CN116525022A - 药物间不良反应的预测方法、装置、设备及可读存储介质 - Google Patents
药物间不良反应的预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116525022A CN116525022A CN202310379566.9A CN202310379566A CN116525022A CN 116525022 A CN116525022 A CN 116525022A CN 202310379566 A CN202310379566 A CN 202310379566A CN 116525022 A CN116525022 A CN 116525022A
- Authority
- CN
- China
- Prior art keywords
- drug
- adverse reaction
- medicine
- molecular
- substructure
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 446
- 229940079593 drug Drugs 0.000 title claims abstract description 286
- 206010067484 Adverse reaction Diseases 0.000 title claims abstract description 183
- 230000006838 adverse reaction Effects 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002411 adverse Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012827 research and development Methods 0.000 abstract description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical group CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 21
- 229960001138 acetylsalicylic acid Drugs 0.000 description 21
- PJVWKTKQMONHTI-UHFFFAOYSA-N warfarin Chemical compound OC=1C2=CC=CC=C2OC(=O)C=1C(CC(=O)C)C1=CC=CC=C1 PJVWKTKQMONHTI-UHFFFAOYSA-N 0.000 description 21
- 229960005080 warfarin Drugs 0.000 description 21
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 206010061623 Adverse drug reaction Diseases 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- KVWDHTXUZHCGIO-UHFFFAOYSA-N olanzapine Chemical compound C1CN(C)CCN1C1=NC2=CC=CC=C2NC2=C1C=C(C)S2 KVWDHTXUZHCGIO-UHFFFAOYSA-N 0.000 description 3
- 229960005017 olanzapine Drugs 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229940043102 valsartan and amlodipine Drugs 0.000 description 3
- PNVNVHUZROJLTJ-UHFFFAOYSA-N venlafaxine Chemical compound C1=CC(OC)=CC=C1C(CN(C)C)C1(O)CCCCC1 PNVNVHUZROJLTJ-UHFFFAOYSA-N 0.000 description 3
- 229960004688 venlafaxine Drugs 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-IGMARMGPSA-N Carbon-12 Chemical compound [12C] OKTJSMMVPCPJKN-IGMARMGPSA-N 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000036647 Medication errors Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 206010040830 Skin discomfort Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 229940127003 anti-diabetic drug Drugs 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 239000003472 antidiabetic agent Substances 0.000 description 1
- 239000002220 antihypertensive agent Substances 0.000 description 1
- 229940127088 antihypertensive drug Drugs 0.000 description 1
- 239000003443 antiviral agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- VNWKTOKETHGBQD-IGMARMGPSA-N carbane Chemical group [12CH4] VNWKTOKETHGBQD-IGMARMGPSA-N 0.000 description 1
- 238000006757 chemical reactions by type Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 231100000304 hepatotoxicity Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007056 liver toxicity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000483 muscle toxicity Toxicity 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Classifications
-
- 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
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- G16C20/50—Molecular design, e.g. of drugs
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pharmacology & Pharmacy (AREA)
- Medicinal Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种药物间不良反应的预测方法、装置、设备及可读存储介质，涉及医药研发技术领域，包括本发明的目的在于提供一种药物间不良反应的预测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：获取第一信息，根据第一信息构建药物间不良反应预测模型；获取第二信息，所述第二信息为待预测的两种药物分子结构信息；将第二信息作为药物间不良反应预测模型的输入，输出预测的药物间不良反应。本发明提升了药物分子结构平面特征的编码表示力，揭示了影响药物间不良反应的关键药物分子亚结构，减少药物间不良反应事件的发生。
Description
技术领域
本发明涉及医药研发技术领域，具体而言，涉及药物间不良反应的预测方法、装置、设备及可读存储介质。
背景技术
目前针对药物间不良反应预测研究工作主要分为两类：基于知识库的方法和基于相似性的方法。现有药物间不良反应预测模型广泛利用药物分子结构特征建立药物间不良反应关系。针对药物分子结构特征，上述方法通常利用药物分子的PubChem亚结构指纹将药物分子结构的SMILES分子式转化为二元编码，通过计算药物间二元编码相似性实现不良反应预测。然而本申请人在实践中发现上述方法仍然存在以下缺陷：(1)药物分子结构编码信息不完善，导致药物分子结构平面特征的编码表示力不足。(2)在不良反应预测中考虑了很多对药物间不良反应的影响较小的非关键因素，造成药物分子结构平面特征编码的复杂化。
发明内容
本发明的目的在于提供一种药物间不良反应的预测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种药物间不良反应的预测方法，包括：
获取第一信息，所述第一信息包括两种药物分子结构信息以及两种药物分子之间的不良反应数据，所述药物分子结构信息包括药物分子结构以及药物分子亚结构；
根据第一信息构建药物间不良反应预测模型：根据两种药物分子亚结构构建两种药物分子结构平面特征编码，对两种药物分子结构平面特征编码进行特征选择，根据特征选择后的两种药物分子结构平面特征编码以及两种药物分子之间的不良反应数据构建药物间不良反应预测模型，所述特征选择为选择引起不良反应的关键药物分子亚结构；
获取第二信息，所述第二信息为待预测的两种药物分子结构信息；
将第二信息作为药物间不良反应预测模型的输入，输出预测的药物间不良反应。
第二方面，本申请还提供了一种药物间不良反应的预测装置，包括：
第一获取模块，用于获取第一信息，所述第一信息包括两种药物分子结构信息以及两种药物分子之间的不良反应数据，所述药物分子结构信息包括药物分子结构以及药物分子亚结构；
第一构建模块，用于根据第一信息构建药物间不良反应预测模型：根据两种药物分子亚结构构建两种药物分子结构平面特征编码，对两种药物分子结构平面特征编码进行特征选择，根据特征选择后的两种药物分子结构平面特征编码以及两种药物分子之间的不良反应数据构建药物间不良反应预测模型，所述特征选择为选择引起不良反应的关键药物分子亚结构；
第二获取模块，用于获取第二信息，所述第二信息为待预测的两种药物分子结构信息；
求解模块，用于将第二信息作为药物间不良反应预测模型的输入，输出预测的药物间不良反应。
第三方面，本申请还提供了一种药物间不良反应的预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述药物间不良反应的预测方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于药物间不良反应的预测方法的步骤。
本发明的有益效果为：本发明构建了药物间不良反应预测模型，提升了药物分子结构平面特征的编码表示力，揭示了影响药物间不良反应的关键药物分子亚结构，探索药物间的潜在不良反应，为药物间不良反应的实验研究提供数据支持，减少药物间不良反应事件的发生，促进用药安全性具有重要意义。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的药物间不良反应的预测方法流程示意图；
图2为本发明实施例中所述的药物间不良反应的预测装置结构示意图；
图3为本发明实施例中所述的药物间不良反应的预测设备结构示意图。
图4为本发明实施例中所述的阿司匹林相对位置的建模示意图。
图5为本发明实施例中所述的华法林相对位置的建模示意图。
图6为本发明实施例中所述的阿司匹林的药物分子结构平面特征编码的示意图。
图7为本发明实施例中所述的华法林的药物分子结构平面特征编码的示意图
图8为本发明实施例中所述的基于特征选择的药物间不良反应预测模型框架。
图中标记：500、第一获取模块；600、第一构建模块；700、第二获取模块；800、求解模块；601、第二构建模块；602、第三构建模块；603、编码模块；6011、第四构建模块；6012、第五构建模块；6021、第六构建模块；6022、第七构建模块；604、引入模块；605、特征选择模块；606、第八构建模块；607、第九构建模块；第十构建模块608；900、药物间不良反应的预测设备；901、处理器；902、存储器；903、多媒体组件；904、I/O接口；905、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
药物不良反应被认为是“药物在预防、诊断、治疗疾病或调节生理机能时出现有害或与用药目的无关的反应”。不良反应类型主要包含药物副作用、毒性作用、过敏反应、特异性反应等。用药错误、药物管理技术执行失误、设备故障、患者用药后监测不当都是造成药物不良反应的关键因素。多种药物联合使用也会增加药物不良反应的风险，如他汀类药物与降压药、抗糖尿病药、抗病毒药和抗凝药联用将会出现皮肤不适、神经系统不适、肌肉毒性、肝毒性等不良反应。
药物分子结构(molecular structure)描述的是药物分子在平面上的排列方式，药物分子亚结构(molecular substructure)表示药物分子结构中的具有一定功能的原子团。
实施例1：
本实施例提供了一种药物间不良反应的预测方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400。
药物间不良反应的预测方法，其特征在于，包括：
步骤S100：获取第一信息，所述第一信息包括两种药物分子结构信息以及两种药物分子之间的不良反应数据，所述药物分子结构信息包括药物分子结构以及药物分子亚结构。
所述步骤S100中具体从TWOSIDES数据库中收集药物间不良反应数据。TWOSIDES数据库记录了由两个药物联合使用的不良反应。从DrugBank数据库收集药物的药物分子结构信息。DrugBank数据库描述的药物分子结构的SMILES分子式，通过R语言rcdk工具包，将药物分子结构的SMILES分子式转换成药物分子结构图。
步骤S200：根据第一信息构建药物间不良反应预测模型：根据两种药物分子亚结构构建两种药物分子结构平面特征编码，对两种药物分子结构平面特征编码进行特征选择，根据特征选择后的两种药物分子结构平面特征编码以及两种药物分子之间的不良反应数据构建药物间不良反应预测模型，所述特征选择为选择引起不良反应的关键药物分子亚结构。
所述药物分子结构信息包括原子间连接方式、共价键的距离、共价键键角、原子类型、原子数量和相对原子质量，根据药物分子亚结构构建药物分子结构平面特征编码，所述步骤S200具体包括：
步骤S201：根据原子间连接方式、共价键的距离、共价键键角构建药物分子亚结构的相对位置模型；
步骤S201具体包括：
步骤S2011：根据所述药物分子结构中所有原子的原子间连接方式、共价键的距离、共价键键角构建药物分子平面结构中心计算函数；
步骤S2012：根据所述药物分子亚结构中原子的原子间连接方式、共价键的距离、共价键键角以及药物分子的平面结构中心计算函数构建药物分子亚结构的相对位置模型。
下面通过药物阿司匹林和华法林对步骤S201做进一步说明：
原子间的连接方式包括化学键：单键、双键、三键、苯环等，由于原子间的连接方式、连接距离和共价键构成的键角是影响药物分子亚结构相对位置的关键因素，因此本申请人想到可以先通过计算药物分子结构整体的结构中心，然后根据所述结构中心和药物分子亚结构间的位置关系，确定药物分子亚结构的相对位置。
根据所述药物分子结构中所有原子的原子间连接方式、共价键的距离、共价键键角建立平面直角坐标系；
根据三角函数将所述药物分子结构信息中所有原子的共价键键角映射至平面直角坐标系的水平坐标轴和垂直坐标轴，获得每个原子在平面直角坐标系上的相对位置；
根据药物分子结构中每个原子在平面直角坐标系上的相对位置基于三角函数构建药物分子平面结构中心计算函数；
根据所述药物分子亚结构中原子的原子间连接方式、共价键的距离、共价键键角以及药物分子的平面结构中心计算函数以及相对位置计算函数构建药物分子亚结构的相对位置模型，所述相对位置计算函数包括药物分子亚结构中每个原子相对于药物分子平面结构中心的水平垂直偏移量计算函数和偏移角度计算函数。
以阿司匹林和华法林的平面结构为例，我们基于原子间的连接方式、连接距离和共价键键角，计算阿司匹林和华法林中药物分子亚结构的相对位置。
如图4所示为阿司匹林相对位置的建模示意图。阿司匹林包含的药物分子亚结构记为αi，i＝1,...,N，N表示阿司匹林中的药物分子亚结构数目。
阿司匹林中所有原子间连接方式集合记为Lα，连接距离集合记为Dα，共价键键角集合记为Aα。因此，阿司匹林的平面结构中心(Xα,Yα)可表示为：
(Xα,Yα)＝f(Lα,Dα,Aα) (1)
其中，f表示药物分子平面结构中心计算函数。
根据阿司匹林中原子间的连接方式、共价键的距离以及共价键的键角，我们可建立平面直角坐标系，通过计算原子间的复杂三角函数，确定分子的结构中心。其中，药物分子亚结构αi中原子间的连接方式集合记为连接距离集合记为/>共价键键角集合记为/>结合阿司匹林的平面结构中心(Xα,Yα)，药物分子亚结构αi的相对位置可表示为：
g表示药物分子亚结构相对位置计算函数。同理地，根据结构中心的位置(Xα,Yα)和药物分子亚结构中原子间的连接方式、连接距离和共价键键角，确定每个药物分子亚结构的相对位置坐标
如图5所示为华法林相对位置的建模示意图。华法林包含的药物分子亚结构记为βj，j＝1,...,M，M表示华法林中药物分子亚结构数目。华法林中所有原子间的连接方式集合记为Lβ，连接距离集合记为Dβ，共价键键角集合记为Aβ。华法林的平面结构中心(Xβ,Yβ)可表示为：
(Xβ,Yβ)＝f(Lβ,Dβ,Aβ) (3)
其中，f表示药物分子平面结构中心计算函数。因此，结合华法林的平面结构中心(Xβ,Yβ)，药物分子亚结构βj中原子间的连接方式连接距离/>和共价键键角/>则药物分子亚结构βj的相对位置可表示为：
其中，g表示药物分子亚结构相对位置计算函数。
步骤S202：根据原子类型、原子数量和相对原子质量构建药物分子亚结构的相对权重模型；
步骤S202具体包括：
步骤S2021：根据药物分子亚结构中原子的原子类型、原子数量和相对原子质量构建药物分子亚结构相对分子质量计算函数；
步骤S2022：根据药物分子亚结构数目、药物分子亚结构相对分子质量计算函数构建药物分子亚结构的相对权重模型。
在药物分子亚结构中，药物分子亚结构的权重受原子类型、原子数量和元素相对原子质量的影响。元素周期表记录了元素的原子序数、原子类型、族序号、相对原子质量等信息，相对原子质量R是指以一个碳-12(C-12)原子质量的1/12作为标准。任何一个原子的真实质量跟一个碳-12原子质量的1/12的比值，称为该原子的相对原子质量。
在本步骤中，以阿司匹林和华法林的平面结构为例，基于原子类型、原子数量和元素相对原子质量，计算阿司匹林和华法林中药物分子亚结构的相对权重。
阿司匹林中药物分子亚结构αi和华法林中药物分子亚结构βj的相对分子质量H(αi)和H(βj)可分别表示为和/>其中/>表示药物分子亚结构αi中第k种元素的数量，Rk表示第k种元素的相对原子质量。
同时，为了消除部分相对原子质量较大、出现频次较低的元素对药物分子亚结构相对权重计算的影响，提高原子数量在药物分子亚结构相对分子质量计算中的权重贡献，在计算药物分子亚结构相对分子质量时，构建药物分子亚结构中原子数量与药物分子亚结构相对分子质量的函数关系，给定药物分子亚结构αi，表示药物分子亚结构αi中原子数量，函数/>表示原子数量为/>的药物分子亚结构对其相对分子质量的贡献值。因此，药物分子亚结构αi和βj的相对分子质量H(αi)和H(βj)可表示为：
由此，药物分子亚结构αi和βj的相对权重则可分别表示为：
在药物分子亚结构相对位置建模过程中，不仅根据原子间的连接方式和连接距离确定药物分子亚结构的位置中心，同时结合药物分子亚结构的相对权重计算药物分子亚结构的重心，设计整合策略实现包含相对权重信息的相对位置编码，减少药物分子亚结构编码空间维度，降低药物分子结构平面特征编码的空间复杂度。
步骤S203：根据所述相对位置模型和相对权重模型对药物分子亚结构进行编码构建药物分子结构平面特征编码。
步骤S203具体包括：
S2031：根据所述相对位置模型和相对权重模型构建药物分子亚结构平面特征编码；
S2032：根据所述相对位置模型和相对权重模型对药物分子亚结构平面特征编码按顺序进行排列，得到药物分子结构平面特征编码。
以上述以阿司匹林和华法林的平面结构为例，具体基于药物分子亚结构的相对位置和相对权重对药物分子亚结构信息进行编码，以提升药物分子结构平面特征编码的表示力。用药物分子亚结构的相对位置和相对权重对药物分子亚结构进行特征描述，实现药物分子亚结构平面特征的编码。给定药物分子亚结构αi的相对位置和相对权重W(αi)，药物分子亚结构αi的平面特征编码可表示为：
如图6所示为阿司匹林的药物分子结构平面特征编码的示意图，图7为华法林的药物分子结构平面特征编码的示意图。图6中仅示出i为3的情况，图7中仅示出j为4的情况。阿司匹林中药物分子亚结构αi的平面特征编码可表示为其中表示αi的相对位置，W(αi)表示αi的相对权重；华法林中药物分子亚结构βj的平面特征编码可表示为/>其中/>表示βj的相对位置，W(βj)表示βj的相对权重。在药物分子结构特征编码中，我们将每个药物分子亚结构的相对位置和相对权重按照顺序进行排列。因此：
阿司匹林的药物分子结构平面特征编码可表示为：
华法林的药物分子结构平面特征编码可表示为：
步骤S204：对两种药物分子结构平面特征编码进行特征选择，根据特征选择后的两种药物分子结构平面特征编码以及两种药物分子之间的不良反应数据构建药物间不良反应预测模型，所述特征选择为选择引起不良反应的关键药物分子亚结构。
步骤S204具体包括：
S2041：对两种药物分子结构平面特征编码引入向量范数；
S2042：根据所述向量范数分别在两种药物分子结构平面特征编码中进行特征选择，得到特征选择后的两种药物分子结构平面特征编码；
S2043：根据两种药物分子之间的不良反应数据构建表示两种药物间不良反应关系的不良反应向量；
S2044：根据特征选择后的两种药物分子结构平面特征编码以及预设的药物分子结构-不良反应张量构建不良反应向量估计函数；
S2045：根据不良反应向量与不良反应向量估计函数构建药物间不良反应预测模型。
构建基于特征选择的药物间不良反应预测模型，降低药物分子结构特征编码的维度，揭示影响药物间不良反应的关键药物分子亚结构。本步骤以阿司匹林和华法林为例，基于两个药物分子结构的平面特征编码，构建特征选择模型，实现不良反应的预测。
由于每个药物包含的药物分子亚结构数量存在差异，针对不同药物间的不良反应关系，需构建一致策略消除不同药物的药物分子亚结构数量差异，进而实现不同药物间不良反应关系的一致性建模。另一方面，由于药物间不良反应通常只受少量关键药物分子亚结构影响，剩余药物分子亚结构作为关键药物分子亚结构的伴随信息，对药物间不良反应的影响较小。因此，本步骤基于药物分子结构的平面特征编码，提出基于特征选择的药物间不良反应预测模型，通过引入向量l0范数，对影响药物间不良反应的药物分子亚结构数目进行约束，并挖掘影响药物间不良反应的关键药物分子亚结构。通过引入向量范数，移除未选择的药物分子亚结构，获得特征选择后的药物分子结构平面编码。
具体地，基于阿司匹林和华法林的药物分子结构平面特征编码u和v，引入向量l0范数，分别在编码u和v中选择引起不良反应的关键药物分子亚结构，获得特征选择后的编码向量和/>向量l0范数用于选择向量中的非0元素，并将未选择的元素赋值为0。在图8中，向量中非0元素的个数为5，即分别在阿司匹林和华法林的药物分子结构平面特征编码u和v中选择C个关键药物分子亚结构(C＝5)，剩余未选择的药物分子亚结构对应的位置设置为0，获得特征选择后的药物分子结构平面特征编码/>和/>在此基础上，我们移除未选择的药物分子亚结构，仅保留被选择的药物分子亚结构，即保留/>和/>中的非0元素，获得向量/>和/>
一共收集1188258组药物间不良反应数据，涉及59377组不良反应药对，N*＝567种药物，K*＝258种不良反应。涵盖基本常见的药物和不良反应。给定药物集合D＝{d1,d2,…,dN*}，针对药物di和dj间的不良反应，构建向量表示di和dj间不良反应关系，若di和dj间引发第K种不良反应，则/>否则/>其中所述K∈{1,258}。
为了建立阿司匹林和华法林间的不良反应模型，探究特征选择后的药物分子结构平面编码和/>与其不良反应向量rij间的潜在关系，我们引入药物分子结构-不良反应张量/>则向量rij的估计值/>为：
其中，×1表示药物分子结构-不良反应张量的第1阶与向量的乘积，×2表示药物分子结构-不良反应张量的第2阶与向量的乘积。
因此，药物间不良反应预测模型目标函数可写成：
||rij||0表示向量l0范数，||rij||0≠0表示向量rij是个非零向量。
基于向量的l0范数优化和高阶张量低秩CP分解法，将向量的l0范数转换为最优凸近似l1范数，并将张量解成秩为1的张量和，实现药物间不良反应rij的估计。最后利用随机梯度下降法，对模型的隐含参数进行迭代优化，实现模型的参数更新，如图8所示为基于特征选择的药物间不良反应预测模型框架，所述图8中norm用于指定在药物分子结构平面特征编码向量中选择关键药物分子亚结构的个数；Combined表示表示组合向量中非0的元素；Least-squares Loss表示最小二乘法损失函数。
步骤S300：获取第二信息，所述第二信息为待预测的两种药物分子结构信息。
给定任意两个药物的药物分子结构信息，预测药物间不良反应。首先从DrugBank数据库中提取待预测不良反应药物分子结构的SMILES分子式，首先利用R语言rcdk工具包，将药物分子结构的SMILES分子式转换成药物分子结构图。
步骤S400：将第二信息作为药物间不良反应预测模型的输入，输出预测的药物间不良反应。
利用本发明提出的药物间不良反应预测模型对药物分子亚结构的相对位置和相对权重进行建模，基于药物分子亚结构相对位置和相对权重对药物分子亚结构信息进行编码，最终完成药物分子结构平面特征的编码。基于优化得到的张量和药物分子结构的平面特征编码，我们利用公式(12)计算药物间的不良反应向量，实现药物间不良反应预测。
利用所提出基于药物分子结构平面特征编码的药物间不良反应预测方法，我们能够实现不良反应预测，并揭示部分潜在的不良反应，为基于生物实验方法的药物间不良反应研究和新药安全性研究提供数据支持。在实际应用中采用本发明预测药物间不良反应：
药物间不良反应预测实验1：利用本发明预测药物文拉法辛和奥氮平之间的不良反应，以药物文拉法辛和奥氮平的药物分子结构信息作为输入，通过本发明预测到不良反应药物组合文拉法辛和抗精神分裂症药物奥氮平，两者共同使用将引发意识丧失、偏执和嗜睡等不良反应。
药物间不良反应预测实验2：利用本发明预测药物缬沙坦和氨氯地平之间的不良反应，以药物缬沙坦和氨氯地平的药物分子结构信息作为输入，通过本发明预测到不良反应药物组合缬沙坦和氨氯地平，两者组合将造成头晕、腹泻、恶心和心悸等不良反应。
本发明通过：
1.通过结合两种药物分子亚结构的相对位置模型和相对权重模型对药物分子结构进行编码，由此提升了药物分子结构平面特征的编码表示力。
2.构建的药物间不良反应预测模型，对两种药物分子结构平面特征编码进行特征选择，所述特征选择为选择引起不良反应的关键药物分子亚结构，由此揭示影响药物间不良反应的关键药物分子亚结构，排除了很多对药物间不良反应的影响较小的非关键因素，探索药物间的潜在不良反应，为药物间不良反应的实验研究提供数据支持，减少药物间不良反应事件的发生，促进用药安全性具有重要意义。
实施例2：
如图2所示，本实施例提供了一种药物间不良反应的预测装置，所述装置包括：
第一获取模块500，用于获取第一信息，所述第一信息包括两种药物分子结构信息以及两种药物分子之间的不良反应数据，所述药物分子结构信息包括药物分子结构以及药物分子亚结构；
第一构建模块600，用于根据第一信息构建药物间不良反应预测模型：根据两种药物分子亚结构构建两种药物分子结构平面特征编码，对两种药物分子结构平面特征编码进行特征选择，根据特征选择后的两种药物分子结构平面特征编码以及两种药物分子之间的不良反应数据构建药物间不良反应预测模型，所述特征选择为选择引起不良反应的关键药物分子亚结构；
第二获取模块700，用于获取第二信息，所述第二信息为待预测的两种药物分子结构信息；
求解模块800，用于将第二信息作为药物间不良反应预测模型的输入，输出预测的药物间不良反应。
所述第一构建模块600，包括：
第二构建模块601，用于根据原子间连接方式、共价键的距离、共价键键角构建药物分子亚结构的相对位置模型；
第三构建模块602，用于根据原子类型、原子数量和相对原子质量构建药物分子亚结构的相对权重模型；
编码模块603，用于根据所述相对位置模型和相对权重模型对药物分子亚结构进行编码构建药物分子结构平面特征编码。
所述第二构建模块601，包括：
第四构建模块6011，用于根据所述药物分子结构中所有原子的原子间连接方式、共价键的距离、共价键键角构建药物分子平面结构中心计算函数；
第五构建模块6012，用于根据所述药物分子亚结构中原子的原子间连接方式、共价键的距离、共价键键角以及药物分子的平面结构中心计算函数构建药物分子亚结构的相对位置模型；
所述第三构建模块602，包括：
第六构建模块6021，用于根据药物分子亚结构中原子的原子类型、原子数量和相对原子质量构建药物分子亚结构相对分子质量计算函数；
第七构建模块6022，用于根据药物分子亚结构数目、药物分子亚结构相对分子质量计算函数构建药物分子亚结构的相对权重模型。
所述第一构建模块600，还包括：
引入模块604，用于对两种药物分子结构平面特征编码引入向量范数；
特征选择模块605，用于根据所述向量范数分别在两种药物分子结构平面特征编码中进行特征选择，得到特征选择后的两种药物分子结构平面特征编码；
第八构建模块606，用于根据两种药物分子之间的不良反应数据构建表示两种药物间不良反应关系的不良反应向量；
第九构建模块607，用于根据特征选择后的两种药物分子结构平面特征编码以及预设的药物分子结构-不良反应张量构建不良反应向量估计函数；
第十构建模块608，用于根据不良反应向量与不良反应向量估计函数构建药物间不良反应预测模型。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种药物间不良反应的预测设备，下文描述的一种药物间不良反应的预测设备与上文描述的一种药物间不良反应的预测方法可相互对应参照。
图3是根据示例性实施例示出的一种药物间不良反应的预测设备900的框图。如图3所示，该药物间不良反应的预测设备900可以包括：处理器901，存储器902。该药物间不良反应的预测设备900还可以包括多媒体组件903，I/O接口904，以及通信组件905中的一者或多者。
其中，处理器901用于控制该药物间不良反应的预测设备900的整体操作，以完成上述的药物间不良反应的预测方法中的全部或部分步骤。存储器902用于存储各种类型的数据以支持在该药物间不良反应的预测设备900的操作，这些数据例如可以包括用于在该药物间不良反应的预测设备900上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器902可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件903可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器902或通过通信组件905发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口904为处理器901和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件905用于该药物间不良反应的预测设备900与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件905可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，药物间不良反应的预测设备900可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的药物间不良反应的预测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的药物间不良反应的预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器902，上述程序指令可由药物间不良反应的预测设备900的处理器901执行以完成上述的药物间不良反应的预测方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种药物间不良反应的预测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的药物间不良反应的预测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.药物间不良反应的预测方法，其特征在于，包括：
获取第一信息，所述第一信息包括两种药物分子结构信息以及两种药物分子之间的不良反应数据，所述药物分子结构信息包括药物分子结构以及药物分子亚结构；
根据第一信息构建药物间不良反应预测模型：根据两种药物分子亚结构构建两种药物分子结构平面特征编码，对两种药物分子结构平面特征编码进行特征选择，根据特征选择后的两种药物分子结构平面特征编码以及两种药物分子之间的不良反应数据构建药物间不良反应预测模型，所述特征选择为选择引起不良反应的关键药物分子亚结构；
获取第二信息，所述第二信息为待预测的两种药物分子结构信息；
将第二信息作为药物间不良反应预测模型的输入，输出预测的药物间不良反应。
2.根据权利要求1所述的药物间不良反应的预测方法，其特征在于,所述药物分子结构信息包括原子间连接方式、共价键的距离、共价键键角、原子类型、原子数量和相对原子质量，根据药物分子亚结构构建药物分子结构平面特征编码，包括：
根据原子间连接方式、共价键的距离、共价键键角构建药物分子亚结构的相对位置模型；
根据原子类型、原子数量和相对原子质量构建药物分子亚结构的相对权重模型；
根据所述相对位置模型和相对权重模型对药物分子亚结构进行编码构建药物分子结构平面特征编码。
3.根据权利要求2所述的药物间不良反应的预测方法，其特征在于,根据原子间连接方式、共价键的距离、共价键键角构建药物分子亚结构的相对位置模型，根据原子类型、原子数量和相对原子质量构建药物分子亚结构的相对权重模型，包括：
根据所述药物分子结构中所有原子的原子间连接方式、共价键的距离、共价键键角构建药物分子平面结构中心计算函数；
根据所述药物分子亚结构中原子的原子间连接方式、共价键的距离、共价键键角以及药物分子的平面结构中心计算函数构建药物分子亚结构的相对位置模型；
根据所述药物分子亚结构中原子的原子类型、原子数量和相对原子质量构建药物分子亚结构相对分子质量计算函数；
根据药物分子亚结构数目、药物分子亚结构相对分子质量计算函数构建药物分子亚结构的相对权重模型。
4.根据权利要求1所述的药物间不良反应的预测方法，其特征在于,根据第一信息构建药物间不良反应预测模型，包括：
对两种药物分子结构平面特征编码引入向量范数；
根据所述向量范数分别在两种药物分子结构平面特征编码中进行特征选择，得到特征选择后的两种药物分子结构平面特征编码；
根据两种药物分子之间的不良反应数据构建表示两种药物间不良反应关系的不良反应向量；
根据特征选择后的两种药物分子结构平面特征编码以及预设的药物分子结构-不良反应张量构建不良反应向量估计函数；
根据不良反应向量与不良反应向量估计函数构建药物间不良反应预测模型。
5.一种药物间不良反应的预测装置，其特征在于，包括：
第一获取模块，用于获取第一信息，所述第一信息包括两种药物分子结构信息以及两种药物分子之间的不良反应数据，所述药物分子结构信息包括药物分子结构以及药物分子亚结构；
第一构建模块，用于根据第一信息构建药物间不良反应预测模型：根据两种药物分子亚结构构建两种药物分子结构平面特征编码，对两种药物分子结构平面特征编码进行特征选择，根据特征选择后的两种药物分子结构平面特征编码以及两种药物分子之间的不良反应数据构建药物间不良反应预测模型，所述特征选择为选择引起不良反应的关键药物分子亚结构；
第二获取模块，用于获取第二信息，所述第二信息为待预测的两种药物分子结构信息；
求解模块，用于将第二信息作为药物间不良反应预测模型的输入，输出预测的药物间不良反应。
6.根据权利要求5所述的药物间不良反应的预测装置，其特征在于，所述第一构建模块，包括：
第二构建模块，用于根据原子间连接方式、共价键的距离、共价键键角构建药物分子亚结构的相对位置模型；
第三构建模块，用于根据原子类型、原子数量和相对原子质量构建药物分子亚结构的相对权重模型；
编码模块，用于根据所述相对位置模型和相对权重模型对药物分子亚结构进行编码构建药物分子结构平面特征编码。
7.根据权利要求6所述的药物间不良反应的预测装置，其特征在于，所述第一构建模块，包括
第四构建模块，用于根据所述药物分子结构中所有原子的原子间连接方式、共价键的距离、共价键键角构建药物分子平面结构中心计算函数；
第五构建模块，用于根据所述药物分子亚结构中原子的原子间连接方式、共价键的距离、共价键键角以及药物分子的平面结构中心计算函数构建药物分子亚结构的相对位置模型；
第六构建模块，用于根据药物分子亚结构中原子的原子类型、原子数量和相对原子质量构建药物分子亚结构相对分子质量计算函数；
第七构建模块，用于根据药物分子亚结构数目、药物分子亚结构相对分子质量计算函数构建药物分子亚结构的相对权重模型。
8.根据权利要求5所述的药物间不良反应的预测装置，其特征在于，所述第一创建模块，包括：
引入模块，用于对两种药物分子结构平面特征编码引入向量范数；
特征选择模块，用于根据所述向量范数分别在两种药物分子结构平面特征编码中进行特征选择，得到特征选择后的两种药物分子结构平面特征编码；
第八构建模块，用于根据两种药物分子之间的不良反应数据构建表示两种药物间不良反应关系的不良反应向量；
第九构建模块，用于根据特征选择后的两种药物分子结构平面特征编码以及预设的药物分子结构-不良反应张量构建不良反应向量估计函数；
第十构建模块，用于根据不良反应向量与不良反应向量估计函数构建药物间不良反应预测模型。
9.一种药物间不良反应的预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述药物间不良反应的预测方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述药物间不良反应的预测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310379566.9A CN116525022B (zh) | 2023-04-11 | 2023-04-11 | 药物间不良反应的预测方法、装置、设备及可读存储介质 |
| US18/533,616 US20240347139A1 (en) | 2023-04-11 | 2023-12-08 | Method, apparatus, and device for predicting adverse drug-drug interactions, and readable storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310379566.9A CN116525022B (zh) | 2023-04-11 | 2023-04-11 | 药物间不良反应的预测方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116525022A true CN116525022A (zh) | 2023-08-01 |
| CN116525022B CN116525022B (zh) | 2024-08-06 |
Family
ID=87407385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310379566.9A Active CN116525022B (zh) | 2023-04-11 | 2023-04-11 | 药物间不良反应的预测方法、装置、设备及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20240347139A1 (zh) |
| CN (1) | CN116525022B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113593633A (zh) * | 2021-08-02 | 2021-11-02 | 中国石油大学(华东) | 基于卷积神经网络的药物-蛋白相互作用预测模型 |
| CN114429796A (zh) * | 2021-12-21 | 2022-05-03 | 哈尔滨理工大学 | 一种基于多核学习的药物不良反应预测方法 |
-
2023
- 2023-04-11 CN CN202310379566.9A patent/CN116525022B/zh active Active
- 2023-12-08 US US18/533,616 patent/US20240347139A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113593633A (zh) * | 2021-08-02 | 2021-11-02 | 中国石油大学(华东) | 基于卷积神经网络的药物-蛋白相互作用预测模型 |
| CN114429796A (zh) * | 2021-12-21 | 2022-05-03 | 哈尔滨理工大学 | 一种基于多核学习的药物不良反应预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| JIAJING ZHU ET AL.: "DGDFS: Dependence Guided Discriminative Feature Selection for Predicting Adverse Drug-Drug Interaction", IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, vol. 34, no. 01, 31 January 2022 (2022-01-31), pages 271 - 285 * |
| 彭杨等: "基于注意力感知和模态融合的药物-靶点相互作用预测方法", 太原理工大学学报, 11 July 2019 (2019-07-11), pages 1 - 10 * |
| 王纪防: "靶蛋白耐药性变异的计算机预测", 国外医学.药学分册, no. 05, 30 October 2005 (2005-10-30), pages 14 - 16 * |
| 魏冬青等: "《计算机辅助药物设计》", 31 March 2017, 上海：上海交通大学出版社, pages: 266 - 274 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116525022B (zh) | 2024-08-06 |
| US20240347139A1 (en) | 2024-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110459324B (zh) | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 | |
| CN107833605A (zh) | 一种医院病历信息的编码方法、装置、服务器及系统 | |
| Haag et al. | Interactive chemical reactivity exploration | |
| EP3826027A1 (en) | Event data modelling | |
| CN111192693B (zh) | 一种基于药物组合进行诊断编码纠正的方法及系统 | |
| CN109887606A (zh) | 一种基于注意力的双向递归神经网络的诊断预测方法 | |
| Gibney et al. | Toward a resolution of the static correlation problem in density functional theory from semidefinite programming | |
| CN116525022B (zh) | 药物间不良反应的预测方法、装置、设备及可读存储介质 | |
| Yin et al. | Learning inter-modal correspondence and phenotypes from multi-modal electronic health records | |
| CN108122005B (zh) | 一种临床药物层次分类的方法 | |
| CN116631573A (zh) | 一种处方用药审核方法、装置、设备及存储介质 | |
| Tippenhauer et al. | Integrating pharmacogenetic decision support into a clinical information system | |
| CN115527626B (zh) | 分子处理方法、装置、电子设备、存储介质及程序产品 | |
| CN113707262B (zh) | 药品使用推荐方法、装置、计算机设备及存储介质 | |
| Economou et al. | Parametric proportional odds frailty models | |
| Nazih et al. | Generic service patterns for web enabled public healthcare systems | |
| Parida et al. | Density Functional Treatment on Alkylation of a Functionalized Deltahedral Zintl Cluster | |
| Zeigler | System theoretic foundations of modelling and simulation | |
| CN112466472B (zh) | 病例文本信息检索系统 | |
| Mateják et al. | „Genetic Data of Patient in Pharmacology,“ | |
| US20110301858A1 (en) | Systems and methods for computer assisted alignment of conformers | |
| CN114373522B (zh) | 分子生成模型的训练方法、装置、设备及存储介质 | |
| Frame | Mixture modeling with NONMEM V | |
| CN114359951B (zh) | 多模态分数融合方法、装置、计算机可读存储介质及设备 | |
| Fulton | On the delocalization of electrons in atoms and molecules |
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 |