TWI786623B - 資訊處理方法、電子設備和電腦可讀儲存介質 - Google Patents
資訊處理方法、電子設備和電腦可讀儲存介質 Download PDFInfo
- Publication number
- TWI786623B TWI786623B TW110116122A TW110116122A TWI786623B TW I786623 B TWI786623 B TW I786623B TW 110116122 A TW110116122 A TW 110116122A TW 110116122 A TW110116122 A TW 110116122A TW I786623 B TWI786623 B TW I786623B
- Authority
- TW
- Taiwan
- Prior art keywords
- information
- target
- interaction
- category
- features
- Prior art date
Links
Images
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
- G16C20/50—Molecular design, e.g. of drugs
Landscapes
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Signal Processing For Digital Recording And Reproducing (AREA)
Abstract
本發明關於一種資訊處理方法、電子設備和電腦可讀儲存介質,其中,該方法包括:獲取多個目標資訊以及多個第一關聯資訊,其中,多個目標資訊分別對應多個目標,第一關聯資訊用於表示不同兩個目標之間的相互作用和相似度中的至少一個;分別提取多個目標資訊的多個目標特徵以及所述多個第一關聯資訊的多個關聯特徵;基於所述多個目標特徵和多個關聯特徵,確定第一目標與第二目標之間相互作用的預測結果,其中,第一目標包括屬於第一類別的目標,第二目標包括屬於第二類別的目標,第一目標與所述第二目標之間不具有第一關聯資訊。本發明可以提高相互作用的預測結果的準確性。
Description
本發明實施例關於電腦技術領域,尤其關於一種資訊處理方法、電子設備和電腦可讀儲存介質。
在一些專業領域中,通常需要通過確定兩種物質之間的相互作用來進行相關的專業任務。例如,在醫學領域中,可以通過確定藥物和靶標的相互作用,來輔助藥物研發工作。藥物-靶標相互作用(Drug-Target Interaction,DTI)可以理解為藥物大分子通過作用於生物體內靶蛋白進而產生藥效的過程,從而判斷藥物與是否存在關聯,輔助藥物研發。
目前,用於預測兩種物質之間的相互作用的方法通常受到物質自身已知資訊的局限,難以保證相互作用預測結果的準確性。
本發明提出了一種資訊處理方法、電子設備和電腦可讀儲存介質,能夠提高相互作用的預測結果的準確性。
根據本發明的一方面,提供了一種資訊處理方法,包括:
獲取多個目標資訊以及多個第一關聯資訊,其中,所述多個目標資訊分別對應多個目標,所述第一關聯資訊用於表示不同兩個目標之間的相互作用和相似度中的至少一個;所述多個目標分別屬於多個類別,所述多個類別包括第一類別、第二類別以及第三類別,所述第三類別與所述第一類別和所述第二類別中至少一個類別相關聯;分別提取所述多個目標資訊的多個目標特徵以及所述多個第一關聯資訊的多個關聯特徵;基於所述多個目標特徵和所述多個關聯特徵,確定第一目標與第二目標之間相互作用的預測結果,其中,所述第一目標包括屬於所述第一類別的目標,所述第二目標包括屬於所述第二類別的目標,所述第一目標與所述第二目標之間不具有第一關聯資訊。
在一些實現方式中,所述獲取多個第一關聯資訊,包括:基於所述多個目標資訊,確定所述多個第一關聯資訊中的至少一個第一關聯資訊。
在一些實現方式中,所述基於所述多個目標資訊,確定所述多個第一關聯資訊中的至少一個第一關聯資訊,包括:針對所述多個目標中不同的兩個目標,根據所述兩個目標中每個目標對應的目標資訊,確定所述兩個目標之間的相互作用作為第一關聯資訊,進而根據所述多個目標資訊得到所述至少一個第一關聯資訊,其中,所述兩個目標屬於不同類別或同一類別。
在一些實現方式中,所述目標資訊包括結構資訊;所述基於所述多個目標資訊,確定所述多個第一關聯資訊中的至少一個第一關聯資訊,包括:針對所述多個類別中的同一類別的兩個目標,根據所述兩個目標中每個目標的結構資訊,確定所述兩個目標之間的相似度作為第一關聯資訊,進而根據所述多個目標資訊得到所述至少一個第一關聯資訊。
在一些實現方式中,所述基於所述多個目標特徵和所述多個關聯特徵,確定第一目標與第二目標之間相互作用的預測結果,包括:將所述多個目標特徵和所述多個關聯特徵進行特徵融合,得到融合特徵;根據所述融合特徵確定所述第一目標與第二目標之間相互作用的預測結果。
在一些實現方式中,所述基於所述多個目標特徵和所述多個關聯特徵,確定第一目標與第二目標之間相互作用的預測結果,包括:基於所述多個目標特徵和所述多個關聯特徵,利用已訓練的相互作用預測模型確定所述第一目標與第二目標之間相互作用的預測結果。
在一些實現方式中,所述相互作用預測模型的訓練過程包括:基於多個樣本資訊以及多個第二關聯資訊,對所述相互作用預測模型進行訓練,得到已訓練的相互作用預測模型,其中,所述多個樣本資訊分別對應多個樣本,所述多個樣本屬於所述多個類別,所述第二關聯資訊用於表示不同兩個樣本之間的相互作用和相似度中的至少一個。
在一些實現方式中,所述基於多個樣本資訊以及所述多個第二關聯資訊,對所述相互作用預測模型進行訓練,得到已訓練的相互作用預測模型,包括:在所述多個第二關聯資訊中,獲取第一樣本與第二樣本之間的相互作用作為標籤資訊,其中,所述第一樣本屬於所述第一類別,所述第二樣本屬於所述第二類別;將所述多個樣本資訊和所述多個第二關聯資訊中除所述標籤資訊以外的第二關聯資訊輸入所述相互作用預測模型,得到所述第一樣本與所述第二樣本之間相互作用的訓練預測結果;基於所述訓練預測結果和所述標籤資訊的比對結果,對所述相互作用預測模型的網路權重進行調整,得到已訓練的相互作用預測模型。
在一些實現方式中,所述第一類別包括藥物類和靶標類中的一個類別,所述第二類別包括藥物類和靶標類中的另一個類別,所述第三類別包括疾病類和副作用類中的至少一個類別。
在一些實現方式中,關聯資訊包括所述第一關聯資訊和所述第二關聯資訊,所述關聯資訊包括以下至少一項:
藥物和靶標之間的相互作用、不同藥物之間的相互作用、不同藥物之間的相似度、藥物和疾病之間相互作用、藥物和副作用之間的相互作用、不同靶標之間的相互作用、不同靶標之間的相似度、靶標和疾病之間的相互作用。
根據本發明的一方面,提供了一種資訊處理裝置,包括:
在一些實現方式中,獲取部分,被配置為獲取多個目標資訊以及多個第一關聯資訊,其中,所述多個目標資訊分別對應多個目標,所述第一關聯資訊用於表示不同兩個目標之間的相互作用和相似度中的至少一個;多個目標分別屬於多個類別,所述多個類別包括第一類別、第二類別以及第三類別,所述第三類別與所述第一類別和所述第二類別中至少一個類別相關聯;
提取部分,被配置為分別提取所述多個目標資訊的多個目標特徵以及所述多個第一關聯資訊的多個關聯特徵;
確定部分,被配置為基於所述多個目標特徵和所述多個關聯特徵,確定第一目標與第二目標之間相互作用的預測結果,其中,所述第一目標包括屬於所述第一類別的目標,所述第二目標包括屬於所述第二類別的目標,所述第一目標與所述第二目標之間不具有第一關聯資訊。
在一些實現方式中,所述獲取模組,用於基於所述多個目標資訊,確定所述多個第一關聯資訊中的至少一個第一關聯資訊。
在一些實現方式中,所述獲取模組,用於針對所述多個目標中不同的兩個目標,根據所述兩個目標中每個目標對應的目標資訊,確定所述兩個目標之間的相互作用作為第一關聯資訊,進而根據所述多個目標資訊得到所述至少一個第一關聯資訊,其中,所述兩個目標屬於不同類別或同一類別。
在一些實現方式中,所述目標資訊包括結構資訊;所述獲取模組,用於針對所述多個類別中的同一類別的兩個目標,根據所述兩個目標中每個目標的結構資訊,確定所述兩個目標之間的相似度作為第一關聯資訊,進而根據所述多個目標資訊得到所述至少一個第一關聯資訊。
在一些實現方式中,所述確定模組,用於將所述多個目標特徵和所述多個關聯特徵進行特徵融合,得到融合特徵;根據所述融合特徵確定所述第一目標與第二目標之間相互作用的預測結果。
在一些實現方式中,所述確定模組,用於基於所述多個目標特徵和所述多個關聯特徵,利用已訓練的相互作用預測模型確定所述第一目標與第二目標之間相互作用的預測結果。
在一些實現方式中,所述裝置還包括:訓練模組,用於基於多個樣本資訊以及多個第二關聯資訊,對所述相互作用預測模型進行訓練,得到已訓練的相互作用預測模型,其中,所述多個樣本資訊分別對應多個樣本,所述多個樣本屬於所述多個類別,所述第二關聯資訊用於表示不同兩個樣本之間的相互作用和相似度中的至少一個。
在一些實現方式中,所述訓練模組,用於在所述多個第二關聯資訊中獲取第一樣本與第二樣本之間的相互作用作為標籤資訊,其中,所述第一樣本屬於所述第一類別,所述第二樣本屬於所述第二類別;將所述多個第二關聯資訊中除所述標籤資訊以外的第二關聯資訊、以及所述多個樣本資訊輸入所述相互作用預測模型,得到所述第一樣本與所述第二樣本之間相互作用的訓練預測結果;基於所述訓練預測結果和所述標籤資訊的比對結果,對所述相互作用預測模型的網路權重進行調整,得到已訓練的相互作用預測模型。
在一些實現方式中,所述第一類別包括藥物類和靶標類中的一個類別,所述第二類別包括藥物類和靶標類中的另一個類別,所述第三類別包括疾病類和副作用類中的至少一個類別。
在一些實現方式中,關聯資訊包括所述第一關聯資訊和所述第二關聯資訊,所述關聯資訊包括以下至少一項:藥物和靶標之間的相互作用、不同藥物之間的相互作用、不同藥物之間的相似度、藥物和疾病之間相互作用、藥物和副作用之間的相互作用、不同靶標之間的相互作用、不同靶標之間的相似度、靶標和疾病之間的相互作用。
根據本發明的一方面,提供了一種電子設備,包括:
處理器;
被配置為儲存處理器可執行指令的記憶體;
其中,所述處理器被配置為:執行上述資訊處理方法。
根據本發明的一方面,提供了一種電腦可讀儲存介質,其上儲存有電腦程式指令,所述電腦程式指令被處理器執行時實現上述資訊處理方法。
根據本發明的一方面,提供了一種電腦程式,包括電腦可讀代碼,在所述電腦可讀代碼在電子設備中運行的情況下,所述電子設備中的處理器執行時實現上述資訊處理方法。
在本發明實施例中,可以獲取多個目標資訊以及多個第一關聯資訊,再基於多個目標資訊的多個目標特徵以及多個第一關聯資訊的多個關聯特徵,確定第一類別中的第一目標與第二類別中的第二目標之間相互作用的預測結果,其中,多個目標資訊分別對應多個目標,第一關聯資訊用於表示不同兩個目標之間的相互作用和相似度中的至少一個。這樣,可以整合不同資訊來源的多種資訊,並通過提取多種資訊的特徵對第一目標與第二目標之間的相互作用進行預測,可以進一步提高相互作用的預測結果的準確性。
應當理解的是,以上的一般描述和後文的細節描述僅是示例性和解釋性的,而非限制本發明。
根據下面參考附圖對示例性實施例的詳細說明,本發明的其它特徵及方面將變得清楚。
為了能夠更加詳盡地瞭解本發明實施例的特點與技術內容,下面結合附圖對本發明實施例的實現進行詳細闡述,所附附圖僅供參考說明之用,並非用來限定本發明實施例。
以下將參考附圖詳細說明本發明的各種示例性實施例、特徵和方面。附圖中相同的附圖標記表示功能相同或相似的元件。儘管在附圖中示出了實施例的各種方面,但是除非特別指出,不必按比例繪製附圖。
在這裡專用的詞“示例性”意為“用作例子、實施例或說明性”。這裡作為“示例性”所說明的任何實施例不必解釋為優於或好於其它實施例。
本文中術語“和/或”,僅僅是一種描述關聯物件的關聯關係,表示可以存在三種關係,例如,A和/或B,可以表示:單獨存在A,同時存在A和B,單獨存在B這三種情況。另外,本文中術語“至少一種”表示多種中的任意一種或多種中的至少兩種的任意組合,例如,包括A、B、C中的至少一種,可以表示包括從A、B和C構成的集合中選擇的任意一個或多個元素。
另外,為了更好地說明本發明,在下文的具體實施方式中給出了眾多的具體細節。本領域技術人員應當理解,沒有某些具體細節,本發明同樣可以實施。在一些實例中,對於本領域技術人員熟知的方法、手段、元件和電路未作詳細描述,以便於凸顯本發明的主旨。
本發明實施例提供的資訊處理方案,可以獲取多個目標資訊以及多個第一關聯資訊,其中,多個目標資訊分別對應多個目標,第一關聯資訊用於表示不同兩個目標之間的相互作用和相似度中的至少一個,從而可以對多種不同資訊來源的資訊進行整合,並通過提取這些資訊的特徵,對第一類別的第一目標與第二類別的第二目標之間的相互作用進行預測,從而可以在預測兩個不同類別目標的相互作用的過程中,考慮多種資訊之間的關聯性,盡可能多地綜合各種資訊源的資訊,提高相互作用的預測結果的準確性。舉例來說,在醫學領域中,可以獲取一些藥物、靶標以及與藥物相關聯的疾病、副作用等目標的目標資訊,並獲取這些藥物、靶標、疾病、副作用等目標之間的第一關聯資訊,從而通過提取這些資訊的特徵,可以對某些藥物與靶標之間的相互作用進行預測。藥物與靶標之間的相互作用可以體現藥物分子作用於生物體內的靶標產生藥效的過程,從而通過得到的藥物與靶標之間相互作用的預測結果,可以輔助藥物研發,減少開發新藥物的成本和時間。
在相關技術方案中,在確定兩個目標之間的相互作用時,例如,確定某種藥物與某種靶標之間的相互作用時,通常需要獲取該靶標的三維結構以及該藥物的化學結構,但是對於一些結構未知的蛋白質,或者,目標配體庫中未標明化學結構的化合物,則無法對該藥物與該靶標之間的相互作用進行預測。本發明實施例提供的資訊處理方案,即使對於一些結構未知的蛋白質,或者,目標配體庫中未標明化學結構的化合物,也可以綜合其他已知目標之間的相互作用,對一些結構未知的蛋白質或者未標明化學結構的藥物間的相互作用進行預測,從而提高確定相互作用的效率,節省人力成本。
本發明實施例提供的技術方案可以應用於多種領域中不同目標之間的相互作用、相關性以及相關擴展等等,本發明實施例對此不做限定。例如,在醫學領域中,可以確定藥物與靶蛋白之間的相互作用,從而可以輔助新藥物的研發。再例如,在物理學領域中,不同物體之間可能存在多種力的作用,可以確定兩種物體之間力的相互作用,使物體按照需求運動。
圖1示出根據本發明實施例的資訊處理方法的流程圖。該資訊處理方法可以由終端設備、伺服器或其它類型的電子設備執行,其中,終端設備可以為使用者設備(User Equipment,UE)、移動設備、使用者終端、終端、蜂窩電話、無線電話、個人數位助理(Personal Digital Assistant,PDA)、手持設備、計算設備、車載設備、可穿戴設備等。在一些可能的實現方式中,該資訊處理方法可以通過處理器調用記憶體中儲存的電腦可讀指令的方式來實現。
步驟S11,獲取多個目標資訊以及多個第一關聯資訊。
在本發明實施例中,目標資訊可以是目標的標識資訊、類別資訊、結構資訊等與目標相關的資訊。多個目標資訊可以分別對應多個目標,目標可以是實體物件或非實體物件。例如,目標可以是藥物、靶標、疾病以及副作用等,相應地,目標資訊可以包括藥物、靶標、疾病以及副作用的標識資訊、類別資訊、結構資訊等。多個目標可以分別屬於多個類別,多個類別可以包括第一類別、第二類別以及與第二類別和/或第二類別相關聯的至少一個第三類別。舉例來說,第一類別可以為藥物類,第二類別可以為靶標類,第三類別可以為與藥物類、靶標類相關的疾病類或副作用類。多個類別可以各不相同,每個類別中可以包括一個或多個目標,如,藥物類可以包括多種藥物,每種藥物可以作為一個目標。多個目標之間可以具有第一關聯資訊。第一關聯資訊可以用於表示不同的兩個目標之間的相互作用和相似度中的至少一個,相同類別中不同的兩個目標之間可以具有第一關聯資訊,分別屬於不同類別中的兩個目標之間也可以具有第一關聯資訊。這裡,相互作用可以表示兩個目標之間的相互作用,例如,藥物與靶標之間的相互作用可以表示藥物作用於生物體內的靶蛋白產生藥效的現象,藥物與疾病之間的相互作用可以表示某個藥物可以針對某種疾病進行治療的現象。相似度可以表示兩個目標之間的相似程度,例如,一種藥物和另一種藥物之間的相似度可以表示這兩種藥物在結構上、藥性上的相似程度。
在一些實現方式中,第一類別可以包括藥物類和靶標類中的一個類別,第二類別可以包括藥物類和靶標類中的另一個類別,第三類別包括疾病類和副作用類中的至少一個類別。舉例來說,第一類別可以是藥物類,第二類別可以是靶標類,第三類別可以是與藥物類別和/或靶標類別相關聯的疾病類、副作用類等類別。這樣,可以將本發明提供的資訊處理方案應用在醫學領域中,從而可以利用獲取的目標資訊和第一關聯資訊,確定藥物和靶標之間的相互作用,進而輔助藥物等相關醫學方便的研究和開發。
相應地,在獲取多個目標資訊的情況下,可以獲取一個或多個藥物的標識、分子指紋、化學結構等多個目標資訊,獲取一個或多個靶標的標識、蛋白質序列、化學結構等多個目標資訊,獲取疾病、副作用等目標的標識、相關的藥物或/靶標的標識、生效劑量等多個目標資訊。
在一些實現方式中,第一關聯資訊包括以下至少一項:藥物和靶標之間的相互作用、不同藥物之間的相互作用、不同藥物之間的相似度、藥物和疾病之間相互作用、藥物和副作用之間的相互作用、不同靶標之間的相互作用、不同靶標之間的相似度、靶標和疾病之間的相互作用。由於第一關聯資訊包括不同的兩個目標之間的相互作用和/或相似度,從而可以為預測不同兩個目標之間未知的相互作用提供盡可能全面的資訊,從而使相互作用的預測結果更加準確。
這裡,電子設備可以在本機存放區中獲取多個目標資訊以及多個第一關聯資訊,或者,電子設備可以從其他設備處獲取多個目標資訊以及多個第一關聯資訊,例如,從一個或多個雲端伺服器、網路資料庫處獲取多個目標資訊以及多個第一關聯資訊。一些實現方式中,也可以利用獲取的多個目標資訊得到一個或多個第一關聯資訊,本發明不對具體的獲取第一關聯資訊的方式進行限制。
步驟S12,分別提取所述多個目標資訊的目標特徵以及所述多個第一關聯資訊的關聯特徵。
在本發明實施例中,在獲取多個目標資訊以及多個第一關聯資訊之後,可以分別提取各個目標資訊的目標特徵,以及,提取各個第一關聯資訊的關聯特徵,從而可以將獲取的多個目標資訊和多個第一關聯資訊的多種不同類型的資訊通過特徵的方式進行表示,可以更加準確地對多個類別的目標進行描述。
一些實現方式中,可以利用神經網路提取目標特徵和關聯特徵,例如,將獲取的多個目標資訊和多個第一關聯資訊輸入已訓練的相互作用預設模型,利用已訓練的相互作用預設模型提取多個目標資訊的目標特徵和多個第一關聯資訊的關聯特徵。相互作用預設模型可以是神經網路模型,例如,相互作用預設模型可以包括卷積層、池化層、殘差網路層等多種特徵提取層。
在提取多個目標資訊的多個目標特徵的情況下,可以先將多個目標資訊進行結構化,得到結構化資訊。即可以理解為,將目標資訊轉變為一定資料格式和一定資料長度的資訊,得到便於目標資訊進行儲存和管理的結構化資訊。然後再對結構化資訊進行表徵化,即對結構化資訊進行特徵提取,例如,對結構化資訊進行嵌入、線性映射等操作,可以得到目標資訊的目標特徵。
在提取多個第一關聯資訊的關聯特徵的情況下,可以基於目標資訊的目標特徵,提取第一關聯資訊的關聯特徵。這裡,步驟S11中獲取的多個資訊中存在資訊結構不同的資訊,多個資訊包括多個目標資訊和多個第一關聯資訊。資訊結構不同可以理解為資訊中每個元素表示的含義不用,以及,多個元素的排列方式、次序等不同,多個資訊的資訊結構不同,可以認為多個資訊是異構資訊。例如,不同類別目標的目標資訊由於資訊來源不同,目標資訊中每個元素表示的含義、多個元素的排列方式、次序等往往不同,從而在分別針對多個目標資訊和多個第一關聯資訊提取特徵之後,得到的多個目標特徵和多個關聯特徵可能難以進行比較或運算,從而可以利用目標資訊的目標特徵,提取第一關聯資訊的關聯特徵。例如,可以基於目標特徵的表徵表示方式,對第一關聯資訊進行非線性映射,如利用神經網路的特徵提取層或者啟動函數對第一關聯資訊進行非線性映射,然後在對非線性映射後的第一關聯資訊進行提取表徵化,可以得到第一關聯資訊的關聯特徵。多個關聯特徵與多個目標特徵可以在同一個特徵空間中,即,多個關聯特徵可以與多個目標特徵進行比較或運算。這裡,多個關聯特徵可以與多個目標特徵進行比較或運算可以理解為,多個關聯特徵之間可以進行比較或運算,多個目標特徵之間可以進行比較或運算,以及,關聯特徵和目標特徵之間可以進行比較或運算。
步驟S13,基於所述多個目標特徵和所述多個關聯特徵,確定第一目標與第二目標之間相互作用的預測結果。
在本發明實施例中,可以綜合提取的多個目標特徵和多個關聯特徵,確定第一目標與第二目標之間相互作用的預測結果,例如,可以利用上述相互作用預測模型對多個目標特徵和多個關聯特徵進行特徵整合,輸出第一目標和第二目標之間相互作用的預測結果。預測結果可以指示兩個不同目標之間的相互作用,從而通過相互作用的預測結果可以對一些目標之間未知的相互作用進行預測,或者,通過相互作用的預測結果可以對一些目標之間已知的相互作用進行驗證。
這裡,第一目標可以包括屬於第一類別的目標,第二目標可以包括屬於第二類別的目標,即第一目標和第二目標可以分別屬於不同類別。一些實現方式中,第一目標可以包括多個目標,第二目標也可以包括多個目標,從而本發明不僅可以得到兩個不同目標之間的相互作用的預測結果,還可以得到多對目標之間的相互作用的預測結果。進一步地,第一目標與第二目標之間不具有第一關聯資訊,即可以理解為,獲取的多個第一關聯資訊中不包括第一目標與第二目標之間的相互作用,故可以利用本發明提供的方案對第一目標與第二目標之間的相互作用進行預測。
本發明實施例可以通過整合多種資訊對不同的兩個目標之間的相互作用進行預測,從而可以綜合各種可能影響相互作用的因素,使得到的第一目標和第二目標之間的相互作用的預測結果更加準確。
在本發明實施例中,可以獲取多個第一關聯資訊,從而可以為兩個目標之間的相互作用預測提供全面的資訊。在一些實現方式中,可以基於多個目標資訊,確定多個第一關聯資訊中的至少一個第一關聯資訊,從而可以通過對多個目標資訊進行整合,確定多個目標中至少兩個目標之間的關聯,得到至少一個第一關聯資訊,例如,可以利用一些醫學方面的演算法、模型,通過多個目標資訊得到一些目標之間的第一關聯資訊,如,可以根據不同藥物的酶的抑制或誘導資訊,確定不同藥物之間的相互作用,或者,可以根據不同靶蛋白(靶標)的化學元素組成,確定不同靶標之間的相互作用。這樣,在一些目標之間的第一關聯資訊無法直接獲取的情況下,也可以通過多個目標資訊確定不同目標之間的第一關聯資訊,從而使第一關聯資訊更加全面。
這裡,由於目標資訊可能源於不同類型的目標,不同目標資訊的表示方式或資訊結構可以不同。相應地,第一關聯資訊可以表示部分目標中不同的兩個目標之間的相互作用和/或相似度,從而第一關聯資訊與目標資訊的表示方式或資訊結構也可以不同。
在本實現方式的一個示例中,針對多個目標中不同的兩個目標,可以根據兩個目標中每個目標對應的目標資訊,確定兩個目標之間的相互作用,這兩個目標可以屬於不同類別或同一類別。例如,可以根據藥物的化學結構以及靶標的核苷酸資訊,判斷某種藥物的化學基團是否可以與靶標的核苷酸形成化學鍵,從而確定藥物與靶標之間的相互作用。這樣可以針對不同類別的兩個目標,通過這兩個目標的目標資訊確定兩個目標之間的相互作用,從而可以間接建立同一類別或不同類別中的兩個目標之間的關聯,使第一關聯資訊更加全面。
在本實現方式的另一個示例中,目標資訊可以包括結構資訊,結構資訊可以包括分子結構資訊和化學結構資訊中的一種或多種。相應地,在基於多個目標資訊,確定多個第一關聯資訊中的至少一個第一關聯資訊的情況下,針對多個類別中的同一類別的兩個目標,根據這兩個目標中每個目標的結構資訊,確定這兩個目標的相似度,例如,可以根據每個藥物的化學結構資訊,確定不同的兩個藥物在化學結構上的相似度,再例如,可以根據每個蛋白質分子的一級序列結構資訊,確定不同的兩個蛋白質分子在一級序列結構上的相似度。這裡,如果同一類別的兩個不同的目標在結構資訊上相似,可以認為這兩個目標的表現行為比較相似,從而可以通過同一類別中目標的結構資訊,確定同一類別中的兩個目標之間的相似度,進一步豐富目標之間的第一關聯資訊。
在上述步驟S13中,可以基於多個目標特徵和多個關聯特徵確定第一目標與第二目標之間相互作用的預測結果,從而為第一目標與第二目標之間的相互作用進行預測。在一些實現方式中,可以將多個目標特徵和多個關聯特徵進行特徵融合,得到融合特徵,再根據融合特徵確定第一目標與第二目標之間相互作用的預測結果。
在本實現方式中,可以利用上述相互作用預測模型對多個目標特徵和多個關聯特徵進行特徵融合,例如,可以將多個目標特徵和多個關聯特徵進行橫向或縱向拼接,得到融合特徵。進一步可以對融合特徵進行卷積操作、池化操作、採樣操作、全連接操作等,可以得到第一目標與第二目標之間的相互作用的預測結果。通過將多個目標特徵和多個關聯特徵進行特徵融合,可以使目標資訊和第一關聯資訊更好地結合在一起,從而基於融合特徵得到的相互作用的預測結果可以更加準確。
在本發明實施例中,可以基於多個目標特徵和多個關聯特徵,利用已訓練的相互作用預測模型確定第一目標與第二目標之間相互作用的預測結果。相互作用預測模型可以是神經網路,下面對相互作用預測模型的訓練過程進行說明。
在一些實現方式中,可以基於多個樣本資訊以及多個第二關聯資訊,對相互作用預測模型進行訓練,得到已訓練的相互作用預測模型。其中,多個樣本資訊分別對應多個樣本,多個樣本屬於所述多個類別,第二關聯資訊用於表示不同兩個樣本之間的相互作用和相似度中的至少一個。
在本實現方式中,樣本資訊可以是用於相互作用預測模型訓練的與樣本相關的資訊,例如,樣本的標識資訊、類別資訊、結構資訊等。多個樣本資訊可以分別對應多個樣本,樣本可以是實體物件或非實體物件。例如,樣本可以是藥物、靶標、疾病以及副作用等,相應地,樣本資訊可以包括藥物、靶標、疾病以及副作用的標識資訊、類別資訊、結構資訊等。多個樣本可以分別屬於多個類別,多個類別可以包括上述的第一類別、第二類別以及與第一類別和/或第二類別相關聯的至少一個第三類別。多個樣本之間的第二關聯資訊用於表示不同的兩個樣本之間的相互作用和相似度中的至少一個。這裡,可以獲取多個樣本的樣本資訊以及多個樣本之間的第二關聯資訊。在對相互作用預測模型進行訓練的情況下,可以將多個樣本資訊和多個第二關聯資訊輸入相互作用預測模型中,得到第一樣本與第二樣本之間相互作用的訓練預測結果,然後可以判斷第一樣本與第二樣本之間相互作用的訓練預測結果是否符合預設需求。在第一樣本與第二樣本之間相互作用的預測結果不符合預設需求的情況下,可以不斷對相互作用預測模型進行調整,直到第一樣本與第二樣本之間相互作用的預測結果符合預設需求,從而實現相互作用預測模型的訓練。其中,第一樣本可以屬於第一類別,第二樣本可以屬於第二類別。
這裡,可以在本機存放區中獲取多個樣本資訊以及多個樣本之間的第二關聯資訊,或者,可以從其他設備處獲取多個樣本資訊以及多個樣本之間的第二關聯資訊,例如,從一個或多個雲端伺服器、網路資料庫處獲取多個樣本資訊以及多個第二關聯資訊。一些實現方式中,也可以利用多個樣本資訊得到多個第二關聯資訊中的至少一個第二關聯資訊。
這裡,第二關聯資訊可以包括以下至少一項:藥物和靶標之間的相互作用、不同藥物之間的相互作用、不同藥物之間的相似度、藥物和疾病之間相互作用、藥物和副作用之間的相互作用、不同靶標之間的相互作用、不同靶標之間的相似度、靶標和疾病之間的相互作用。
在一些實現方式中,在對相互作用預測模型進行訓練的情況下,可以在多個第二關聯資訊中獲取第一類別的第一樣本與第二類別的第二樣本之間的相互作用,並將第一樣本與第二樣本之間的相互作用作為標籤資訊,例如,可以將某個藥物與某個靶標之間的相互作用作為標籤資訊。進而可以將多個樣本資訊和多個第二關聯資訊中除標籤資訊以外的多個第二關聯資訊輸入相互作用預測模型,得到第一樣本與第二樣本之間的相互作用的訓練預測結果。進一步可以將第一樣本與第二樣本之間相互作用的預測結果與標籤資訊進行比對,得到比對結果,例如,可以利用一些損失函數確定第一樣本與第二樣本之間相互作用的預測結果與標籤資訊的比對結果。進一步基於第一樣本與第二樣本之間相互作用的預測結果和標籤資訊的比對結果,可以對相互作用預測模型的網路權重進行調整,直到第一樣本與第二樣本之間相互作用的預測結果和標籤資訊的比對結果小於預設值,或者,直到訓練次數達到預設次數,可以認為第一樣本與第二樣本的相互作用的預測結果符合上述預設需求,得到已訓練的相互作用預測模型。
這裡,第一樣本與第二樣本之間可以具有第二關聯資訊中的相互作用。為了使已訓練的相互作用預測模型可以對不同類型中的兩個目標之間的相互作用進行預測,可以將第二關聯資訊中第一樣本與第二樣本之間的相互作用作為標籤資訊,實現對相互作用預測模型輸出的相互作用的預測結果進行監督。第一樣本可以包括屬於第一類別的至少一個樣本,第二樣本可以包括屬於第二類別的至少一個樣本,從而可以利用已知的標籤資訊對相互作用預測模型輸出的至少一個預測結果進行監督。
需要說明的是,多個樣本中可以包括上述目標,即,多個樣本中一些樣本可以與目標相同,相應地,目標資訊可以與樣本資訊相同,第一關聯資訊可以與第二關聯資訊相同。對於第一類別中的樣本和第二類別中的樣本而言,一些第一類別中的樣本和第二類別中的樣本可能具有相互作用,從而可以利用這些樣本已知的相互作用對相互作用預測模型進行訓練。一些第一類別中的樣本和第二類別中的樣本之間的相互作用未知,從而可以利用已訓練的相互作用預測模型對這些樣本(此時的這些樣本可以為目標)之間的相互作用進行預測。可以理解的是,在對相互作用預測模型訓練完成後,即可以得到第一目標與第二目標之間相互作用的預測結果。這裡,可以將多個目標的目標資訊作為部分或全部樣本資訊,將多個目標之間的第一關聯資訊可以作為部分或全部的樣本之間的第二關聯資訊,通過將這些資訊一次性輸入相互作用預測模型中,可以實現相作用預測模型的訓練,並在相作用預測模型訓練完成時,可以得到第一目標與第二目標之間相互作用的預測結果,這樣可以提高相互作用預測的效率。
下面結合附圖2對本發明實施例提供的資訊處理方案進行舉例說明。圖2示出根據本發明實施例的資訊處理方法一示例的方塊圖。
在一個示例中,第一類別可以是藥物類,第二類別可以是靶標類,第三類別可以包括疾病類和副作用類。
在第一個流程中,可以根據實際需求,確定相互作用預測模型可能會涉及的節點。在本示例中,可以包括藥物類、靶標(蛋白質)類、疾病類、副作用類的多個樣本。根據多個樣本對應的多個樣本資訊,即根據藥物資訊(藥物的樣本資訊)、蛋白質資訊(蛋白質的樣本資訊)、疾病資訊(疾病的樣本資訊)以及副作用資訊(副作用的樣本資訊),可以確定多個樣本中不同兩個樣本之間的關聯資訊(第二關聯資訊),例如,可以將多個樣本作為多個節點,獲取節點之間相互作用的測試資料,其中,測試資料為不同節點在實際操作中是否會發生相互作用的測試結果,並以測試資料建立節點之間的無向圖,進而通過無向圖的方式建立樣本之間的聯繫,得到兩個不同樣本之間的關聯資訊。關聯資訊可以包括藥物和靶標之間的相互作用(標籤資訊)、藥物和藥物之間的相互作用、藥物和藥物之間的相似性、藥物和疾病之間的相互作用、藥物和副作用之間的相互作用、靶標和靶標之間的相互作用、蛋白質和蛋白質之間的相似性、蛋白質和疾病之間的相互作用。或者,還可以建立節點之間的相似性網路,將相似性網路作為節點之間的關聯信息,示例性的,可以依據藥物化學結構上的相似度,建立藥物-藥物相似性網路;也可以依據蛋白質一級序列結構上的相似度,建立在蛋白質-蛋白質相似性網路。建立相似性網路的具體方式可以根據實際情況進行選擇,本發明實施例不作限定。
總而言之,通過第一個流程,可以獲得多個樣本的樣本資訊以及這些節點之間的交互網路(即關聯資訊)。
在第二個流程中,可以將第一個流程中的多個樣本的樣本資訊和除標籤資訊之外的關聯資訊輸入相互作用預測模型,利用相互作用預測模型提取樣本資訊的樣本特徵和關聯資訊的關聯特徵。其中,對於樣本資訊而言,可以先對樣本資訊進行結構化,例如,可以分別對藥物、靶標等藥學方面相關的樣本資訊進行結構化,對疾病、副作用等醫學方面相關的樣本資訊進行結構化,然後對結構化的樣本資訊進行表徵化,得到樣本資訊的樣本特徵。對於不同兩個樣本之間的關聯資訊而言,可以先將關聯資訊以及與關聯資訊相關的樣本特徵進行非線性映射,然後再進行表徵化,從而可以使多源的資訊得到融合,確定關聯資訊的關聯特徵。進一步可以對樣本特徵和關聯特徵進行特徵融合,可以得到藥物與靶標(如某治病蛋白質)之間的相關作用結果。
總而言之,通過第二個流程,可以根據第一個流程的輸出(即,所有樣本資訊和除作為標籤資訊之外的關聯資訊),得到相互作用預測模型預測的藥物與靶標之間相互作用的預測結果。
可以理解的是,通過第一個流程進行多種資訊傳遞和聚合操作,可以集成從各種資料來源構建的異構網路的鄰域資訊,降低了對物質自身資訊的資料要求,並且,將這些資訊通過第二個流程提取不同資訊之間的特徵表示,可以提高模型的泛化能力;通過融合來自異構資料來源的各種資訊,利用到了物質在外部的生物網路中的各功能角色資訊,從而使得相互作用預測模型對資訊的剖析更加全面,從而提高了DTI預測的準確性。
可以理解,本發明提及的上述各個方法實施例,在不違背原理邏輯的情況下,均可以彼此相互結合形成結合後的實施例,限於篇幅,本發明不再贅述。
此外,本發明還提供了裝置、電子設備、電腦可讀儲存介質、程式,上述均可用來實現本發明提供的任一種資訊處理方法,相應技術方案和描述和參見方法部分的相應記載,不再贅述。
本領域技術人員可以理解,在具體實施方式的上述方法中,各步驟的撰寫順序並不意味著嚴格的執行順序而對實施過程構成任何限定,各步驟的具體執行順序應當以其功能和可能的內在邏輯確定。
圖3示出根據本發明實施例的資訊處理裝置的方塊圖,如圖3所示,所述裝置包括:
獲取部分31,被配置為獲取多個目標資訊以及多個第一關聯資訊,其中,所述多個目標資訊分別對應多個目標,所述第一關聯資訊用於表示不同兩個目標之間的相互作用和相似度中的至少一個;所述多個目標分別屬於多個類別,所述多個類別包括第一類別、第二類別以及第三類別,所述第三類別與所述第一類別和所述第二類別中至少一個類別相關聯;
提取部分32,被配置為分別提取所述多個目標資訊的多個目標特徵以及所述多個第一關聯資訊的多個關聯特徵;
確定部分33,被配置為基於所述多個目標特徵和所述多個關聯特徵,確定第一目標與第二目標之間相互作用的預測結果,其中,所述第一目標包括屬於所述第一類別的目標,所述第二目標包括屬於所述第二類別的目標,所述第一目標與所述第二目標之間不具有第一關聯資訊。
在一些實現方式中,所述獲取部分31,被配置為基於所述多個目標資訊,確定所述多個第一關聯資訊中的至少一個第一關聯資訊。
在一些實現方式中,所述獲取部分31,被配置為針對所述多個目標中不同的兩個目標,根據所述兩個目標中每個目標對應的目標資訊,確定所述兩個目標之間的相互作用作為第一關聯資訊,進而根據所述多個目標資訊得到所述至少一個第一關聯資訊,其中,所述兩個目標屬於不同類別或同一類別。
在一些實現方式中,所述目標資訊包括結構資訊;所述獲取部分31,被配置為針對所述多個類別中的同一類別的兩個目標,根據所述兩個目標中每個目標的結構資訊,確定所述兩個目標之間的相似度作為第一關聯資訊,進而根據所述多個目標資訊得到所述至少一個第一關聯資訊。
在一些實現方式中,所述確定部分32,被配置為將所述多個目標特徵和所述多個關聯特徵進行特徵融合,得到融合特徵;根據所述融合特徵確定所述第一目標與第二目標之間相互作用的預測結果。
在一些實現方式中,所述確定部分32,被配置為基於所述多個目標特徵和所述多個關聯特徵,利用已訓練的相互作用預測模型確定所述第一目標與第二目標之間相互作用的預測結果。
在一些實現方式中,所述裝置還包括:訓練部分,被配置為基於多個樣本資訊以及多個第二關聯資訊,對所述相互作用預測模型進行訓練,得到已訓練的相互作用預測模型,其中,所述多個樣本資訊分別對應多個樣本,所述多個樣本屬於所述多個類別,所述第二關聯資訊用於表示不同兩個樣本之間的相互作用和相似度中的至少一個。
在一些實現方式中,所述訓練部分,被配置為在所述多個第二關聯資訊中,獲取第一樣本與第二樣本之間的相互作用作為標籤資訊,其中,所述第一樣本屬於所述第一類別,所述第二樣本屬於所述第二類別;將所述多個第二關聯資訊中除所述標籤資訊以外的第二關聯資訊、以及所述多個樣本資訊輸入所述相互作用預測模型,得到所述第一樣本與所述第二樣本之間相互作用的訓練預測結果;基於所述訓練預測結果和所述標籤資訊的比對結果,對所述相互作用預測模型的網路權重進行調整,得到已訓練的相互作用預測模型。
在一些實現方式中,所述第一類別包括藥物類和靶標類中的一個類別,所述第二類別包括藥物類和靶標類中的另一個類別,所述第三類別包括疾病類和副作用類中的至少一個類別。
在一些實現方式中,關聯資訊包括所述第一關聯資訊和所述第二關聯資訊,所述關聯資訊包括以下至少一項:
藥物和靶標之間的相互作用、不同藥物之間的相互作用、不同藥物之間的相似度、藥物和疾病之間相互作用、藥物和副作用之間的相互作用、不同靶標之間的相互作用、不同靶標之間的相似度、靶標和疾病之間的相互作用。
在一些實施例中,本發明實施例提供的裝置具有的功能或包含的模組可以用於執行上文方法實施例描述的方法,其具體實現可以參照上文方法實施例的描述,為了簡潔,這裡不再贅述。
本發明實施例還提出一種電腦可讀儲存介質,其上儲存有電腦程式指令,所述電腦程式指令被處理器執行時實現上述方法。電腦可讀儲存介質可以是非易失性電腦可讀儲存介質。
本發明實施例還提出一種電子設備,包括:處理器;被配置為儲存處理器可執行指令的記憶體;其中,所述處理器被配置為調用所述記憶體儲存的指令,以執行上述方法。
本發明實施例還提供了一種電腦程式產品,包括電腦可讀代碼,在電腦可讀代碼在電子設備上運行的情況下,電子設備中的處理器執行時實現如上任一實施例提供的資訊處理方法。
電子設備可以被提供為終端、伺服器或其它形態的設備。
圖4示出根據本發明實施例的一種電子設備800的方塊圖。例如,電子設備800可以是行動電話,電腦,數位廣播終端,消息收發設備,遊戲控制台,平板設備,醫療設備,健身設備,個人數位助理等終端。
參照圖4,電子設備800可以包括以下一個或多個組件:處理組件802,記憶體804,電源組件806,多媒體組件808,音頻組件810,輸入/輸出(I/ O)的介面812,感測器組件814,以及通信組件816。
處理組件802通常控制電子設備800的整體操作,諸如與顯示,電話呼叫,資料通信,相機操作和記錄操作相關聯的操作。處理組件802可以包括一個或多個處理器820來執行指令,以完成上述的方法的全部或部分步驟。此外,處理組件802可以包括一個或多個模組,便於處理組件802和其他組件之間的交互。例如,處理組件802可以包括多媒體模組,以方便多媒體組件808和處理組件802之間的交互。
記憶體804被配置為儲存各種類型的資料以支援在電子設備800的操作。這些資料的示例包括用於在電子設備800上操作的任何應用程式或方法的指令,連絡人資料,電話簿資料,消息,圖片,視頻等。記憶體804可以由任何類型的易失性或非易失性存放裝置或者它們的組合實現,如靜態隨機存取記憶體(SRAM),電可擦除可程式設計唯讀記憶體(EEPROM),可擦除可程式設計唯讀記憶體(EPROM),可程式設計唯讀記憶體(PROM),唯讀記憶體(ROM),磁記憶體,快閃記憶體,磁片或光碟。
電源組件806為電子設備800的各種組件提供電力。電源組件806可以包括電源管理系統,一個或多個電源,及其他與為電子設備800生成、管理和分配電力相關聯的組件。
多媒體組件808包括在所述電子設備800和使用者之間的提供一個輸出介面的螢幕。在一些實施例中,螢幕可以包括液晶顯示器(LCD)和觸摸面板(TP)。如果螢幕包括觸摸面板,螢幕可以被實現為觸控式螢幕,以接收來自使用者的輸入信號。觸摸面板包括一個或多個觸摸感測器以感測觸摸、滑動和觸摸面板上的手勢。所述觸摸感測器可以不僅感測觸摸或滑動動作的邊界,而且還檢測與所述觸摸或滑動操作相關的持續時間和壓力。在一些實施例中,多媒體組件808包括一個前置攝影頭和/或後置攝影頭。當電子設備800處於操作模式,如拍攝模式或視訊模式時,前置攝影頭和/或後置攝影頭可以接收外部的多媒體資料。每個前置攝影頭和後置攝影頭可以是一個固定的光學透鏡系統或具有焦距和光學變焦能力。
音頻組件810被配置為輸出和/或輸入音頻信號。例如,音頻組件810包括一個麥克風(MIC),當電子設備800處於操作模式,如呼叫模式、記錄模式和語音辨識模式時,麥克風被配置為接收外部音頻信號。所接收的音頻信號可以被進一步儲存在記憶體804或經由通信組件816發送。在一些實施例中,音頻組件810還包括一個揚聲器,用於輸出音頻信號。
I/O介面812為處理組件802和週邊介面模組之間提供介面,上述週邊介面模組可以是鍵盤,點擊輪,按鈕等。這些按鈕可包括但不限於:主頁按鈕、音量按鈕、啟動按鈕和鎖定按鈕。
感測器組件814包括一個或多個感測器,用於為電子設備800提供各個方面的狀態評估。例如,感測器組件814可以檢測到電子設備800的打開/關閉狀態,組件的相對定位,例如所述組件為電子設備800的顯示器和小鍵盤,感測器組件814還可以檢測電子設備800或電子設備800一個組件的位置改變,使用者與電子設備800接觸的存在或不存在,電子設備800方位或加速/減速和電子設備800的溫度變化。感測器組件814可以包括接近感測器,被配置用來在沒有任何的物理接觸時檢測附近物體的存在。感測器組件814還可以包括光感測器,如互補金屬氧化物半導體(CMOS)或電荷耦合裝置(CCD)圖像感測器,用於在成像應用中使用。在一些實施例中,該感測器組件814還可以包括加速度感測器,陀螺儀感測器,磁感測器,壓力感測器或溫度感測器。
通信組件816被配置為便於電子設備800和其他設備之間有線或無線方式的通信。電子設備800可以接入基於通信標準的無線網路,如無線網路(WiFi),第二代移動通信技術(2G)或第三代移動通信技術(3G),或它們的組合。在一個示例性實施例中,通信組件816經由廣播通道接收來自外部廣播管理系統的廣播信號或廣播相關資訊。在一個示例性實施例中,所述通信組件816還包括近場通信(NFC)模組,以促進短程通信。例如,在NFC模組可基於射頻識別(RFID)技術,紅外資料協會(IrDA)技術,超寬頻(UWB)技術,藍牙(BT)技術和其他技術來實現。
在示例性實施例中,電子設備800可以被一個或多個應用專用積體電路(ASIC)、數位訊號處理器(DSP)、數位信號處理設備(DSPD)、可程式設計邏輯器件(PLD)、現場可程式設計閘陣列(FPGA)、控制器、微控制器、微處理器或其他電子組件實現,用於執行上述方法。
在示例性實施例中,還提供了一種非易失性電腦可讀儲存介質,例如包括電腦程式指令的記憶體804,上述電腦程式指令可由電子設備800的處理器820執行以完成上述方法。
圖5示出根據本發明實施例的一種電子設備1900的方塊圖。例如,電子設備1900可以被提供為一伺服器。參照圖5,電子設備1900包括處理組件1922,其進一步包括一個或多個處理器,以及由記憶體1932所代表的記憶體資源,用於儲存可由處理組件1922的執行的指令,例如應用程式。記憶體1932中儲存的應用程式可以包括一個或一個以上的每一個對應於一組指令的模組。此外,處理組件1922被配置為執行指令,以執行上述方法。
電子設備1900還可以包括一個電源組件1926被配置為執行電子設備1900的電源管理,一個有線或無線網路介面1950被配置為將電子設備1900連接到網路,和一個輸入輸出(I/O)介面1958。電子設備1900可以操作基於儲存在記憶體1932的作業系統,例如微軟伺服器作業系統(Windows ServerTM),蘋果公司推出的基於圖形化使用者介面作業系統(Mac OS XTM),多使用者多進程的電腦作業系統(UnixTM), 自由和開放原代碼的類Unix作業系統(LinuxTM),開放原代碼的類Unix作業系統(FreeBSDTM)或類似。
在示例性實施例中,還提供了一種非易失性電腦可讀儲存介質,例如包括電腦程式指令的記憶體1932,上述電腦程式指令可由電子設備1900的處理組件1922執行以完成上述方法。
本發明可以是系統、方法和/或電腦程式產品。電腦程式產品可以包括電腦可讀儲存介質,其上載有用於使處理器實現本發明的各個方面的電腦可讀程式指令。
電腦可讀儲存介質可以是可以保持和儲存由指令執行設備使用的指令的有形設備。電腦可讀儲存介質例如可以是(但不限於)電存放裝置、磁存放裝置、光存放裝置、電磁存放裝置、半導體存放裝置或者上述的任意合適的組合。電腦可讀儲存介質的更具體的例子(非窮舉的列表)包括:可擕式電腦盤、硬碟、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可擦式可程式設計唯讀記憶體(EPROM或快閃記憶體)、靜態隨機存取記憶體(SRAM)、可擕式壓縮磁碟唯讀記憶體(CD-ROM)、數位多功能盤(DVD)、記憶棒、軟碟、機械編碼設備、例如其上儲存有指令的打孔卡或凹槽內凸起結構、以及上述的任意合適的組合。這裡所使用的電腦可讀儲存介質不被解釋為暫態信號本身,諸如無線電波或者其他自由傳播的電磁波、通過波導或其他傳輸媒介傳播的電磁波(例如,通過光纖電纜的光脈衝)、或者通過電線傳輸的電信號。
這裡所描述的電腦可讀程式指令可以從電腦可讀儲存介質下載到各個計算/處理設備,或者通過網路、例如網際網路、局域網、廣域網路和/或無線網下載到外部電腦或外部存放裝置。網路可以包括銅傳輸電纜、光纖傳輸、無線傳輸、路由器、防火牆、交換機、閘道電腦和/或邊緣伺服器。每個計算/處理設備中的網路介面卡或者網路介面從網路接收電腦可讀程式指令,並轉發該電腦可讀程式指令,以供儲存在各個計算/處理設備中的電腦可讀儲存介質中。
用於執行本發明操作的電腦程式指令可以是彙編指令、指令集架構(ISA)指令、機器指令、機器相關指令、微代碼、固件指令、狀態設置資料、或者以一種或多種程式設計語言的任意組合編寫的原始程式碼或目標代碼,所述程式設計語言包括物件導向的程式設計語言—諸如Smalltalk、C++等,以及常規的過程式程式設計語言—諸如“C”語言或類似的程式設計語言。電腦可讀程式指令可以完全地在使用者電腦上執行、部分地在使用者電腦上執行、作為一個獨立的套裝軟體執行、部分在使用者電腦上部分在遠端電腦上執行、或者完全在遠端電腦或伺服器上執行。在涉及遠端電腦的情形中,遠端電腦可以通過任意種類的網路—包括局域網(LAN)或廣域網路(WAN)—連接到使用者電腦,或者,可以連接到外部電腦(例如利用網際網路服務提供者來通過網際網路連接)。在一些實施例中,通過利用電腦可讀程式指令的狀態資訊來個性化定制電子電路,例如可程式設計邏輯電路、現場可程式設計閘陣列(FPGA)或可程式設計邏輯陣列(PLA),該電子電路可以執行電腦可讀程式指令,從而實現本發明的各個方面。
這裡參照根據本發明實施例的方法、裝置(系統)和電腦程式產品的流程圖和/或方塊圖描述了本發明的各個方面。應當理解,流程圖和/或方塊圖的每個方塊以及流程圖和/或方塊圖中各方塊的組合,都可以由電腦可讀程式指令實現。
這些電腦可讀程式指令可以提供給通用電腦、專用電腦或其它可程式設計資料處理裝置的處理器,從而生產出一種機器,使得這些指令在通過電腦或其它可程式設計資料處理裝置的處理器執行時,產生了實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作的裝置。也可以把這些電腦可讀程式指令儲存在電腦可讀儲存介質中,這些指令使得電腦、可程式設計資料處理裝置和/或其他設備以特定方式工作,從而,儲存有指令的電腦可讀介質則包括一個製造品,其包括實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作的各個方面的指令。
也可以把電腦可讀程式指令載入到電腦、其它可程式設計資料處理裝置、或其它設備上,使得在電腦、其它可程式設計資料處理裝置或其它設備上執行一系列操作步驟,以產生電腦實現的過程,從而使得在電腦、其它可程式設計資料處理裝置、或其它設備上執行的指令實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作。
附圖中的流程圖和方塊圖顯示了根據本發明的多個實施例的系統、方法和電腦程式產品的可能實現的體系架構、功能和操作。在這點上,流程圖或方塊圖中的每個方塊可以代表一個模組、程式段或指令的一部分,所述模組、程式段或指令的一部分包含一個或多個用於實現規定的邏輯功能的可執行指令。在有些作為替換的實現中,方塊中所標注的功能也可以以不同於附圖中所標注的順序發生。例如,兩個連續的方塊實際上可以基本並行地執行,它們有時也可以按相反的循序執行,這依所涉及的功能而定。也要注意的是,方塊圖和/或流程圖中的每個方塊、以及方塊圖和/或流程圖中的方塊的組合,可以用執行規定的功能或動作的專用的基於硬體的系統來實現,或者可以用專用硬體與電腦指令的組合來實現。
該電腦程式產品可以具體通過硬體、軟體或其結合的方式實現。在一個可選實施例中,所述電腦程式產品具體體現為電腦儲存介質,在另一個可選實施例中,電腦程式產品具體體現為軟體產品,例如軟體發展包(Software Development Kit,SDK)等等。
以上已經描述了本發明的各實施例,上述說明是示例性的,並非窮盡性的,並且也不限於所披露的各實施例。在不偏離所說明的各實施例的範圍和精神的情況下,對於本技術領域的普通技術人員來說許多修改和變更都是顯而易見的。本文中所用術語的選擇,旨在最好地解釋各實施例的原理、實際應用或對市場中的技術的改進,或者使本技術領域的其它普通技術人員能理解本文披露的各實施例。
工業實用性
在本發明實施例中,可以獲取多個目標資訊以及多個第一關聯資訊,再基於多個目標資訊的多個目標特徵以及多個第一關聯資訊的多個關聯特徵,確定第一類別中的第一目標與第二類別中的第二目標之間相互作用的預測結果,其中,多個目標資訊分別對應多個目標,第一關聯資訊用於表示不同兩個目標之間的相互作用和相似度中的至少一個。這樣,可以整合不同資訊來源的多種資訊,從而可以綜合各種可能影響相互作用的因素,並通過提取多種資訊的特徵,對不同目標之間的相互作用進行預測,可以進一步提高相互作用的預測結果的準確性。並且,本發明實施例可以間接建立同一類別或不同類別中的兩個目標之間的關聯,使第一關聯資訊更加全面,進而通過將多個目標特徵和多個關聯特徵進行特徵融合,可以使目標資訊和第一關聯資訊更好地結合在一起,使得基於融合特徵得到的相互作用的預測結果可以更加準確。
31:獲取部分
32:提取部分
33:確定部分
800:電子設備
802:處理組件
804:記憶體
806:電源組件
808:多媒體組件
810:音頻組件
812:輸入/輸出介面
814:感測器組件
816:通信組件
820:處理器
1900:電子設備
1922:處理組件
1926:電源組件
1932:記憶體
1950:網路介面
1958:輸入輸出介面
S11~S13:步驟
圖1為本發明實施例的一種資訊處理方法的流程圖;
圖2為本發明實施例的一種資訊處理方法一示例的方塊圖;
圖3為本發明實施例的一種資訊處理裝置的方塊圖;
圖4為本發明實施例的一種電子設備示例的方塊圖;
圖5為本發明實施例的一種電子設備示例的方塊圖。
S11~S13:步驟
Claims (11)
- 一種資訊處理方法,包括:獲取多個目標資訊以及多個第一關聯資訊,其中,所述多個目標資訊分別對應多個目標,所述第一關聯資訊用於表示不同兩個目標之間的相互作用和相似度中的至少一個;所述多個目標分別屬於多個類別,所述多個類別包括第一類別、第二類別以及第三類別,所述第三類別與所述第一類別和所述第二類別中至少一個類別相關聯;分別提取所述多個目標資訊的多個目標特徵以及所述多個第一關聯資訊的多個關聯特徵;基於所述多個目標特徵和所述多個關聯特徵,確定第一目標與第二目標之間相互作用的預測結果,其中,所述第一目標包括屬於所述第一類別的目標,所述第二目標包括屬於所述第二類別的目標,所述第一目標與所述第二目標之間不具有第一關聯資訊;所述第一類別包括藥物類和靶標類中的一個類別,所述第二類別包括藥物類和靶標類中的另一個類別,所述第三類別包括疾病類和副作用類中的至少一個類別;所述基於所述多個目標特徵和所述多個關聯特徵,確定第一目標與第二目標之間相互作用的預測結果,包括:基於所述多個目標特徵和所述多個關聯特徵,確定屬於藥物類的所述第一目標與屬於靶標類的所述第二目標之間相互作用的預測結果。
- 根據請求項1所述的方法,其中,所述獲取 多個第一關聯資訊,包括:基於所述多個目標資訊,確定所述多個第一關聯資訊中的至少一個第一關聯資訊。
- 根據請求項2所述的方法,其中,所述基於所述多個目標資訊,確定所述多個第一關聯資訊中的至少一個第一關聯資訊,包括:針對所述多個目標中不同的兩個目標,根據所述兩個目標中每個目標對應的目標資訊,確定所述兩個目標之間的相互作用作為第一關聯資訊,進而根據所述多個目標資訊得到所述至少一個第一關聯資訊,其中,所述兩個目標屬於不同類別或同一類別。
- 根據請求項2所述的方法,其中,所述目標資訊包括結構資訊;所述基於所述多個目標資訊,確定所述多個第一關聯資訊中的至少一個第一關聯資訊,包括:針對所述多個類別中的同一類別的兩個目標,根據所述兩個目標中每個目標的結構資訊,確定所述兩個目標之間的相似度作為第一關聯資訊,進而根據所述多個目標資訊得到所述至少一個第一關聯資訊。
- 根據請求項1至4任一項所述的方法,其中,所述基於所述多個目標特徵和所述多個關聯特徵,確定屬於藥物類的所述第一目標與屬於靶標類的所述第二目標之間相互作用的預測結果,包括:將所述多個目標特徵和所述多個關聯特徵進行特徵融合,得到融合特徵; 根據所述融合特徵確定所述第一目標與第二目標之間相互作用的預測結果。
- 根據請求項1至4任一項所述的方法,其中,所述基於所述多個目標特徵和所述多個關聯特徵,確定屬於藥物類的所述第一目標與屬於靶標類的所述第二目標之間相互作用的預測結果,包括:基於所述多個目標特徵和所述多個關聯特徵,利用已訓練的相互作用預測模型確定所述第一目標與第二目標之間相互作用的預測結果。
- 根據請求項6所述的方法,其中,所述相互作用預測模型的訓練過程包括:基於多個樣本資訊以及多個第二關聯資訊,對所述相互作用預測模型進行訓練,得到已訓練的相互作用預測模型,其中,所述多個樣本資訊分別對應多個樣本,所述多個樣本屬於所述多個類別,所述第二關聯資訊用於表示不同兩個樣本之間的相互作用和相似度中的至少一個。
- 根據請求項7所述的方法,其中,所述基於多個樣本資訊以及所述多個第二關聯資訊,對所述相互作用預測模型進行訓練,得到已訓練的相互作用預測模型,包括:在所述多個第二關聯資訊中,獲取第一樣本與第二樣本之間的相互作用作為標籤資訊,其中,所述第一樣本屬於所述第一類別,所述第二樣本屬於所述第二類別;將所述多個第二關聯資訊中除所述標籤資訊以外的第二 關聯資訊、以及所述多個樣本資訊輸入所述相互作用預測模型,得到所述第一樣本與所述第二樣本之間相互作用的訓練預測結果;基於所述訓練預測結果和所述標籤資訊的比對結果,對所述相互作用預測模型的網路權重進行調整,得到已訓練的相互作用預測模型。
- 根據請求項1至4任一項所述的方法,其中,所述第一關聯資訊包括以下至少一項:藥物和靶標之間的相互作用、不同藥物之間的相互作用、不同藥物之間的相似度、藥物和疾病之間相互作用、藥物和副作用之間的相互作用、不同靶標之間的相互作用、不同靶標之間的相似度、靶標和疾病之間的相互作用。
- 一種電子設備,包括:處理器;被配置為儲存處理器可執行指令的記憶體;其中,所述處理器被配置為調用所述記憶體儲存的指令,以執行請求項1至9中任一項所述的方法。
- 一種電腦可讀儲存介質,其上儲存有電腦程式指令,所述電腦程式指令被處理器執行時實現請求項1至9中任一項所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011358130.4A CN112331279A (zh) | 2020-11-27 | 2020-11-27 | 信息处理方法及装置、电子设备和存储介质 |
CN202011358130.4 | 2020-11-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202221721A TW202221721A (zh) | 2022-06-01 |
TWI786623B true TWI786623B (zh) | 2022-12-11 |
Family
ID=74308491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110116122A TWI786623B (zh) | 2020-11-27 | 2021-05-04 | 資訊處理方法、電子設備和電腦可讀儲存介質 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN112331279A (zh) |
TW (1) | TWI786623B (zh) |
WO (1) | WO2022110411A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201816645A (zh) * | 2016-09-23 | 2018-05-01 | 美商德萊福公司 | 用於生物樣本的自動化處理及分析、臨床資訊處理及臨床試驗配對之整合系統及方法 |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN110443366A (zh) * | 2019-07-30 | 2019-11-12 | 上海商汤智能科技有限公司 | 神经网络的优化方法及装置、目标检测方法及装置 |
CN111613291A (zh) * | 2020-05-28 | 2020-09-01 | 浙江大学医学院附属第一医院 | 一种药物管理、分类、医护人员与患者关联系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038348B (zh) * | 2017-05-04 | 2020-03-10 | 四川大学 | 基于蛋白-配体相互作用指纹图谱的药物靶标预测方法 |
CN109712678B (zh) * | 2018-12-12 | 2020-03-06 | 中国人民解放军军事科学院军事医学研究院 | 关系预测方法、装置及电子设备 |
EP3739589A1 (en) * | 2019-05-17 | 2020-11-18 | NEC OncoImmunity AS | Method and system for binding affinity prediction and method of generating a candidate protein-binding peptide |
CN110415763B (zh) * | 2019-08-06 | 2023-05-23 | 腾讯科技(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 |
CN111785320B (zh) * | 2020-06-28 | 2024-02-06 | 西安电子科技大学 | 基于多层网络表示学习的药物靶标相互作用预测方法 |
CN112270950B (zh) * | 2020-11-04 | 2023-06-23 | 中山大学 | 一种基于网络增强和图正则的融合网络药物靶标关系预测方法 |
-
2020
- 2020-11-27 CN CN202011358130.4A patent/CN112331279A/zh not_active Withdrawn
- 2020-12-21 WO PCT/CN2020/138137 patent/WO2022110411A1/zh unknown
-
2021
- 2021-05-04 TW TW110116122A patent/TWI786623B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
TW201816645A (zh) * | 2016-09-23 | 2018-05-01 | 美商德萊福公司 | 用於生物樣本的自動化處理及分析、臨床資訊處理及臨床試驗配對之整合系統及方法 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN110443366A (zh) * | 2019-07-30 | 2019-11-12 | 上海商汤智能科技有限公司 | 神经网络的优化方法及装置、目标检测方法及装置 |
CN111613291A (zh) * | 2020-05-28 | 2020-09-01 | 浙江大学医学院附属第一医院 | 一种药物管理、分类、医护人员与患者关联系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022110411A1 (zh) | 2022-06-02 |
CN112331279A (zh) | 2021-02-05 |
TW202221721A (zh) | 2022-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI781359B (zh) | 人臉和人手關聯檢測方法及裝置、電子設備和電腦可讀儲存媒體 | |
TWI771803B (zh) | 一種預測方法、電子設備和儲存介質 | |
TWI747325B (zh) | 目標對象匹配方法及目標對象匹配裝置、電子設備和電腦可讀儲存媒介 | |
WO2017113664A1 (zh) | 分类模型训练方法及装置 | |
WO2021036382A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
TWI785638B (zh) | 目標檢測方法、電子設備和電腦可讀儲存介質 | |
CN111582383B (zh) | 属性识别方法及装置、电子设备和存储介质 | |
KR20220011783A (ko) | 심볼 식별 방법 및 장치, 전자 기기 및 저장 매체 | |
WO2018120447A1 (zh) | 一种医案信息的处理方法、装置和设备 | |
WO2022057388A1 (zh) | 抗体的预测方法及装置、电子设备、存储介质和程序 | |
TWI779449B (zh) | 對象計數方法、電子設備、電腦可讀儲存介質 | |
TWI755890B (zh) | 資料處理方法、電子設備和電腦可讀儲存介質 | |
TW202242715A (zh) | 身份辨識方法及電子設備、電腦可讀儲存媒體 | |
TWI751593B (zh) | 網路訓練方法及裝置、圖像處理方法及裝置、電子設備、電腦可讀儲存媒體及電腦程式 | |
TWI786623B (zh) | 資訊處理方法、電子設備和電腦可讀儲存介質 | |
CN109145151B (zh) | 一种视频的情感分类获取方法及装置 | |
WO2023155393A1 (zh) | 特征点匹配方法、装置、电子设备、存储介质和计算机程序产品 | |
CN107436896A (zh) | 一种输入推荐方法、装置及电子设备 | |
WO2022110801A1 (zh) | 数据处理方法及装置、电子设备和存储介质 | |
TWI759004B (zh) | 一種目標對象顯示方法、電子設備和電腦可讀儲存介質 | |
CN115035947A (zh) | 蛋白质结构建模方法及装置、电子设备和存储介质 | |
KR20220012405A (ko) | 정보 처리 방법 및 장치, 전자 기기 및 컴퓨터 판독 가능 저장 매체 | |
CN113470735A (zh) | 预测方法及装置、电子设备和存储介质 | |
CN114429599A (zh) | 类目分类方法、装置、电子设备和存储介质 | |
CN111626398B (zh) | 运算方法、装置及相关产品 |