【技术实现步骤摘要】
本专利技术属于计算机辅助药物研发，具体涉及基于分子图注意力图表示网络的可解释性药物相互作用预测方法。
技术介绍
1、具有协同作用的药物组合因为其剂量少、疗效高、抗药性低等优点，已被成功应用到复杂疾病治疗中。但由于有些药物相互作用会引发严重副作用或者带来意想不到的毒性，威胁患者康复；另外，一些新上市的药物会因为药物相互作用导致的严重副作用或治疗失败而撤市，造成前期投入的巨额资金损失，因此，药物相互作用鉴别在新药研发阶段有其十分迫切的需求和重要价值。而生化实验鉴别技术周期长、成本高，只能小范围内检测，迫切需要发展高效计算方法预测药物相互作用关系。
2、近年来，基于计算方法预测化合物代谢路径取得了很大的进展。总的来说，大多数方法，特别是机器学习和深度学习模型，已经被证明可以有效地预测相互作用关系。传统机器学习方法的效果通常依赖所提取特征的质量，需要较多的领域知识。近几年来，得益于深度学习算法的快速发展及其在其它领域成功应用，通过药物相关的研究积累也促进了深度学习在药物设计领域的应用前景，诸如药物此类的结构型数据可以被图神经网络进行自动特征提取。这些结构化的深度学习模型结合多层神经网络被成功应用在药物设计领域中。
3、然而，尽管在药物相互作用预测方面科研人员做出了非常大的努力，取得了显著的成就，但是在实际工作中仍然存在着不小的挑战，主要表现在以下几方面：
4、1)受模型限制，当前多数药物相互作用关系预测方法不能预测已知药物和新药间的作用关系；
5、2)可解释性不足，深度学习或图表示学习到的
6、鉴于此，本专利技术研究团队认为有必要对药物间的相互作用关系设计一种新的预测方法。
技术实现思路
1、本专利技术的目的在于解决现有技术所存在的不足之处，而提供一种基于分子图注意力图表示网络的可解释性药物相互作用预测方法，即基于分子图注意力机制的药物相互作用预测方法。该方法能够对两种场景下的药物相互作用关系进行预测，并对药物特定子结构引起相互作用的贡献大小进行可解释性分析。
2、用表示药物集合，其中表示n个已知药物集合，表示m个新药集合，并且表示已知药物中发生相互作用的药物对集合，其中，和表示发生相互作用关系的药物对；表示已知药物与新药之间发生相互作用关系的药物集合，其中，和表示发生相互作用关系的药物对；药物-药物相互作用关系预测包含以下两种场景预测任务：已知药物间潜在的相互作用关系预测、已知药物和新药间的药物相互作用关系预测；
3、第一种场景(预测场景i)下相互作用关系预测任务是通过学习一个映射函数推断出已知药物集合中潜在的药物相互作用关系对；
4、第二种场景(预测场景ii)下相互作用关系预测任务是构建一个模型利用已知相互作用关系的药物对训练模型，然后推断出已知药物和新药间的药物相互作用关系对
5、为实现专利技术目的，针对上述两种预测场景，本专利技术所提供的技术解决方案是：
6、基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特殊之处在于，包括以下步骤：
7、1)构建基于分子图注意力机制的药物相互作用预测模型mg-gnn；
8、所述相互作用预测模型mg-gnn自输入至输出依次包括基于注意力机制的分子结构图嵌入模块、特征拼接模块以及基于多层感知器的作用关系预测模块，进行药物相互作用的预测；
9、所述分子结构图嵌入模块自输入至输出依次包括多层图注意力网络层(即基于图注意力机制的卷积网络层)；其中，每层图注意力网络层均对应设置有全局带权重池化层；每层图注意力网络层向下一层图注意力网络层传递数据的同时，通过自身对应的全局带权重池化层提取药物的特征向量；根据模型寻优，确定三层为此模块最佳层数；
10、所述特征拼接模块先将每个药物的多个特征向量拼接成该药物的嵌入特征，之后后再将不同药物的嵌入特征进行拼接，形成药物对的特征；
11、所述作用关系预测模块自输入至输出依次包括多层全连接层神经网络，每层采用非线性激活函数relu对输出进行非线性变换，最后一层使用softmax将结果映射到0～1之间；根据模型寻优，确定五层为此模块最佳层数；
12、2)采集样本数据，对步骤1)构建的药物相互作用预测模型进行训练：
13、2.1)从drugbank中，采集药物分子的结构信息以及其对应的药物相互作用信息，构建相互作用的训练数据集和测试数据集；
14、2.2)将步骤2.1)获得数据中涉及药物分子的smiles序列信息转换为药物化学分子结构图；
15、2.3)将步骤2.2)中得到的药物化学分子结构图作为输入，通过三层图注意力网络层及每层对应的全局最大池化层，得到每个药物对应的多个特征向量
16、2.4)先将步骤2.3)得到每个药物的多个特征向量进行拼接，形成该药物的嵌入特征hg，再通过拼接得到药物对的特征x、y指代两种不同的药物；
17、2.5)将步骤2.4)得到的药物对的特征h(gx,gy)输入至作用关系预测模块得到预测值；
18、2.6)利用步骤2.5)得到的预测值和药物对的原始标签(从drugbank中得到)计算损失函数，根据损失函数不断更新相互作用预测模型中的权重，最终得到药物相互作用预测模型；
19、3)利用步骤2)训练好的药物相互作用预测模型，对药物相互作用进行预测。
20、进一步地，所述步骤2.2)具体为：使用开源化学工具箱rdkit将药物分子的smiles序列转换为化学分子结构图(即原子之间的相互作用图，图中每个节点是一个多维的二进制特征向量，表达了原子符号、相邻原子的数量、相邻氢的数量、原子的隐含值以及该原子是否在芳香族结构中的信息)，药物化学分子结构中的原子用图节点来表示、原子间的化学键用节点之间的连边表示，因此，每个药物的化学分子结构图表示成g(v,e)，其中，节点集合v表示药物化学分子结构图的原子节点集合，边集合e表示药物原子节点的化学键集合，例如：节点集合vx＝{v1,v2,…,vp}表示药物gx化学分子结构图的原子节点集合，边集合表示药物gx原子节点的化学键集合，每个药物化学分子结构图中的原子节点用一个特征向量h(0)＝(h1,h2,…,hk)t表示。
21、进一步地，步骤2.3)中，mg-gnn中的分子结构图嵌入模块包括三层图注意力网络层(gat)，每次卷积操作都将化学分子结构图中的每个原子节点的邻域信息进行加权聚集，通过多次信息聚集和传播，捕捉分子结构图的化学子功能团，获取药物的嵌入特征表示，层级的信息传播和聚集规则如下：
22、
23、其中，ni表示药物gx原子节点vxi的邻居节点集合，表示k-1层卷积网络输出的药物gx中原子节点vxi的特征向量，k＝0时，表示药物gx分子结构图中每个原子节点的初始特征，表示本文档来自技高网...
【技术保护点】
1.基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特征在于，所述步骤2.2)具体为：
3.根据权利要求1所述基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特征在于：
4.根据权利要求3所述基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特征在于，2.4)具体为：
5.根据权利要求4所述基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特征在于，2.5)具体为：
6.根据权利要求5所述基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特征在于：
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至6任一所述方法的步骤。
8.一种电子设备，其特征在于：包括处理器和计算机可读存储介质；
【技术特征摘要】
1.基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特征在于，所述步骤2.2)具体为：
3.根据权利要求1所述基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特征在于：
4.根据权利要求3所述基于分子图注意力图表示网络的可解释性药物相互作用预测方法，其特征在于，2.4)具体为：...
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。