多样，包括但不限于药物代谢的干扰、药效学的影响、药物的分布和排布的改变等，这增加了预测的复杂性；最后，临床试验获取药物相互作用信息的成本高昂，而且有的药物相互作用在临床试验中可能难以发现。因此，预测药物间相互作用的技术需要进一步的研究和改进，这成为一个亟待解决的问题。

技术实现思路

[0004]本专利技术的目的是提供一种用于预测药物间相互作用的方法及装置，以解决现有技术中的不足，它能够基于量子神经网络模型，提供用于预测药物间相互作用的新途径，提高了预测速度和预测精度，促进药物模拟研究的进一步发展。
[0005]本申请的一个实施例提供了一种用于预测药物间相互作用的方法，所述方法包括：
[0006]获取表示药物间初始作用的图数据；
[0007]调用预先构建的初始嵌入层提取所述图数据中的特征向量；
[0008]执行对所述特征向量的处理操作，确定所述图数据中相邻两个节点之间的作用信息；其中，所述作用信息用于表示所述图数据中相邻两个节点之间相互作用的概率；
[0009]将所述作用信息输入预先训练好的量子神经网络模型，生成所述药物间的相互作用结果。
[0010]可选的，所述获取表示药物间初始作用的图数据，包括：
[0011]分别从数据库中获取表示所述药物的SMILES表达式；
[0012]基于所述药物的SMILES表达式，以每个药物分子作为节点、所述药物之间的初始潜在关系作为边，生成表示药物间初始作用的图数据。
[0013]可选的，所述调用预先构建的初始嵌入层提取所述图数据中的特征向量之前，所述方法还包括：
[0014]对所述图数据执行预处理，并将预处理后的图数据进行划分，获得训练集数据和验证集数据；
[0015]构建量子神经网络训练模型，其中，所述量子神经网络训练模型包括初始嵌入层、图神经网络层以及量子链接预测器层；
[0016]基于所述训练集数据和验证集数据，利用预设训练方法对所述量子神经网络训练模型进行训练，得到训练好的量子神经网络模型，其中，所述预设训练方法包括基于变分量子算法的量子
‑
经典混合方法。
[0017]可选的，所述基于所述训练集数据和验证集数据，利用预设训练方法对所述量子神经网络训练模型进行训练，得到训练好的量子神经网络模型，包括：
[0018]依次将所述训练集数据输入至所述量子神经网络训练模型，并输出训练模型的当前输出结果；
[0019]根据所述训练模型的当前输出结果，计算当前所述量子神经网络训练模型的损失函数；
[0020]基于所述损失函数和所述验证集数据，优化训练模型的参数，直至得到训练好的量子神经网络模型。
[0021]可选的，所述执行对所述特征向量的处理操作，确定所述图数据中相邻两个节点之间的作用信息，包括：
[0022]利用所述图神经网络层以及所述量子链接预测器层，迭代更新所述特征向量，以生成所述图数据中相邻两个节点之间的作用信息。
[0023]可选的，所述将所述作用信息输入预先训练好的量子神经网络模型，生成所述药物间的相互作用结果，包括：
[0024]将所述作用信息输入预先训练好的量子神经网络模型，接收所述量子神经网络模型的输出；
[0025]基于所述量子神经网络模型的输出，并结合预设比较函数，确定所述药物间的相互作用结果。
[0026]可选的，所述基于所述量子神经网络模型的输出，并结合预设比较函数，确定所述药物间的相互作用结果，包括：
[0027]通过以下算式中的一种或其组合确定所述药物间的相互作用结果：
[0028][0029][0030]V＝[V1,V2][0031]其中，V表示相邻两个节点之间相互作用的概率，V1、V2分别表示两种药物的特征向量，i表示所述特征向量的维度且满足i∈(1,n)，v表示所述特征向量的元素。
[0032]本申请的又一实施例提供了一种用于预测药物间相互作用的装置，所述装置包括：
[0033]获取模块，用于获取表示药物间初始作用的图数据；
[0034]调用模块，用于调用预先构建的初始嵌入层提取所述图数据中的特征向量；
[0035]执行模块，用于执行对所述特征向量的处理操作，确定所述图数据中相邻两个节点之间的作用信息；其中，所述作用信息用于表示所述图数据中相邻两个节点之间相互作用的概率；
[0036]生成模块，用于将所述作用信息输入预先训练好的量子神经网络模型，生成所述药物间的相互作用结果。
[0037]可选的，所述获取模块，包括：
[0038]获取单元，用于分别从数据库中获取表示所述药物的SMILES表达式；
[0039]生成单元，用于基于所述药物的SMILES表达式，以每个药物分子作为节点、所述药物之间的初始潜在关系作为边，生成表示药物间初始作用的图数据。
[0040]可选的，所述装置还包括：
[0041]划分模块，用于对所述图数据执行预处理，并将预处理后的图数据进行划分，获得训练集数据和验证集数据；
[0042]构建模块，用于构建量子神经网络训练模型，其中，所述量子神经网络训练模型包括初始嵌入层、图神经网络层以及量子链接预测器层；
[0043]训练模块，用于基于所述训练集数据和验证集数据，利用预设训练方法对所述量子神经网络训练模型进行训练，得到训练好的量子神经网络模型，其中，所述预设训练方法包括基于变分量子算法的量子
‑
经典混合方法。
[0044]可选的，所述训练模块，包括：
[0045]输入单元，用于依次将所述训练集数据输入至所述量子神经网络训练模型，并输出训练模型的当前输出结果；
[0046]计算单元，用于根据所述训练模型的当前输出结果，计算当前所述量子神经网络训练模型的损失函数；
[0047]优化单元，用于基于所述损失函数和所述验证集数据，优化训练模型的参数，直至得到训练好的量子神经网络模型。
[0048]可选的，所述执行模块，包括：
[0049]迭代单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测药物间相互作用的方法，其特征在于，所述方法包括：获取表示药物间初始作用的图数据；调用预先构建的初始嵌入层提取所述图数据中的特征向量；执行对所述特征向量的处理操作，确定所述图数据中相邻两个节点之间的作用信息；其中，所述作用信息用于表示所述图数据中相邻两个节点之间相互作用的概率；将所述作用信息输入预先训练好的量子神经网络模型，生成所述药物间的相互作用结果。2.根据权利要求1所述的方法，其特征在于，所述获取表示药物间初始作用的图数据，包括：分别从数据库中获取表示所述药物的SMILES表达式；基于所述药物的SMILES表达式，以每个药物分子作为节点、所述药物之间的初始潜在关系作为边，生成表示药物间初始作用的图数据。3.根据权利要求1所述的方法，其特征在于，所述调用预先构建的初始嵌入层提取所述图数据中的特征向量之前，所述方法还包括：对所述图数据执行预处理，并将预处理后的图数据进行划分，获得训练集数据和验证集数据；构建量子神经网络训练模型，其中，所述量子神经网络训练模型包括初始嵌入层、图神经网络层以及量子链接预测器层；基于所述训练集数据和验证集数据，利用预设训练方法对所述量子神经网络训练模型进行训练，得到训练好的量子神经网络模型，其中，所述预设训练方法包括基于变分量子算法的量子
‑
经典混合方法。4.根据权利要求3所述的方法，其特征在于，所述基于所述训练集数据和验证集数据，利用预设训练方法对所述量子神经网络训练模型进行训练，得到训练好的量子神经网络模型，包括：依次将所述训练集数据输入至所述量子神经网络训练模型，并输出训练模型的当前输出结果；根据所述训练模型的当前输出结果，计算当前所述量子神经网络训练模型的损失函数；基于所述损失函数和所述验证集数据，优化训练模型的参数，直至得到训练好的量子神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述执行对所述特征向量的处理操作，...

【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，窦猛汉，
申请(专利权)人：本源量子计算科技合肥股份有限公司，
类型：发明
国别省市：