[发明专利]一种基于图神经网络预测药物-副作用关系的方法

说明书

本发明公开了一种基于图神经网络预测药物‑副作用关系的方法，用于解决如何利用深度学习的方法以及充分考虑边和节点的信息来表示网络中的节点的问题；包括收集药物数据进行预处理，建立药物与药物、药物副作用与副作用之间的关系；构建药物‑副作用异质网络模型；使用图神经网络对网络中的节点和多关系边进行向量化表示；本发明通过构建多关系网络，利用神经网络，对网络中的节点进行表示；通过不同平台的公开数据进行爬取，描述药物的特征更加全面，数据采集方便快捷，对数据进行预处理后再进行分析，增强了挖掘的效果，提高了挖掘数据的质量，构建了能代表多模态数据的异质网络模型，使用了图神经网络方法，结合了点和边的信息。

技术领域

本发明涉及生物医药领域，具体为一种基于图神经网络预测药物-副作用关系的方法。

背景技术

众所周知，在生物医药领域，新药物的研发不仅资金投入巨大，而且周期非常漫长，药物在治疗患者疾病的同时，可能伴随着危害患者生命健康的副作用。因此，如何快速，准确地发现潜在的药物副作用信息成为药物研发过程中的一个重要环节。近年来，因药物副作用所引发的药物安全问题备受关注，主要原因在于人们对药物副作用的认识不足从而导致临床上药物治疗错误、患者急慢性中毒、与药物副作用相关的发病率和病死率不断上升。即使在药物上市之后，相关的监管部门仍然会持续跟进它在临床使用中可能产生的副作用，以降低对人们的危害。此外，由于临床试验的长期性和复杂性，批准上市药物的副作用反馈经常有延迟，导致早期难预测药物副作用。因此，在药物投入使用之前，对药物的副作用进行合理的分析和预测对保障用户的健康具有重要的意义。

目前，药物副作用的发现机制主要有两种。一是在新药研发过程中，投入使用之前进行临床试验，二是在药物上市之后，相关机构进行信息采集，获取来自医院、患者等的反馈报告，这两种方法都有耗费时间长，资金投入大的明显缺点。因此，在最近的药物副作用研究中，利用最新的数据挖掘和统计学等方法分析现有的海量生物医学相关数据或者利用机器学习、网络分析等相关算法，对药物的副作用进行科学的分析和预测成为了生物信息学领域的一大热点。当前大部分基于科学计算的药物副作用预测方法，采用了机器学习的分类方法，从药物的相关信息中构建药物的特征向量，从而分析特征向量与副作用之间的内在联系。这种方法充分利用了药物本身的相关特征，但忽略了副作用之间的潜在关联。同时，数据的稀疏性在一定程度上影响了分类算法的预测结果。然而由于该领域数据的复杂性、缺乏规范化及副作用本体映射的技术难题，药物副作用领域数据在知识集成与知识发现方面始终未能求得理想的解决方案。如何从大规模的高维生物医学数据中准确提取药物副作用相关特征信息，并进行深度融合是目前实现精准预测的关键和难点。

近年来，网络科学的发展为每个学科的研究提供了重要的工具，同样的因为生物网络用于模拟许多不同生物学概念之间的相互作用，网络分析亦是分析药物副作用的重要方法之一。在深度学习的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构，即为图神经网络。图神经网络是近些年一个新的方法，在不同领域都得到了广泛应用，特别是图像处理、链路预测等方面。然而，要从药物相关多组学数据中保留网络结构信息，进而学习低维网络表示仍然存在一些挑战。尤其是，在这些网络中具有相同或相似功能注释的药物都表现出复杂的混合关系。因此，学习低维向量的药物(节点)，既可以保留非线性网络结构，同时还能预测新的药物副作用，是一项具有挑战性的任务。

目前图神经网络算法针对网络有有向网络、异质网络、多关系网络等，但对于多关系异质网络，如何利用深度学习的方法以及充分考虑边和节点的信息来表示网络中的节点是亟待解决的问题。

发明内容

本发明的目的就在于为了解决如何利用深度学习的方法以及充分考虑边和节点的信息来表示网络中的节点的问题，而提出一种基于图神经网络预测药物-副作用关系的方法。

本发明的目的可以通过以下技术方案实现：一种基于图神经网络预测药物-副作用关系的方法，包括以下步骤：

收集药物相关数据进行预处理，建立药物与药物、药物副作用与副作用之间的关系；