CN114420309B - 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 PDF

Info

Publication number
CN114420309B
CN114420309B CN202111597912.8A CN202111597912A CN114420309B CN 114420309 B CN114420309 B CN 114420309B CN 202111597912 A CN202111597912 A CN 202111597912A CN 114420309 B CN114420309 B CN 114420309B
Authority
CN
China
Prior art keywords
drug
node
nodes
medicine
synergistic effect
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.)
Active
Application number
CN202111597912.8A
Other languages
English (en)
Other versions
CN114420309A (zh
Inventor
胡靖�
赵国栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Publication of CN114420309A publication Critical patent/CN114420309A/zh
Priority to US17/844,103 priority Critical patent/US20230077818A1/en
Priority to JP2022126661A priority patent/JP2023041620A/ja
Application granted granted Critical
Publication of CN114420309B publication Critical patent/CN114420309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/04—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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • 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
    • G16H50/20—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
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Toxicology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (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注意力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

建立药物协同作用预测模型的方法、预测方法及对应装置
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后应用，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注意力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注意力网络对所述关系图进行学习得到。
根据本公开的第四方面，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。
根据本公开的第五方面，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。
根据本公开的第六方面，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。
根据本公开的第七方面，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 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注意力网络对所述关系图进行学习得到。
可以看出，本公开基于图注意力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，累积了大量的实验数据，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，解码生命现象，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。
由于在前期实验是依赖于载体即组织(本公开实施例中涉及的“组织”指的是生物组织)的，例如在哪个细胞系、器官、肿瘤组织等进行实验，因此作为一种优选的实施方式，本公开上述的关系图为针对特定组织的关系图，例如针对肺癌的关系图、针对甲状腺癌的关系图等等。这种情况下，上述关系图中的边指示的是节点间在特定组织上存在相互作用，关系图实际上就是体现组织特异性的蛋白互作网络。这种关系图能够更加节约算力，又能体现组织特异性的特征，使得后续建立的模型具有更强的预测能力，同时也降低了模型过拟合的可能。
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。在该关系图中，虚线框出的部分为肺癌特异的蛋白质互作网络，相应地，存在协同作用(即存在边)的药物节点对也仅取自于在肺癌细胞系上的实验结果。
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。
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，在肺癌细胞系上存在协同作用)
训练样本2：(药物节点1-药物节点2，在肺癌细胞系上存在协同作用)
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，在肺癌细胞系上不存在协同作用)
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，基于图卷积网络和注意力机制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。
由于本公开实施例中关系图采用针对特定组织的关系图，降低了计算量且能够显著提高训练效率。
图3是本公开实施例提供的药物协同作用预测模型的结构示意图，如图3中所示，该药物协同作用预测模型可以主要包括图注意力网络层和分类层。其中图注意力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，图注意力网络层用以利用关系图中药物节点的特征和药物节点的邻居节点的特征进行Attention(注意力处理)，得到药物节点的向量表示。
作为一种优选的实施方式，图注意力网络层可以对药物节点的特征、药物节点的邻居节点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进行Attention，得到该药物节点的向量表示。
也就是说，经过Attention后药物节点的向量表示不仅由药物节点本身的特征向量决定，还受到其邻居节点的影响。药物节点的向量表示hi'可以采用以下公式确定：
其中，σ()为非线性函数，Nj代表该药物节点及其所有邻居节点构成的集合，W为图卷积网络层的参数矩阵，属于需要更新的模型参数，αij为注意力权重。
其中，
其中，a是上一轮迭代的各注意力权重构成的注意力矩阵，LeakyRelu()为图注意力网络层所采用的带泄露修正线性单元激活函数，可以替换为其他激活函数。||为将两个向量拼接在一起的操作。
进行注意力机制的处理后，图注意力网络可以通过全连接层进行特征的缩放，线性层间以诸如Relu作为非线性函数，最后一层输出可以以Sigmoid作为非线性函数。
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的邻居节点，即节点2、节点3、节点6和节点7，分别对节点1、2、3、6和7的特征进行嵌入处理，得到各节点的特征向量，然后按照上述公式(2)和公式(1)进行注意力处理，得到节点1的向量表示。
采样节点2的邻居节点即节点1、节点4和节点8，将节点2、节点1、节点4和节点8的特征进行嵌入处理，得到各节点的特征向量，然后按照上述公式(2)和公式(1)进行注意力处理，得到节点2的向量表示。
药物协同作用预测模型采用注意力机制来进行特征迭代，速度更快，且能够将不同药物对直接的相关性纳入进来，增强了模型的鲁棒性和泛化性。
另外，上述图注意力网络层也可以采用多头注意力进行处理，在采用多头注意力机制时，实际上是对关系图中药物节点的特征和药物节点的邻居节点的特征进行多头注意力处理，然后将多头注意力处理得到的多个向量表示进行合并，得到该药物节点的向量表示。此时，药物节点的向量表示hi'可以采用以下公式确定：
其中，K代表注意力头的数目。
上述嵌入处理时，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，也可以由化合物预训练任务预先训练得到。预先采集包含药物、蛋白质等化合物作为训练样本，在各训练样本中随机mask(掩码)部分基团。化合物预训练任务可以采用MLM(Masked LanguageModel，掩码语言模型)，在MLM中包括嵌入单元和预测单元。将mask部分基团的训练样本输入MLM，嵌入单元提取训练样本即化合物中各原子的特征向量，预测单元依据各原子的特征向量预测被mask部分的内容。训练目标为最小化预测单元的预测结果与训练样本中被mask部分基团内容的差异。训练结束后，使用训练得到的嵌入单元构建预训练模型，构建的预训练模型可以包括嵌入单元和整合单元。本公开采用的节点经过预训练模型中嵌入单元的处理可以得到节点中各原子的特征向量，然后将各原子的特征向量经由整合单元进行整合，得到节点即整个化合物的特征向量。该节点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。其中，整合单元进行的整合可以是诸如拼接、pooling(池化)等处理。
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。
由于构建的关系图为针对特定组织的关系图，因此分类层可以将药物节点对中各药物节点的向量表示和组织的向量表示进行拼接，利用拼接得到的向量表示经过线性层(诸如Softmax层)进行分类，得到该药物对是否存在协同作用的分类结果。
仍以图2为例，在上面过程中得到节点1的向量表示和节点2的向量表示后，分类层利用节点1对应的向量表示、节点2对应的向量表示和肺部组织的向量表示进行拼接，然后利用拼接得到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。
可以看出，药物协同作用预测模型在分类预测过程中也考虑了特定组织的表征，使得建立的模型具有更好的辨别能力。
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。
本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注意力网络层分别利用待识别药物节点对中各药物节点在关系图中的特征和药物节点的邻居节点的特征进行注意力处理，得到药物节点的向量表示。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。
作为一种具体的实施方式，图注意力网络层可以对关系图中药物节点的特征和药物节点的邻居节点的特征进行多头注意力处理，将多头注意力处理得到的多个向量表示进行合并，得到该药物节点的向量表示。
另外，由于本公开中的关系图可以是针对特定组织的，因此，作为一种优选的实施方式，分类层可以将待识别药物节点对中各药物节点的向量表示和该特定组织的向量表示进行拼接，利用拼接得到的向量表示进行分类，得到该待识别药物节点对是否存在协同作用的分类结果。
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，还可以进一步包括初始值获取单元504和预训练单元505。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注意力网络对关系图进行学习得到。
作为一种优选的实施方式，关系图为针对特定组织的关系图，关系图中的边指示节点间在特定组织上存在相互作用。
其中，上述的药物协同作用预测模型包括图注意力网络层和分类层。
图注意力网络层用以利用关系图中药物节点的特征向量和药物节点的邻居节点的特征向量进行注意力处理，得到药物节点的向量表示。
分类层用以利用药物节点对中各药物节点的向量表示，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。
各节点的特征向量的初始值可以采用预设值，但作为一种优选的实施方式，各节点的特征向量的初始值可以由化合物预训练任务预先得到。即初始值获取单元504利用预训练的嵌入单元得到节点中各原子的特征向量；利用整合单元对各原子的特征向量进行整合，得到节点的特征向量作为图注意力网络层采用的节点的特征向量的初始值。
更进一步地，上述嵌入单元可以由预训练单元505预先训练得到。具体地，预训练单元505获取化合物作为训练样本；将随机mask部分基团的训练样本作为包括嵌入单元和预测单元的掩码语言模型的输入，训练掩码语言模型。
其中，嵌入单元提取训练样本中各原子的特征向量，再由预测单元依据各原子的特征向量预测被掩码部分的内容，训练目标为最小化预测单元的预测结果与训练样本中被掩码部分基团内容的差异。
其中，图注意力网络层可以具体用以对关系图中药物节点的特征和药物节点的邻居节点的特征进行多头注意力处理；将多头注意力处理得到的多个向量表示进行合并，得到该药物节点的向量表示。
作为一种优选的实施方式，分类层可以用以将药物节点对中各药物节点的向量表示和上述特定组织的向量表示进行拼接；利用拼接得到的向量表示进行分类，得到该药物节点对是否存在协同作用的分类结果。
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。
本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，即确定单元601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。即确定单元601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。
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。
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注意力网络层分别利用待识别药物节点对中各药物节点在关系图中的特征和药物节点的邻居节点的特征进行注意力处理，得到药物节点的向量表示。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。
作为一种具体的实施方式，图注意力网络层可以对关系图中药物节点的特征和药物节点的邻居节点的特征进行多头注意力处理，将多头注意力处理得到的多个向量表示进行合并，得到该药物节点的向量表示。
另外，由于本公开中的关系图可以是针对特定组织的，因此，作为一种优选的实施方式，分类层可以将待识别药物节点对中各药物节点的向量表示和该特定组织的向量表示进行拼接，利用拼接得到的向量表示进行分类，得到该待识别药物节点对是否存在协同作用的分类结果。
采用本公开上述实施例中提供的方式分别针对前列腺、大肠、卵巢、皮肤以及肺构建组织特异性的关系图分别作为训练集。测试集选择胸腺组织。进行训练和测试后，相关指标结果如下表所示：
表1
预测方法 ROCAUC PRAUC 召回率
传统方法 0.53±0.006 0.392±0.03 0.078±0.01
图注意力机制结合随机初始化 0.58±0.02 0.244±0.05 1.0±0.0
图注意力机制结合预训练节点特征 0.67±0.04 0.40±0.02 1.0±0.0
表1中提及的传统方法指的是：抽取药物的特征向量构建药物对的特征向量，然后利用全连接神经网络进行建模、训练和预测。图注意力机制结合随机初始化方法指的是采用本公开实施例中提供的图注意力机制，但节点的特征向量采用随机初始化的方式训练。图注意力机制结合预训练节点特征指的是采用本公开实施例中提供的图注意力机制，但节点的特征向量的初始值由CCI任务预先训练得到。ROC AUC(接受者操作特性曲线下方面积)和PR AUC(精准召回率曲线下方面积)均体现了模型性能，越接近于1，说明模型准确率越高。
从表1中可以看出，传统方法的泛化性能较差，在未被算法训练过的样本中表现较差且召回率极低，说明大部分存在协同作用的药物节点对都被判定为不存在协同作用。
图注意力机制结合随机初始化方法的PR AUC虽然稍弱，但ROC AUC和召回率均超过了传统方法。而图注意力机制结合预训练节点特征的方法则在ROC AUC、PR AUC和召回率上均超过了传统方法，召回率达到了100％。说明本公开的算法框架确实可以基于注意力机制从药物特征和药物-蛋白质互作特征观察到一些相似特性从而预测药物协同作用的机理，同时也表明上游对药物节点和蛋白质节点的特征进行预训练能够显著增强模型的预测能力。
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 (12)

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；所述关系图为针对特定组织的关系图，所述关系图中的边指示节点间在所述特定组织上存在相互作用，所述特定组织为生物组织；
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；所述药物节点对包括药物节点与蛋白质节点、蛋白质节点与蛋白质节点、药物节点与药物节点；
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注意力网络对所述关系图进行学习得到；其中，
所述药物协同作用预测模型包括图注意力网络层和分类层；
所述图注意力网络层用以利用所述关系图中药物节点的特征向量和药物节点的邻居节点的特征向量进行注意力处理，得到药物节点的向量表示；
所述分类层用以将所述药物节点对中各药物节点的向量表示和所述特定组织的向量表示进行拼接；利用拼接得到的向量表示进行分类，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。
2.根据权利要求1所述的方法，其中，各节点的特征向量的初始值采用如下方式得到：
节点经过预训练的嵌入单元的处理，得到节点中各原子的特征向量；由整合单元对所述各原子的特征向量进行整合，得到节点的特征向量作为所述初始值。
3.根据权利要求2所述的方法，其中，所述嵌入单元采用如下方式预先训练得到：
获取化合物作为训练样本；
将随机掩码部分基团的训练样本作为包括嵌入单元和预测单元的掩码语言模型的输入，训练所述掩码语言模型；
其中，所述嵌入单元提取训练样本中各原子的特征向量，再由所述预测单元依据各原子的特征向量预测被掩码部分的内容，训练目标为最小化所述预测单元的预测结果与训练样本中被掩码部分基团内容的差异。
4.根据权利要求1所述的方法，其中，所述利用所述关系图中药物节点的特征和药物节点的邻居节点的特征进行注意力处理，得到药物节点的向量表示包括：
对所述关系图中药物节点的特征和药物节点的邻居节点的特征进行多头注意力处理；
将所述多头注意力处理得到的多个向量表示进行合并，得到该药物节点的向量表示。
5.一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4中任一项所述的方法预先训练得到。
6.一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；所述关系图为针对特定组织的关系图，所述关系图中的边指示节点间在所述特定组织上存在相互作用，所述特定组织为生物组织；
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；所述药物节点对包括药物节点与蛋白质节点、蛋白质节点与蛋白质节点、药物节点与药物节点；
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注意力网络对所述关系图进行学习得到；其中，
所述药物协同作用预测模型包括图注意力网络层和分类层；
所述图注意力网络层用以利用所述关系图中药物节点的特征向量和药物节点的邻居节点的特征向量进行注意力处理，得到药物节点的向量表示；
所述分类层用以将所述药物节点对中各药物节点的向量表示和所述特定组织的向量表示进行拼接；利用拼接得到的向量表示进行分类，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。
7.根据权利要求6所述的装置，还包括：
初始值获取单元，用于利用预训练的嵌入单元得到节点中各原子的特征向量；利用整合单元对所述各原子的特征向量进行整合，得到节点的特征向量作为所述图注意力网络层采用的节点的特征向量的初始值。
8.根据权利要求7所述的装置，还包括：
预训练单元，用于采用如下方式预先训练得到所述嵌入单元：
获取化合物作为训练样本；
将随机掩码部分基团的训练样本作为包括嵌入单元和预测单元的掩码语言模型的输入，训练所述掩码语言模型；
其中，所述嵌入单元提取训练样本中各原子的特征向量，再由所述预测单元依据各原子的特征向量预测被掩码部分的内容，训练目标为最小化所述预测单元的预测结果与训练样本中被掩码部分基团内容的差异。
9.根据权利要求6所述的装置，其中，所述图注意力网络层具体用以对所述关系图中药物节点的特征和药物节点的邻居节点的特征进行多头注意力处理；将所述多头注意力处理得到的多个向量表示进行合并，得到该药物节点的向量表示。
10.一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如权利要求6至9中任一项所述的装置预先训练得到。
11. 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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
CN202111597912.8A 2021-09-13 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 Active CN114420309B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/844,103 US20230077818A1 (en) 2021-09-13 2022-06-20 Method for establishing medicine synergism prediction model, prediction method and corresponding apparatus
JP2022126661A JP2023041620A (ja) 2021-09-13 2022-08-08 薬品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
CN202111069600 2021-09-13
CN202111069600X 2021-09-13

Publications (2)

Publication Number Publication Date
CN114420309A CN114420309A (zh) 2022-04-29
CN114420309B true CN114420309B (zh) 2023-11-21

Family

ID=81267389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111597912.8A Active CN114420309B (zh) 2021-09-13 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

Country Status (3)

Country Link
US (1) US20230077818A1 (zh)
JP (1) JP2023041620A (zh)
CN (1) CN114420309B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115206421B (zh) * 2022-07-19 2023-04-18 北京百度网讯科技有限公司 药物重定位方法、重定位模型的训练方法及装置
CN116631612B (zh) * 2023-06-09 2024-03-19 广东工业大学 一种基于多图融合的图卷积草药推荐方法及计算机
CN117198426B (zh) * 2023-11-06 2024-01-30 武汉纺织大学 一种多尺度的药物-药物反应可解释预测方法和系统
CN118197402B (zh) * 2024-04-02 2024-09-10 宁夏大学 一种药物靶点关系的预测方法、装置和设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562790A (zh) * 2020-12-09 2021-03-26 中国石油大学(华东) 基于深度学习调控疾病靶点的中药分子推荐系统、计算机设备、存储介质
CN112908429A (zh) * 2021-04-06 2021-06-04 北京百度网讯科技有限公司 一种药物与靶点间的相关性确定方法、装置及电子设备
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
CN113160894A (zh) * 2021-04-23 2021-07-23 平安科技（深圳）有限公司 药物与靶标的相互作用预测方法、装置、设备及存储介质
CN113327644A (zh) * 2021-04-09 2021-08-31 中山大学 一种基于图与序列的深度嵌入学习的药物-靶标相互作用预测方法
WO2021174695A1 (zh) * 2020-03-04 2021-09-10 平安科技（深圳）有限公司 基于机器学习的药物识别方法及相关设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111370073B (zh) * 2020-02-27 2023-04-07 福州大学 一种基于深度学习的药物互作规则预测方法
CN112863693B (zh) * 2021-02-04 2021-09-28 东北林业大学 基于多通道图卷积网络的药物靶标相互作用预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021174695A1 (zh) * 2020-03-04 2021-09-10 平安科技（深圳）有限公司 基于机器学习的药物识别方法及相关设备
CN112562790A (zh) * 2020-12-09 2021-03-26 中国石油大学(华东) 基于深度学习调控疾病靶点的中药分子推荐系统、计算机设备、存储介质
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
CN112908429A (zh) * 2021-04-06 2021-06-04 北京百度网讯科技有限公司 一种药物与靶点间的相关性确定方法、装置及电子设备
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
CN113327644A (zh) * 2021-04-09 2021-08-31 中山大学 一种基于图与序列的深度嵌入学习的药物-靶标相互作用预测方法
CN113160894A (zh) * 2021-04-23 2021-07-23 平安科技（深圳）有限公司 药物与靶标的相互作用预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114420309A (zh) 2022-04-29
US20230077818A1 (en) 2023-03-16
JP2023041620A (ja) 2023-03-24

Similar Documents

Publication Publication Date Title
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
CN110807495B (zh) 多标签分类方法、装置、电子设备及存储介质
EP3872705B1 (en) Detection model training method and apparatus and terminal device
WO2021159742A1 (zh) 图像分割方法、装置和存储介质
Bian et al. Uncertainty-aware domain alignment for anatomical structure segmentation
CN112037912A (zh) 基于医疗知识图谱的分诊模型训练方法、装置及设备
CN107194158A (zh) 一种基于图像识别的疾病辅助诊断方法
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
CN113792115B (zh) 实体相关性确定方法、装置、电子设备及存储介质
US20220215899A1 (en) Affinity prediction method and apparatus, method and apparatus for training affinity prediction model, device and medium
Zhou et al. Nuclei segmentation via sparsity constrained convolutional regression
Abd Elaziz et al. An efficient artificial rabbits optimization based on mutation strategy for skin cancer prediction
EP4411740A1 (en) Model construction method and apparatus, device and medium
CN109146891A (zh) 一种应用于mri的海马体分割方法、装置及电子设备
Nakhli et al. Sparse multi-modal graph transformer with shared-context processing for representation learning of giga-pixel images
CN113705595A (zh) 异常细胞转移程度的预测方法、装置和存储介质
Liu et al. Graph-enhanced U-Net for semi-supervised segmentation of pancreas from abdomen CT scan
Hacking et al. Deep learning for the classification of medical kidney disease: a pilot study for electron microscopy
CN110414562A (zh) X光片的分类方法、装置、终端及存储介质
Khanna et al. Polygenic risk score for cardiovascular diseases in artificial intelligence paradigm: a review
CN114446470A (zh) 基于人工智能模型的急性肾损伤恢复时间预测方法
KR101868744B1 (ko) 임상 진료 지침 제공 방법 및 이를 실행하는 프로그램이 기록된 기록 매체
Anupama et al. Intelligent Classification Model for Biomedical Pap Smear Images on IoT Environment.
CN110335679A (zh) 一种基于多粒度图模式挖掘的生存预测方法及系统
CN114792573B (zh) 药物联用的效果预测方法、模型训练方法、装置及设备

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