【技术实现步骤摘要】
本申请涉及药物发现，特别涉及一种药物靶点关系的预测方法、装置、介质和设备。
技术介绍
1、药物发现是医学领域的核心环节，其目标在于发掘具有治疗疾病潜能的新分子。这一过程既关乎药物的疗效，也关乎其安全性和适用症。然而，传统的药物发现过程面临诸多挑战，如耗时较长、成本高昂，以及成功率较低。随着人工智能技术的迅猛发展，尤其是多关系图神经网络模型的应用，药物发现领域迎来了新的可能性，有望显著提升研发效率和经济效益。一般的，在药物发现过程中，可通过对药物-靶点多关系图的学习将药物、靶点和其之间的关系嵌入到低维向量表示中，进一步利用该嵌入向量预测药物-靶点交互，从而筛选出更有前途的药物候选物。
2、现有技术中常用的研究多关系图学习的方法是各种基于gcn的方法，但是药物-靶点的多关系图往往由多种类型的实体(药物及靶点)和多种类型的关系(药物-靶点关系)组成，目前存在大多数的基于gcn方法无法学习到不同层次节点间的重要性，平均地聚合节点信息会导致不准确的节点表示，降低下游网络分析任务性能。此外，更大的难点是大多数现有的基于gcn的方法都是以监督的方式进行训练的，但是收集大量的标记数据往往需要大量的资源和时间。
3、近年来，图对比学习(graph contrastivelearning，gcl)在多关系图学习方面取得了很大进展，其目的是从未标记的图中学习向量表示。对于药物发现，通过图对比学习可通过对比定义的正对和负对实例，通过创建的对比视图之间的一致性来增强药物、靶点实体表示。
4、但是，现有药物-靶点多关系图
5、综上，目前缺乏一种用于药物-靶点交互多关系图学习的具备自适应性的药物靶点关系的预测方法。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种药物靶点关系的预测方法。
2、本说明书采用下述技术方案：
3、本说明书提供了一种药物靶点关系的预测方法，包括：
4、获取药物-靶点交互多关系图；
5、基于多关系图神经网络，构造药物-靶点交互多关系图在每种药物-靶点关系类型下不同药物或靶点实体重要性的实体级注意力，构造药物-靶点交互多关系图在每种药物或靶点实体下不同药物-靶点关系类型重要性的关系级注意力，及构造药物-靶点交互多关系图药物或靶点实体嵌入层级的层级注意力，以得到药物-靶点多关系图分层关注网络并将其作为对比学习主视图；
6、去除药物-靶点多关系图分层关注网络中的实体级注意力，得到第一对比视图；去除药物-靶点多关系图分层关注网络中的实体级注意力和关系级注意力，得到第二对比视图；
7、将药物-靶点交互多关系图分别输入对比学习主视图、第一对比视图及第二对比视图进行网络嵌入；
8、根据最大化对比学习主视图中目标实体和其邻居实体之间网络嵌入的一致性和最大化第一对比视图和第二对比视图中目标实体与对比学习主视图全图嵌入之间的差异，构造总对比损失；并以最小化总对比损失为优化目标，对药物-靶点多关系图分层关注网络进行训练；并通过训练后的药物-靶点多关系图分层关注网络进行药物靶点关系的预测。
9、可选地，所述药物-靶点交互多关系图为：
10、g＝(v,r,ξ)，{(v,r,u)∈v×r×v}；
11、其中，g为药物-靶点交互多关系图，v为包括药物和靶点的实体集合，r为药物和靶点间的关系集合，ξ表示知识集合，三元组(v,r,u)中v为药物实体，u为靶点实体，r为药物实体v和靶点实体u的药物-靶点关系类型。
12、可选地，通过下式构造药物-靶点交互多关系图在每种药物-靶点关系类型下不同药物或靶点实体重要性的实体级注意力：
13、
14、通过下式构造药物-靶点交互多关系图在每种药物或靶点实体下不同药物-靶点关系类型重要性的关系级注意力：
15、
16、通过下式构造药物-靶点交互多关系图药物或靶点实体嵌入层级的层级注意力：
17、
18、其中，v为药物实体，u为靶点实体，r为药物-靶点关系类型，表示药物-靶点关系类型r下药物实体v的输入表示向量，表示药物-靶点关系类型r下靶点实体u的输入表示向量，||表示连接运算符，ar表示药物-靶点关系类型r的关注度函数的权重向量参数，表示基于softmax函数在药物-靶点关系类型r下实体间的重要性系数，表征靶点实体u对药物实体v的重要性，σ表示激活函数，qt表示实体级注意力向量，r表示药物-靶点关系类型的集合，wr和br为待训练参数，为药物-靶点关系类型r下药物实体v的所有邻居靶点实体的集合，表示在药物实体v下不同药物-靶点关系类型的重要性，为药物实体或靶点实体在嵌入传播层i的向量表示，ci为不同传播层对药物实体v的重要性，表征第i层嵌入对最终实体表示的自适应贡献的层级关注。
19、可选地，得到的药物-靶点多关系图分层关注网络的各传播层为：
20、
21、其中，表示在药物实体v下不同药物-靶点关系类型的重要性，表示在药物-靶点关系类型r下实体间的重要性系数，表示药物实体v在i∈i层中的向量表示，表示靶点实体u在i∈i层中的向量表示，表示药物-靶点关系类型r下药物实体v的邻居节点集合，和表示第i层的待训练权矩阵。
22、可选地，得到的第一对比视图的各传播层为：
23、
24、得到的第二对比视图的各传播层为：
25、
26、其中，v为药物实体，u为靶点实体，r为药物-靶点关系类型，表示第一个对比视图中药物-靶点关系类型r下药物实体v的输入表示向量，表示第一个对比视图中药物-靶点关系类型r下靶点实体u的输入表示向量，表示第二个对比视图中药物-靶点关系类型r下药物实体v的输入表示向量，表示第二个对比视图中药物-靶点关系类型r下靶点实体u的输入表示向量，表示在药物实体v下不同药物-靶点关系类型的重要性，和表示第i层的待训练权矩阵。
27、可选地，所述根据最大化对比学习主视图中目标实体和其邻居实体之间网络嵌入的一致性和最大化第一对比视图和第二对比视图中目标实体与对比学习主视图全图嵌入之间的差异，构造总对比损失；并以最小化总对比损失为优化目标，具体包括：
28、第一对比视图和对比学习主视图之间第一对比损失函数为：
29、
30、第二对比视图和对比学习主视图之间第二对比损失函数为：
31、
3本文档来自技高网...
【技术保护点】
1.一种药物靶点关系的预测方法，其特征在于，包括：
2.如权利要求1所述的一种药物靶点关系的预测方法，其特征在于，所述药物-靶点交互多关系图为：
3.如权利要求1所述的一种药物靶点关系的预测方法，其特征在于，通过下式构造药物-靶点交互多关系图在每种药物-靶点关系类型下不同药物或靶点实体重要性的实体级注意力：
4.如权利要求1所述的一种药物靶点关系的预测方法，其特征在于，得到的药物-靶点多关系图分层关注网络的各传播层为：
5.如权利要求1所述一种药物靶点关系的预测方法，其特征在于，得到的第一对比视图的各传播层为：
6.如权利要求1所述一种药物靶点关系的预测方法，其特征在于，所述根据最大化对比学习主视图中目标实体和其邻居实体之间网络嵌入的一致性和最大化第一对比视图和第二对比视图中目标实体与对比学习主视图全图嵌入之间的差异，构造总对比损失；并以最小化总对比损失为优化目标，具体包括：
7.一种药物靶点关系的预测方法，其特征在于，包括：
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～6任一所述的方法。
...【技术特征摘要】
1.一种药物靶点关系的预测方法，其特征在于，包括：
2.如权利要求1所述的一种药物靶点关系的预测方法，其特征在于，所述药物-靶点交互多关系图为：
3.如权利要求1所述的一种药物靶点关系的预测方法，其特征在于，通过下式构造药物-靶点交互多关系图在每种药物-靶点关系类型下不同药物或靶点实体重要性的实体级注意力：
4.如权利要求1所述的一种药物靶点关系的预测方法，其特征在于，得到的药物-靶点多关系图分层关注网络的各传播层为：
5.如权利要求1所述一种药物靶点关系的预测方法，其特征在于，得到的第一对比视图的各传播层为：
6.如权利要求1所述一种药物靶点关系的预...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。