CN114242162A - 建立药物协同作用预测模型的方法、预测方法及对应装置 - Google Patents
建立药物协同作用预测模型的方法、预测方法及对应装置 Download PDFInfo
- Publication number
- CN114242162A CN114242162A CN202111597730.0A CN202111597730A CN114242162A CN 114242162 A CN114242162 A CN 114242162A CN 202111597730 A CN202111597730 A CN 202111597730A CN 114242162 A CN114242162 A CN 114242162A
- Authority
- CN
- China
- Prior art keywords
- drug
- synergy
- node
- nodes
- graph
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biotechnology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Bioethics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Pharmacology & Pharmacy (AREA)
- Discrete Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开公开了建立药物协同作用预测模型的方法、预测方法及对应装置,涉及人工智能技术领域下的深度学习和AI医疗等技术。具体实现方案包括:获取关系图,所述关系图中的节点包括药物节点和蛋白质节点,边指示节点间存在相互作用;从所述关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本;将训练样本中的药物节点对作为药物协同作用预测模型的输入,将药物节点对是否存在协同作用的标注作为目标输出,训练所述药物协同作用预测模型;其中所述药物协同作用预测模型基于图卷积网络对所述关系图进行学习得到。基于此能够实现药物协同作用的自动预测,相比较全部采用试验的方式更加节省人力物力成本。
Description
技术领域
本公开涉及计算机应用技术领域,尤其涉及AI(Artificial Intelligence,人工智能)技术领域下的深度学习和AI医疗等技术。
背景技术
联合用药是指为了达到治疗目的而采用的两种或两种以上药物同时或先用应用,其主要是为了增加药物的疗效或减轻药物的毒副作用。但也有可能产生相反的结果,因此合理的联合用药非常重要。而合理的联合用药是基于药物的协同作用的,然而从试验端进行药物协同作用的筛选十分耗费人力物力。
发明内容
有鉴于此,本公开提供了一种建立药物协同作用预测模型的方法、预测方法及对应装置,以便于降低人力物力成本。
根据本公开的第一方面,提供了一种建立药物协同作用预测模型的方法,包括:
获取关系图,所述关系图中的节点包括药物节点和蛋白质节点,边指示节点间存在相互作用;
从所述关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本;
将训练样本中的药物节点对作为药物协同作用预测模型的输入,将药物节点对是否存在协同作用的标注作为目标输出,训练所述药物协同作用预测模型;其中所述药物协同作用预测模型基于图卷积网络对所述关系图进行学习得到。
根据本公开的第二方面,提供了一种药物协同作用的预测方法,包括:
从关系图中确定待识别药物节点对;
利用所述药物协同作用预测模型对所述待识别药物节点对进行预测,得到所述待识别药物节点对是否存在协同作用的预测结果;
其中所述药物协同作用预测模型采用如上所述的方法预先训练得到。
根据本公开的第三方面,提供了一种药物协同作用的预测方法,包括:
确定目标细胞系以及从所述关系图中确定待识别药物节点对;
利用所述药物协同作用预测模型对所述待识别药物节点对进行预测,得到所述待识别药物节点对在所述目标细胞系是否存在协同作用的预测结果;
其中所述药物协同作用预测模型采用如上所述的方法预先训练得到。
根据本公开的第四方面,提供了一种建立药物协同作用预测模型的装置,包括:
图获取单元,用于获取关系图,所述关系图中的节点包括药物节点和蛋白质节点,边指示节点间存在相互作用;
样本采集单元,用于从所述关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本;
模型训练单元,用于将训练样本中的药物节点对作为药物协同作用预测模型的输入,将药物节点对是否存在协同作用的标注作为目标输出,训练所述药物协同作用预测模型;其中所述药物协同作用预测模型基于图卷积网络对所述关系图进行学习得到。
根据本公开的第五方面,提供了一种药物协同作用的预测装置,包括:
确定单元,用于从关系图中确定待识别药物节点对;
预测单元,用于利用所述药物协同作用预测模型对所述待识别药物节点对进行预测,得到所述待识别药物节点对是否存在协同作用的预测结果;
其中所述药物协同作用预测模型由上所述的装置预先训练得到。
根据本公开的第六方面,提供了一种药物协同作用的预测装置,包括:
确定单元,用于确定目标细胞系以及从所述关系图中确定待识别药物节点对;
预测单元,用于利用所述药物协同作用预测模型对所述待识别药物节点对进行预测,得到所述待识别药物节点对在所述目标细胞系是否存在协同作用的预测结果;
其中所述药物协同作用预测模型由上所述的装置预先训练得到。
根据本公开的第七方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的第八方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第九方面,一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例提供的建立药物协同作用预测模型的方法流程图;
图2为本公开实施例提供的一个示意性的关系图;
图3为本开始实例提供的药物协同作用预测模型的示意图;
图4为本公开实施例提供的药物协同作用的预测方法流程图;
图5为本公开实施例提供的建立药物协同作用预测模型的装置结构图;
图6为本公开实施例提供的药物协同作用的预测装置结构图;
图7是用来实现本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开提供了一种基于图卷积网络的药物协同作用预测模型的建立方式和基于该模型的预测方式。图1为本公开实施例提供的建立药物协同作用预测模型的方法流程图,执行主体可以为建议药物协同作用预测模型的装置,该装置可以位于计算机终端的应用,或者还可以为位于计算机终端的应用中的插件或软件开发工具包(Software DevelopmentKit,SDK)等功能单元,或者,还可以位于服务器端,本发明实施例对此不进行特别限定。如图1中所示,该方法可以包括以下步骤:
在101中,获取关系图,关系图中的节点包括药物节点和蛋白质节点,边指示节点间存在相互作用。
在102中,从关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本。
在103中,将训练样本中的药物节点对作为药物协同作用预测模型的输入,将药物节点对是否存在协同作用的标注作为目标输出,训练药物协同作用预测模型;其中药物协同作用预测模型基于图卷积网络对所述关系图进行学习得到。
可以看出,本公开基于图卷积网络对关系图中已明确协同作用的药物节点对在预设邻域范围内的作用关系进行学习,得到药物协同作用预测模型,基于此能够实现药物协同作用的自动预测,相比较全部采用试验的方式更加节省人力物力成本。
下面结合实施例对上述各步骤进行详细描述,首先对步骤101进行详细描述。
药物是主要作用于动物(包括人类)体的,药物在动物体内的分配、传输、代谢和功效均与蛋白质有关,因此研究药物的效果主要是研究药物与蛋白质之间的相互作用,药物作用于的蛋白质通常称为靶点蛋白质。也就是说,药物与蛋白质之间的相互作用可以通过以往的实验数据获取到。
蛋白质与蛋白质之间的相互作用也是已经较为成熟的技术,累计了大量的实验数据,并且正在不断地发展过程中。蛋白质与蛋白质之间的相互作用能够更好的注释蛋白质的功能,解码声明现象,特别是在药物设计上具有很大的使用价值。
前期通过实验的方式已经能够得到部分已明确协同作用的药物节点对,这部分实验数据也能够获取到并用以本公开的模型训练。
可以利用上述药物与蛋白质、蛋白质与蛋白质、药物与药物之间相互作用的数据,构建得到关系图。关系图由节点和边构成,节点包括药物和蛋白质,节点之间的边指示节点间存在相互作用。其中,药物与药物之间的相互作用包括协同作用,即如果药物与药物之间存在协同作用,那么在关系图中对应药物节点之间存在边,否则不存在边。
图2为本公开实施例提供的一个示意性的关系图,该图中实心节点1~5表示药物节点,空心节点6~14表示蛋白质节点。药物节点与蛋白质节点之间的边代表药物与蛋白质间的相互作用,蛋白质节点之间的边代表对应蛋白质之间的相互作用。药物节点之间的边指代药物节点之间存在协同作用。
更进一步地,由于药物节点之间的协同作用会以细胞系的不同而产生差异,细胞系主要用以区分部位或病灶。以癌症为例,通常是按照原发灶进行区分的。因此,作为一种优选的实施方式,在图2所示的关系图中,药物节点间的边以细胞系进行标识。例如节点1和节点2之间在细胞系A2058和A2780均存在协同作用,因此节点1和节点2之间存在分别以A2058和A2780进行标识的边。除了这种标识方式之外,也可以将不同细胞系的边对应的节点看做是不同节点,例如节点1与A2058结合看做一个节点,节点1与A2780结合看做另一个节点。
在上述关系图中,对于已经明确协同作用的药物节点对之间是存在边的连接的,对于一些尚不明确是否存在协同作用或者已经明确不存在协同作用的药物节点是不存在边的。在上述实施例的步骤102中,可以从关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本。更进一步地,由于在关系图中,药物节点对间的协同作用即药物节点之间的边是以细胞系进行标识的,因此,上述训练样本的标注包含细胞系标签。
以图2中为例,药物节点1和药物节点2之间存在明确的协同作用,因此,可以采集药物节点1和药物节点2作为药物节点对来形成训练样本,例如:
训练样本1:(药物节点1-药物节点2,存在协同作用【A2058】)
训练样本2:(药物节点1-药物节点2,存在协同作用【A2780】)
药物节点2和药物节点5之间已经明确不存在协同作用,因此,可以采集药物节点2和药物节点5作为药物节点对形成训练样本,例如:
训练样本3:(药物节点2-药物节点5,不存在协同作用)
下面结合实施例对上述步骤103即“将训练样本中的药物节点对作为药物协同作用预测模型的输入,将药物节点对是否存在协同作用的标注作为目标输出,训练药物协同作用预测模型”进行详细描述。
在本公开中训练药物协同作用预测模型时,基于图卷积网络对训练样本中药物节点在关系图中所体现的连接关系进行学习,该连接关系除了包括药物节点之间的关系之外,还包括药物节点与蛋白质之间的关系以及蛋白质与蛋白质之间的关系。但若对关系图进行全量学习则造成邻接矩阵庞大,训练效率低下,因此在本公开实施例中对于各药物节点在预设邻域范围内选取节点和边构成子图,对子图进行学习,从而提高学习效率。
具体地,如图3中所示,该药物协同作用预测模型可以主要包括图卷积网络层和分类层。其中图卷积网络层可以包括一层以上的图卷积网络。
训练样本中的药物节点对输入药物协同作用预测模型后,图卷积网络层用以在关系图中获取输入的药物节点对中各药物节点对应的子图。药物节点对应的子图包括药物节点、该药物节点在预设邻域范围内的邻居节点以及该药物节点、邻居节点之间的边。然后对药物节点对应的子图进行图卷积处理,得到药物节点对应的向量表示。
上述预设邻域范围可以包括一阶蛋白质邻居节点和一阶蛋白质邻居节点的邻居蛋白质节点。也就是说,在进行采样学习时,对药物节点的一阶邻居节点即药物节点的靶点蛋白质进行采样,然后再对一阶邻居节点的邻居节点(即药物节点的二阶邻居)进行采样。但在对二阶邻居节点进行采样时不包括已经被采样的节点。上述过程中对一阶邻居进行的采样实际上是采样药物-靶点关系,二阶邻居采样实际上是采样蛋白质-蛋白质关系。
在对药物节点对应的子图进行图卷积处理时,可以对药物节点对应的子图所包含各节点的特征和各边的特征进行嵌入处理;然后对嵌入处理得到的各节点的特征向量和各边的特征向量进行聚合处理,得到该药物节点对应的向量表示。
以图2中节点1和节点2构成的药物节点对为例,采样节点1的一阶邻居即节点6和节点7。采样节点1的二阶邻居节点即节点14。将该邻域范围内的邻居节点和边进行图卷积处理,包括对节点1、6和7的特征进行嵌入处理,对节点1与节点6之间的边、节点1与节点7之间的边、节点7与节点14之间的边的特征进行嵌入处理,然后将嵌入处理得到的特征向量进行聚合处理,得到节点1对应的向量表示。
采样节点2的一阶邻居即节点8,采样节点2的二阶邻居节点即节点9。将该邻居范围内的邻居节点和边进行图卷积处理,包括对节点2、节点8和节点9的特征进行嵌入处理,对节点2和节点8之间的边、节点8和节点9之间的边的特征进行嵌入处理,然后将嵌入处理得到的特征向量进行聚合处理,得到节点2对应的向量表示。
上述嵌入处理时,采用的边的特征可以包括作用的类型、细胞系、基因表达谱等转录组信息。进行嵌入处理时采用的初始值也可以采用预设值,也可以由疾病分类任务预先训练得到。举个例子,可以采用癌种分类任务。例如使用一个癌种分类模型,该分类模型包含第一嵌入单元和映射单元。其中第一嵌入单元对转录组的特征进行嵌入处理,映射单元将嵌入处理得到的结果映射至具体的癌症种类。在进行训练过程中,使用对应已知癌症种类的转录组等作为训练数据,训练上述癌种分类模型,即转录组作为输入,对应的已知癌症种类作为目标输出。训练结束后,使用训练得到的癌种分类模型中的第一嵌入单元作为预训练模型,对本公开采样得到的边进行嵌入处理,得到的特征向量供训练药物协同作用预测模型作为该边的特征向量初始值使用。
采用的节点特征可以包括诸如分子量、分子活性等。本公开实施例中药物协同作用预测模型进行嵌入处理时采用的初始值可以采用预设值,也可以由CCI(化合物-化合物互作)任务预先训练得到。例如采集化合物对以及化合物对之间的作用结果作为训练样本,将化合物对作为输入,对应的相互作用结果作为目标输出训练CCI分类模型。CCI分类模型中包括第二嵌入单元和映射单元。其中第二嵌入单元对化合物对中各化合物的特征进行嵌入处理,映射单元将嵌入处理得到的结果映射至具体的作用结果。训练结束后,使用训练得到的第二嵌入单元作为预训练模型,对本公开采用的节点进行嵌入处理,得到的特征向量供训练药物协同作用预测模型作为节点的特征向量初始值使用。
继续参见图3。分类层用以利用药物节点对中各药物节点对应的向量表示,得到该药物节点对是否存在协同作用的分类结果。药物协同作用预测模型的训练目标为:最小化分类结果与对应标注之间的差异。
仍以图2为例,在上面过程中得到节点1对应的向量表示和节点2对应的向量表示后,分类层利用节点1对应的向量表示和节点2对应的向量表示进行分类,分类结果为该药物节点对是否存在协同作用。在实际分类过程中,实际上是得到节点1和节点2之间存在协同作用的概率值。
更进一步地,在上述学习过程中,由于以不同细胞系进行了边的区分,因此在分类结果中也是包含细胞系信息的,也就是说,得到的分类结果实际上是药物对在某一细胞系上是否存在协同作用。
可以看出,上述建立的药物协同作用预测模型在保留了生物网络互作特性的同时,也引入了不同细胞系的表征,使得建立的模型具有更好的泛化性能。
在上述训练过程中,可以利用训练目标构建损失函数。在每一轮迭代中利用损失函数的值更新模型参数,直至达到预设的训练结束条件。其中训练结束条件可以是诸如损失函数的值收敛、迭代次数达到预设的次数阈值等等。
图4为本公开实施例提供的药物协同作用的预测方法流程图,执行主体可以为药物协同作用的预测装置,该装置可以位于计算机终端的应用,或者还可以为位于计算机终端的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,或者,还可以位于服务器端,本发明实施例对此不进行特别限定。如图4中所示,该方法可以包括以下步骤:
在401中,从关系图中确定待识别药物节点对。
公开实施例可以用于对关系图中尚不明确是否存在协同作用的药物节点对进行预测,即可以将关系图中尚不明确是否存在协同作用的药物节点对作为待识别药物节点对。
对于新产生的新型药物,由于新型药物与蛋白质之间的相互作用是必须经过实验验证的,因此可以通过实验数据获取到。这种情况下,可以将该新型药物添加至关系图中进行与其他药物节点的协同作用预测。即可以将关系图中新型药物与其他药物节点分别构成待识别药物节点对。
在402中,利用药物协同作用预测模型对待识别药物节点对进行预测,得到待识别药物节点对是否存在协同作用的预测结果。
将待识别药物节点对输入药物协同作用预测模型后,药物协同作用预测模型的图卷积网络层获取输入的药物节点对中各药物节点对应的子图,药物节点对应的子图包括药物节点、该药物节点在预设邻域范围内的邻居节点以及该药物节点、邻居节点之间的边;对药物节点对应的子图进行图卷积处理,得到药物节点对应的向量表示。然后由分类层利用药物节点对中各药物节点对应的向量表示,得到该药物节点对是否存在协同作用的分类结果,该分类结果即为预测结果。
更进一步地,由于在药物协同作用预测模型的边特征中融入了细胞系的标识,因此在上述预测过程中,步骤401可以进一步确定目标细胞系,即要预测药物对在具体哪个细胞系上的协同作用。由药物协同作用预测模型在预测过程中考虑目标细胞系下各节点的边关系,得到待识别药物节点对在目标细胞系是否存在协同作用的预测结果。
以上是对本公开所提供方法进行的详细描述,下面结合实施例对本公开所提供的装置进行详细描述。
图5为本公开实施例提供的建立药物协同作用预测模型的装置结构图,如图5中所示,该装置500可以包括:图获取单元501、样本采集单元502和模型训练单元503。其中各组成单元的主要功能如下:
图获取单元501,用于获取关系图,关系图中的节点包括药物节点和蛋白质节点,边指示节点间存在相互作用。
样本采集单元502,用于从关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本。
模型训练单元503,用于将训练样本中的药物节点对作为药物协同作用预测模型的输入,将药物节点对是否存在协同作用的标注作为目标输出,训练药物协同作用预测模型;其中药物协同作用预测模型基于图卷积网络对所述关系图进行学习得到。
其中,药物协同作用预测模型可以包括图卷积网络层和分类层。
图卷积网络层用以在关系图中获取输入的药物节点对中各药物节点对应的子图,药物节点对应的子图包括药物节点、该药物节点在预设邻域范围内的邻居节点以及该药物节点、邻居节点之间的边;对药物节点对应的子图进行图卷积处理,得到药物节点对应的向量表示。
分类层用以利用药物节点对中各药物节点对应的向量表示,得到该药物节点对是否存在协同作用的分类结果。
模型训练单元503采用的训练目标为:最小化分类结果与对应标注之间的差异。
作为其中一种实现方式,预设邻域范围包括:一阶蛋白质邻居节点和一阶蛋白质邻居节点的邻居蛋白质节点。
更进一步地,由于药物节点之间的协同作用会以细胞系的不同而产生差异,作为一种优选的实施方式,上述关系图中药物节点之间的边以细胞系进行标识,训练样本的标注包含细胞系标签。相应地,分类结果为药物对在细胞系是否存在协同作用。
作为其中一种实现方式,图卷积网络层在对药物节点对应的子图进行图卷积处理时,具体用于:对药物节点对应的子图所包含各节点的特征和各边的特征进行嵌入处理;对嵌入处理得到的各节点的特征向量和各边的特征向量进行聚合处理,得到该药物节点对应的向量表示。
其中,各边的特征向量的初始值由疾病分类任务预先训练得到;各节点的特征向量的初始值由CCI化合物化合物互作任务预先得到。
图6为本公开实施例提供的药物协同作用的预测装置结构图,如图6中所示,该装置600可以包括:确定单元601和预测单元602。其中各组成单元的主要功能如下:
确定单元601,用于从关系图中确定待识别药物节点对。
预测单元602,用于利用药物协同作用预测模型对待识别药物节点对进行预测,得到待识别药物节点对是否存在协同作用的预测结果。
其中药物协同作用预测模型由图5所示的装置预先训练得到。
作为一种优选的实施方式,上述确定单元601可以进一步确定目标细胞系。相应地,预测单元602得到待识别药物节点对在目标细胞系是否存在协同作用的预测结果。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图7所示,是根据本公开实施例的建立药物协同作用预测模型方法和预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如建立药物协同作用预测模型方法和预测方法。例如,在一些实施例中,建立药物协同作用预测模型方法和预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。
在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的建立药物协同作用预测模型方法和预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行建立药物协同作用预测模型方法和预测方法。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控30制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPs,Ⅵirtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种建立药物协同作用预测模型的方法,包括:
获取关系图,所述关系图中的节点包括药物节点和蛋白质节点,边指示节点间存在相互作用;
从所述关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本;
将训练样本中的药物节点对作为药物协同作用预测模型的输入,将药物节点对是否存在协同作用的标注作为目标输出,训练所述药物协同作用预测模型;其中所述药物协同作用预测模型基于图卷积网络对所述关系图进行学习得到。
2.根据权利要求1所述的方法,其中,所述药物协同作用预测模型基于图卷积网络对所述关系图中由部分节点和边所构成的子图进行学习得到。
3.根据权利要求1或2所述的方法,其中,所述药物协同作用预测模型包括图卷积网络层和分类层;
所述图卷积网络层用以在所述关系图中获取输入的药物节点对中各药物节点对应的子图,药物节点对应的子图包括药物节点、该药物节点在预设邻域范围内的邻居节点以及该药物节点、邻居节点之间的边;对药物节点对应的子图进行图卷积处理,得到药物节点对应的向量表示;
所述分类层用以利用药物节点对中各药物节点对应的向量表示,得到该药物节点对是否存在协同作用的分类结果;
所述药物协同作用预测模型的训练目标为:最小化分类结果与对应标注之间的差异。
4.根据权利要求3所述的方法,其中,所述预设邻域范围包括:一阶蛋白质邻居节点和一阶蛋白质邻居节点的邻居蛋白质节点。
5.根据权利要求3所述的方法,其中,所述关系图中药物节点之间的边以细胞系进行标识,所述训练样本的标注包含细胞系标签;
所述分类结果为药物对在所述细胞系是否存在协同作用。
6.根据权利要求3所述的方法,其中,所述对药物节点对应的子图进行图卷积处理包括:
对所述药物节点对应的子图所包含各节点的特征和各边的特征进行嵌入处理;
对所述嵌入处理得到的各节点的特征向量和各边的特征向量进行聚合处理,得到该药物节点对应的向量表示。
7.根据权利要求6所述的方法,其中,各边的特征向量的初始值由疾病分类任务预先训练得到;
各节点的特征向量的初始值由CCI化合物化合物互作任务预先得到。
8.一种药物协同作用的预测方法,包括:
从关系图中确定待识别药物节点对;
利用所述药物协同作用预测模型对所述待识别药物节点对进行预测,得到所述待识别药物节点对是否存在协同作用的预测结果;
其中所述药物协同作用预测模型采用如权利要求1至7中任一项所述的方法预先训练得到。
9.一种药物协同作用的预测方法,包括:
确定目标细胞系以及从所述关系图中确定待识别药物节点对;
利用所述药物协同作用预测模型对所述待识别药物节点对进行预测,得到所述待识别药物节点对在所述目标细胞系是否存在协同作用的预测结果;
其中所述药物协同作用预测模型采用如权利要求5所述的方法预先训练得到。
10.一种建立药物协同作用预测模型的装置,包括:
图获取单元,用于获取关系图,所述关系图中的节点包括药物节点和蛋白质节点,边指示节点间存在相互作用;
样本采集单元,用于从所述关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本;
模型训练单元,用于将训练样本中的药物节点对作为药物协同作用预测模型的输入,将药物节点对是否存在协同作用的标注作为目标输出,训练所述药物协同作用预测模型;其中所述药物协同作用预测模型基于图卷积网络对所述关系图进行学习得到。
11.根据权利要求10所述的装置,其中,所述药物协同作用预测模型基于图卷积网络对所述关系图中由部分节点和边所构成的子图进行学习得到。
12.根据权利要求10或11所述的装置,其中,所述药物协同作用预测模型包括图卷积网络层和分类层;
所述图卷积网络层用以在所述关系图中获取输入的药物节点对中各药物节点对应的子图,药物节点对应的子图包括药物节点、该药物节点在预设邻域范围内的邻居节点以及该药物节点、邻居节点之间的边;对药物节点对应的子图进行图卷积处理,得到药物节点对应的向量表示;
所述分类层用以利用药物节点对中各药物节点对应的向量表示,得到该药物节点对是否存在协同作用的分类结果;
所述模型训练单元采用的训练目标为:最小化分类结果与对应标注之间的差异。
13.根据权利要求12所述的装置,其中,所述预设邻域范围包括:一阶蛋白质邻居节点和一阶蛋白质邻居节点的邻居蛋白质节点。
14.根据权利要求12所述的装置,其中,所述关系图中药物节点之间的边以细胞系进行标识,所述训练样本的标注包含细胞系标签;
所述分类结果为药物对在所述细胞系是否存在协同作用。
15.根据权利要求12所述的装置,其中,所述图卷积网络层在对药物节点对应的子图进行图卷积处理时,具体用于:
对所述药物节点对应的子图所包含各节点的特征和各边的特征进行嵌入处理;
对所述嵌入处理得到的各节点的特征向量和各边的特征向量进行聚合处理,得到该药物节点对应的向量表示。
16.根据权利要求15所述的装置,其中,各边的特征向量的初始值由疾病分类任务预先训练得到;
各节点的特征向量的初始值由CCI化合物化合物互作任务预先得到。
17.一种药物协同作用的预测装置,包括:
确定单元,用于从关系图中确定待识别药物节点对;
预测单元,用于利用所述药物协同作用预测模型对所述待识别药物节点对进行预测,得到所述待识别药物节点对是否存在协同作用的预测结果;
其中所述药物协同作用预测模型由权利要求11至16中任一项所述的装置预先训练得到。
18.一种药物协同作用的预测装置,包括:
确定单元,用于确定目标细胞系以及从所述关系图中确定待识别药物节点对;
预测单元,用于利用所述药物协同作用预测模型对所述待识别药物节点对进行预测,得到所述待识别药物节点对在所述目标细胞系是否存在协同作用的预测结果;
其中所述药物协同作用预测模型由权利要求14所述的装置预先训练得到。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/844,094 US20230035954A1 (en) | 2021-07-29 | 2022-06-20 | Method for establishing medicine synergism prediction model, prediction method and corresponding apparatus |
JP2022100471A JP7439359B2 (ja) | 2021-07-29 | 2022-06-22 | 薬物相乗効果予測モデルの構築方法、予測方法及び対応装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021108679326 | 2021-07-29 | ||
CN202110867932.6A CN113643752A (zh) | 2021-07-29 | 2021-07-29 | 建立药物协同作用预测模型的方法、预测方法及对应装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114242162A true CN114242162A (zh) | 2022-03-25 |
CN114242162B CN114242162B (zh) | 2022-11-01 |
Family
ID=78419098
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110867932.6A Pending CN113643752A (zh) | 2021-07-29 | 2021-07-29 | 建立药物协同作用预测模型的方法、预测方法及对应装置 |
CN202111597730.0A Active CN114242162B (zh) | 2021-07-29 | 2021-12-24 | 建立药物协同作用预测模型的方法、预测方法及对应装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110867932.6A Pending CN113643752A (zh) | 2021-07-29 | 2021-07-29 | 建立药物协同作用预测模型的方法、预测方法及对应装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230035954A1 (zh) |
JP (1) | JP7439359B2 (zh) |
CN (2) | CN113643752A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114678069A (zh) * | 2022-05-27 | 2022-06-28 | 浙江大学 | 器官移植的免疫排斥预测及信号通路确定装置 |
CN114792573A (zh) * | 2022-04-18 | 2022-07-26 | 北京百度网讯科技有限公司 | 药物联用的效果预测方法、模型训练方法、装置及设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828536A (zh) * | 2024-03-04 | 2024-04-05 | 粤港澳大湾区数字经济研究院(福田) | 节点交互的预测方法、模型、终端及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887540A (zh) * | 2019-01-15 | 2019-06-14 | 中南大学 | 一种基于异构网络嵌入的药物靶标相互作用预测方法 |
US20200225242A1 (en) * | 2017-08-23 | 2020-07-16 | The General Hospital Corporation | Multiplexed proteomics and predictive drug candidate assessment |
CN111564186A (zh) * | 2020-03-25 | 2020-08-21 | 湖南大学 | 基于知识图谱的图卷积药物对相互作用预测方法及系统 |
CN112070277A (zh) * | 2020-08-17 | 2020-12-11 | 杭州电子科技大学 | 基于超图神经网络的药物-标靶相互作用预测方法 |
CN112331262A (zh) * | 2021-01-06 | 2021-02-05 | 北京百度网讯科技有限公司 | 亲和度预测方法及模型的训练方法、装置、设备及介质 |
CN112386596A (zh) * | 2020-11-30 | 2021-02-23 | 哈尔滨医科大学 | 一种抗肿瘤联合用药物组合物及其应用 |
CN113012770A (zh) * | 2021-03-17 | 2021-06-22 | 中南大学 | 基于多模态深度神经网络的药物-药物相互作用事件预测方法、系统、终端及可读存储介质 |
CN113066526A (zh) * | 2021-04-08 | 2021-07-02 | 北京大学 | 一种基于超图的药物-靶标-疾病相互作用预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190303535A1 (en) | 2018-04-03 | 2019-10-03 | International Business Machines Corporation | Interpretable bio-medical link prediction using deep neural representation |
US20210065913A1 (en) | 2019-09-04 | 2021-03-04 | University Of Central Florida Research Foundation, Inc. | Artificial intelligence-based methods for early drug discovery and related training methods |
-
2021
- 2021-07-29 CN CN202110867932.6A patent/CN113643752A/zh active Pending
- 2021-12-24 CN CN202111597730.0A patent/CN114242162B/zh active Active
-
2022
- 2022-06-20 US US17/844,094 patent/US20230035954A1/en not_active Abandoned
- 2022-06-22 JP JP2022100471A patent/JP7439359B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200225242A1 (en) * | 2017-08-23 | 2020-07-16 | The General Hospital Corporation | Multiplexed proteomics and predictive drug candidate assessment |
CN109887540A (zh) * | 2019-01-15 | 2019-06-14 | 中南大学 | 一种基于异构网络嵌入的药物靶标相互作用预测方法 |
CN111564186A (zh) * | 2020-03-25 | 2020-08-21 | 湖南大学 | 基于知识图谱的图卷积药物对相互作用预测方法及系统 |
CN112070277A (zh) * | 2020-08-17 | 2020-12-11 | 杭州电子科技大学 | 基于超图神经网络的药物-标靶相互作用预测方法 |
CN112386596A (zh) * | 2020-11-30 | 2021-02-23 | 哈尔滨医科大学 | 一种抗肿瘤联合用药物组合物及其应用 |
CN112331262A (zh) * | 2021-01-06 | 2021-02-05 | 北京百度网讯科技有限公司 | 亲和度预测方法及模型的训练方法、装置、设备及介质 |
CN113012770A (zh) * | 2021-03-17 | 2021-06-22 | 中南大学 | 基于多模态深度神经网络的药物-药物相互作用事件预测方法、系统、终端及可读存储介质 |
CN113066526A (zh) * | 2021-04-08 | 2021-07-02 | 北京大学 | 一种基于超图的药物-靶标-疾病相互作用预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792573A (zh) * | 2022-04-18 | 2022-07-26 | 北京百度网讯科技有限公司 | 药物联用的效果预测方法、模型训练方法、装置及设备 |
CN114678069A (zh) * | 2022-05-27 | 2022-06-28 | 浙江大学 | 器官移植的免疫排斥预测及信号通路确定装置 |
CN114678069B (zh) * | 2022-05-27 | 2022-09-06 | 浙江大学 | 器官移植的免疫排斥预测及信号通路确定装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113643752A (zh) | 2021-11-12 |
US20230035954A1 (en) | 2023-02-02 |
CN114242162B (zh) | 2022-11-01 |
JP2023020910A (ja) | 2023-02-09 |
JP7439359B2 (ja) | 2024-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114242162B (zh) | 建立药物协同作用预测模型的方法、预测方法及对应装置 | |
US20210082539A1 (en) | Gene mutation identification method and apparatus, and storage medium | |
US20180212986A1 (en) | Network attack detection method and device | |
CN114420309B (zh) | 建立药物协同作用预测模型的方法、预测方法及对应装置 | |
EP4027348A2 (en) | Affinity prediction method and apparatus, method and apparatus for training affinity prediction model, device and medium | |
CN110162518B (zh) | 数据分组方法、装置、电子设备及存储介质 | |
US20230230081A1 (en) | Account identification method, apparatus, electronic device and computer readable medium | |
CN113904943A (zh) | 账号检测方法、装置、电子设备和存储介质 | |
CN113868434A (zh) | 图数据库的数据处理方法、设备和存储介质 | |
CN115579069A (zh) | scRNA-Seq细胞类型注释数据库的构建方法、装置及电子设备 | |
CN114492370A (zh) | 网页识别方法、装置、电子设备和介质 | |
CN113868254A (zh) | 图数据库中的实体节点去重方法、设备和存储介质 | |
CN114117248A (zh) | 数据处理方法、装置及电子设备 | |
CN113409884A (zh) | 排序学习模型的训练方法及排序方法、装置、设备及介质 | |
CN112507223A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN114792573B (zh) | 药物联用的效果预测方法、模型训练方法、装置及设备 | |
CN116070601B (zh) | 数据拼接方法、装置、电子设备及存储介质 | |
CN115497633B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN117238368B (zh) | 分子遗传标记分型方法和装置、生物个体识别方法和装置 | |
CN109241428B (zh) | 用户性别的确定方法、装置、服务器及存储介质 | |
CN114596449A (zh) | 图像样本数据挖掘方法、装置及电子设备 | |
CN113836358A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114724003A (zh) | 图像特征提取模型的训练方法、图像检索方法及装置 | |
CN114692866A (zh) | 用于辅助模型训练的方法、装置及计算机程序产品 | |
CN113360688A (zh) | 信息库的构建方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |