CN115713966A - 一种基于多模态网络和宽度学习的药物相互作用预测方法 - Google Patents
一种基于多模态网络和宽度学习的药物相互作用预测方法 Download PDFInfo
- Publication number
- CN115713966A CN115713966A CN202211455475.0A CN202211455475A CN115713966A CN 115713966 A CN115713966 A CN 115713966A CN 202211455475 A CN202211455475 A CN 202211455475A CN 115713966 A CN115713966 A CN 115713966A
- Authority
- CN
- China
- Prior art keywords
- drug
- modal
- medicine
- learning
- attention
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 206010013710 Drug interaction Diseases 0.000 title claims description 36
- 239000003814 drug Substances 0.000 claims abstract description 94
- 229940079593 drug Drugs 0.000 claims abstract description 57
- 230000003993 interaction Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 239000000126 substance Substances 0.000 claims description 32
- 102000004190 Enzymes Human genes 0.000 claims description 15
- 108090000790 Enzymes Proteins 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000037361 pathway Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 230000008406 drug-drug interaction Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000890 drug combination Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于多模态网络和宽度学习的药物相互作用预测方法,包括:获取药物的多模态特征信息,并求取各个模态下的药物交互图;通过图注意力网络学习药物在不同模态下的特征;利用宽度学习系统进行多模态特征融合,并通过融合后的药物多模态特征来预测每个药物对之间存在相互作用的概率。本发明从多模态数据中提取药物特征信息,并利用图神经网络强大的特征表示能力来建模和学习药物的不同模态特征,通过将药物不同模态的数据特征映射到统一的低维向量空间,利用宽度学习可以融合多种特征的特点,融合四种模态的信息,充分利用了特征信息,增强模型表达能力。利用宽度学习系统可进行增量学习的特性,提高模型的预测性能。
Description
技术领域
本发明涉及药物相互作用预测的技术领域,尤其涉及到一种基于多模态网络和宽度学习的药物相互作用预测方法。
背景技术
如今,多药处方已经成为一种常见现象,这也导致药物相互作用的几率增大。药物相互作用(Drug-Drug Interaction,DDI)是指病人在同时服用两种或两种以上的药物时,一种药物的药效受到另一种药物的影响而发生改变,从而导致药效减弱,或是产生毒副作用。因此,在联合用药时,如何提前预测和发现可能会出现的药物不良相互作用,从而降低潜在风险、促进安全的药物联合处方,已经成为生物信息学领域急需解决的一大难题。
现有技术中,大多数DDI预测方法首先通过SMILES(Simplified molecular inputline entry system,简化分子线性输入规范)序列信息,提取药物相互作用产生的拓扑结构特征,然后再进行DDI预测。而实际上,药物的特征不仅可以通过SMILES序列信息抽取,还存在许多类型的药物数据如:药物的化学亚结构、靶点、副作用、描述药物的文本信息等。如何合理地整合药物的多源数据,对药物的多种特征信息进行融合,以提高模型预测能力,仍是DDI研究中亟待解决的问题。此外,现有DDI预测方法对于新增数据缺乏增量学习的能力,需重新训练整个模型。
发明内容
本发明的目的在于克服现有技术的不足,提供一种能充分利用特征信息、模型表达能力较强、预测性能较为优越的基于多模态网络和宽度学习的药物相互作用预测方法。
为实现上述目的,本发明所提供的技术方案为:
一种基于多模态网络和宽度学习的药物相互作用预测方法,利用药物相互作用预测模型对药物相互作用进行预测,该药物相互作用预测模型包括输入层、嵌入层以及宽度学习层,预测的过程包括:
在输入层中,获取药物的多模态特征信息,并求取各个模态下的药物交互图;
在嵌入层中,通过图注意力网络学习药物在不同模态下的特征;
在宽度学习层中,利用宽度学习系统进行多模态特征融合,并通过融合后的药物多模态特征来预测每个药物对之间存在相互作用的概率。
进一步地,获取药物的多模态特征信息,并求取各个模态下的药物交互图,包括:
从drugbank和KEGG数据库中获取药物的化学亚结构、靶点、酶和通路模态特征信息;
求取化学亚结构、靶点、酶和通路模态下的药物交互图Gs、Gt、Ge、Gp。
进一步地,求取化学亚结构模态下的药物交互图Gs,包括:
通过以下公式计算药物在化学亚结构模态下的相似度矩阵Ss:
其中,Fs表示药物对应的化学亚结构的二元特征向量;M11表示两种药物特征向量中对应位置的值均为1的元素总数,M01表示两个特征向量中对应位置在Fsu中的值为0且在Fsv中的值为1;M10表示两个特征向量中对应位置在Fsu中的值为1且在Fsv中的值为0;
根据相似度矩阵,得到在化学亚结构模态下的药物交互图Gs:
其中,Nv和Nu分别表示药物v和u的邻居节点集合。
进一步地,通过图注意力网络学习药物在化学亚结构模态下的特征表示,包括:
设第l层输入和输出的药物分子特征为hi和hi′;
先将l层输入的特征经过一个参数共享的线性变换,设其权重矩阵W;
然后,在交互图Gs中对每个节点都是用注意力机制attention来计算其他节点与该节点之间的注意力分数:
eij表示药物j对药物i的重要性;
接着,使用softmax归一化注意力权重,LeakyReLU激活函数进行非线性化,并使用注意力权重聚合邻节点特征,计算注意力系数:
其中,a表示注意力网络的权重向量;
计算出注意力系数后,采用多头注意力的形式对药物分子特征进行更新:
其中,K表示多头注意力的头数,多头注意力在平行子空间中分别学习K个不同的注意力分数;
在经过图注意力网络的特征提取后,得到药物在化学亚结构模态下的特征表示Zs。
进一步地,利用宽度学习系统进行多模态特征融合包括:
将得到的化学亚结构、靶点、酶和通路模态特征融合得到Z:
Z=Zs||Zt||Ze||Zp
其中,Zs为药物在化学亚结构模态下的特征,Zt为药物在靶点模态下的特征,Ze为药物在酶模态下的特征,Zp为药物在通路模态下的特征;
接着将T通过特征层映射得到Fi:
其中,和是随机生成得到的,φ是激活函数,n为特征层的节点窗口数,每个窗口有k个节点;将得到的所有特征记为Fn=[F1,F2,…,Fn],这些特征经过增强层得到的增强特征Hm,其中第i个增强特征的计算方式为:
Y=[F1,F2,…,Fn|H1,H2,…,Hm]Wm=[Fn|Hm]Wm
进一步地,为了提高药物相互作用预测模型的增量学习能力,宽度学习系统进行多模态特征融合前,通过增量学习算法更新宽度学习系统的权重参数,多模态特征融合采用的是权重参数更新后的宽度学习系统。
进一步地,通过增量学习算法更新宽度学习系统的权重参数,包括:
新的输入矩阵更新为:
根据相关的伪逆更新算法,推导出如下公式:
其中,Ya表示新增数据的标签。
与现有技术相比,本方案原理及优点如下:
1、本方案从多模态数据中提取药物特征信息,并利用图神经网络强大的特征表示能力来建模和学习药物的不同模态特征。通过将药物不同模态的数据特征映射到统一的低维向量空间,利用宽度学习可以融合多种特征的特点,融合四种模态的信息,充分利用了特征信息,增强模型表达能力。
2、本方案利用宽度学习系统可进行增量学习的特性,在无需重新训练整个药物相互作用预测模型的情况下学习新样本新知识,提高模型的预测性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于多模态网络和宽度学习的药物相互作用预测方法的原理流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
如图1所示,本实施例所述的一种基于多模态网络和宽度学习的药物相互作用预测方法,利用药物相互作用预测模型对药物相互作用进行预测,该药物相互作用预测模型包括输入层、嵌入层以及宽度学习层,预测的过程包括以下步骤:
S1、在输入层中,获取药物的化学亚结构、靶点、酶和通路模态特征信息,并求取各个模态下的药物交互图;
具体为,从drugbank和KEGG数据库中获取药物的化学亚结构、靶点、酶和通路模态特征信息,求取化学亚结构、靶点、酶和通路模态下的药物交互图Gs、Gt、Ge、Gp。
其中,求取化学亚结构模态下的药物交互图Gs,包括:
通过以下公式计算药物在化学亚结构模态下的相似度矩阵Ss:
上式中,Fs表示药物对应的化学亚结构的二元特征向量;M11表示两种药物特征向量中对应位置的值均为1的元素总数,M01表示两个特征向量中对应位置在Fsu中的值为0且在Fsv中的值为1;M10表示两个特征向量中对应位置在Fsu中的值为1且在Fsv中的值为0;
根据相似度矩阵,得到在化学亚结构模态下的药物交互图Gs:
上式中,Nv和Nu分别表示药物v和u的邻居节点集合。
按照以上数据预处理方法,可以得到另外三个模态:靶点、酶和通路信息下的药物交互图Gt、Ge、Gp。
S2、在嵌入层中,通过图注意力网络GAT(graph attention network)学习药物在不同模态下的特征;
其中,通过图注意力网络学习药物在化学亚结构模态下的特征表示,包括:
设第l层输入和输出的药物分子特征为hi和hi′;
先将l层输入的特征经过一个参数共享的线性变换,设其权重矩阵W;
然后,在交互图Gs中对每个节点都是用注意力机制attention来计算其他节点与该节点之间的注意力分数:
eij表示药物j对药物i的重要性;
接着,使用softmax归一化注意力权重,LeakyReLU激活函数进行非线性化,并使用注意力权重聚合邻节点特征,计算注意力系数:
其中,a表示注意力网络的权重向量;
计算出注意力系数后,采用多头注意力的形式对药物分子特征进行更新:
其中,K表示多头注意力的头数,多头注意力在平行子空间中分别学习K个不同的注意力分数;
在经过图注意力网络的特征提取后,得到药物在化学亚结构模态下的特征表示Zs。同理,采用上述方法可以得到靶点、酶和通路模态下的特征Zt、Ze、Zp。
S3、通过增量学习算法更新宽度学习层中宽度学习系统的权重参数,包括:
新的输入矩阵更新为:
根据相关的伪逆更新算法,推导出如下公式:
其中,Ya表示新增数据的标签。
S4、在宽度学习层中,利用更新后的宽度学习系统进行多模态特征融合,并通过融合后的药物多模态特征来预测每个药物对之间存在相互作用的概率。
利用宽度学习系统进行多模态特征融合包括:
将得到的化学亚结构、靶点、酶和通路模态特征融合得到Z:
Z=Zs||Zt||Ze||Zp
其中,Zs为药物在化学亚结构模态下的特征,Zt为药物在靶点模态下的特征,Ze为药物在酶模态下的特征,Zp为药物在通路模态下的特征;
接着将T通过特征层映射得到Fi:
其中,和是随机生成得到的,φ是激活函数,n为特征层的节点窗口数,每个窗口有k个节点;将得到的所有特征记为Fn=[F1,F2,…,Fn],这些特征经过增强层得到的增强特征Hm,其中第i个增强特征的计算方式为:
Y=[F1,F2,…,Fn|H1,H2,…,Hm]Wm=[Fn|Hm]Wm
本实施例从多模态数据中提取药物特征信息,并利用图神经网络强大的特征表示能力来建模和学习药物的不同模态特征。本实施例通过将药物不同模态的数据特征映射到统一的低维向量空间,利用宽度学习可以融合多种特征的特点,融合四种模态的信息,充分利用了特征信息,增强模型表达能力。另外,利用宽度学习系统可进行增量学习的特性,在无需重新训练整个药物相互作用预测模型的情况下学习新样本新知识,提高模型的预测性能。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于多模态网络和宽度学习的药物相互作用预测方法,其特征在于,利用药物相互作用预测模型对药物相互作用进行预测,该药物相互作用预测模型包括输入层、嵌入层以及宽度学习层,预测的过程包括:
在输入层中,获取药物的多模态特征信息,并求取各个模态下的药物交互图;
在嵌入层中,通过图注意力网络学习药物在不同模态下的特征;
在宽度学习层中,利用宽度学习系统进行多模态特征融合,并通过融合后的药物多模态特征来预测每个药物对之间存在相互作用的概率。
2.根据权利要求1所述的一种基于多模态网络和宽度学习的药物相互作用预测方法,其特征在于,获取药物的多模态特征信息,并求取各个模态下的药物交互图,包括:
从drugbank和KEGG数据库中获取药物的化学亚结构、靶点、酶和通路模态特征信息;
求取化学亚结构、靶点、酶和通路模态下的药物交互图Gs、Gt、Ge、Gp。
4.根据权利要求2或3所述的一种基于多模态网络和宽度学习的药物相互作用预测方法,其特征在于,通过图注意力网络学习药物在化学亚结构模态下的特征表示,包括:
设第l层输入和输出的药物分子特征为hi和hi′;
先将l层输入的特征经过一个参数共享的线性变换,设其权重矩阵W;
然后,在交互图Gs中对每个节点都是用注意力机制attention来计算其他节点与该节点之间的注意力分数:
eij表示药物j对药物i的重要性;
接着,使用softmax归一化注意力权重,LeakyReLU激活函数进行非线性化,并使用注意力权重聚合邻节点特征,计算注意力系数:
其中,a表示注意力网络的权重向量;
计算出注意力系数后,采用多头注意力的形式对药物分子特征进行更新:
其中,K表示多头注意力的头数,多头注意力在平行子空间中分别学习K个不同的注意力分数;
在经过图注意力网络的特征提取后,得到药物在化学亚结构模态下的特征表示Zs。
5.根据权利要求4所述的一种基于多模态网络和宽度学习的药物相互作用预测方法,其特征在于,利用宽度学习系统进行多模态特征融合包括:
将得到的化学亚结构、靶点、酶和通路模态特征融合得到Z:
Z=Zs||Zt||Ze||Zp
其中,Zs为药物在化学亚结构模态下的特征,Zt为药物在靶点模态下的特征,Ze为药物在酶模态下的特征,Zp为药物在通路模态下的特征;
接着将T通过特征层映射得到Fi:
其中,和是随机生成得到的,φ是激活函数,n为特征层的节点窗口数,每个窗口有k个节点;将得到的所有特征记为Fn=[F1,F2,…,Fn],这些特征经过增强层得到的增强特征Hm,其中第i个增强特征的计算方式为:
Y=[F1,F2,…,Fn|H1,H2,…,Hm]Wm=[Fn|Hm]Wm
6.根据权利要求1所述的一种基于多模态网络和宽度学习的药物相互作用预测方法,其特征在于,所述宽度学习系统进行多模态特征融合前,通过增量学习算法更新宽度学习系统的权重参数,多模态特征融合采用的是权重参数更新后的宽度学习系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211455475.0A CN115713966A (zh) | 2022-11-21 | 2022-11-21 | 一种基于多模态网络和宽度学习的药物相互作用预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211455475.0A CN115713966A (zh) | 2022-11-21 | 2022-11-21 | 一种基于多模态网络和宽度学习的药物相互作用预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115713966A true CN115713966A (zh) | 2023-02-24 |
Family
ID=85234090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211455475.0A Pending CN115713966A (zh) | 2022-11-21 | 2022-11-21 | 一种基于多模态网络和宽度学习的药物相互作用预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713966A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451176A (zh) * | 2023-06-15 | 2023-07-18 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度学习的药物光谱数据分析方法及装置 |
-
2022
- 2022-11-21 CN CN202211455475.0A patent/CN115713966A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451176A (zh) * | 2023-06-15 | 2023-07-18 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度学习的药物光谱数据分析方法及装置 |
CN116451176B (zh) * | 2023-06-15 | 2024-01-12 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度学习的药物光谱数据分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Goel et al. | The role of artificial neural network and machine learning in utilizing spatial information | |
CN113744799B (zh) | 一种基于端到端学习的化合物和蛋白质相互作用与亲和力预测方法 | |
Yin et al. | MemBrain: an easy-to-use online webserver for transmembrane protein structure prediction | |
Jahandideh et al. | Novel two-stage hybrid neural discriminant model for predicting proteins structural classes | |
CN114398983A (zh) | 分类预测方法、装置、设备、存储介质及计算机程序产品 | |
CN116403730A (zh) | 一种基于图神经网络的药物相互作用预测方法及系统 | |
CN115713966A (zh) | 一种基于多模态网络和宽度学习的药物相互作用预测方法 | |
CN111584010B (zh) | 一种基于胶囊神经网络和集成学习的关键蛋白质识别方法 | |
CN111540405B (zh) | 一种基于快速网络嵌入的疾病基因预测方法 | |
CN115270007A (zh) | 一种基于混合图神经网络的poi推荐方法及系统 | |
CN114420201A (zh) | 一种多源数据高效融合的药物靶标相互作用的预测方法 | |
CN114707641A (zh) | 双视角图神经网络模型的训练方法、装置、设备及介质 | |
CN115985520A (zh) | 基于图正则化矩阵分解的药物疾病关联关系的预测方法 | |
Gan et al. | DMFDDI: deep multimodal fusion for drug–drug interaction prediction | |
CN112668633B (zh) | 一种基于细粒度领域自适应的图迁移学习方法 | |
Li et al. | Multi-Class Imbalance Classification Based on Data Distribution and Adaptive Weights | |
Liu et al. | Crbsp: prediction of circrna-rbp binding sites based on multimodal intermediate fusion | |
CN113961727B (zh) | 一种跨媒体哈希检索方法、装置、终端及存储介质 | |
Kotloff et al. | Assessment of the prevalence and risk factors for human immunodeficiency virus type 1 (HIV-1) infection among college students using three survey methods | |
Wu et al. | Understand how CNN diagnoses faults with Grad-CAM | |
Liang et al. | Incremental deep forest for multi-label data streams learning | |
CN112464991A (zh) | 一种基于多种群动力学的多传感器证据演化博弈融合识别方法 | |
Reyaz-Ahmed et al. | Granular decision tree and evolutionary neural SVM for protein secondary structure prediction | |
Yao et al. | MOCAT: multi-omics integration with auxiliary classifiers enhanced autoencoder | |
CN115631799B (zh) | 样本表型的预测方法、装置、电子设备及存储介质 |
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 |