[发明专利]一种基于多通路图卷积神经网络的药物靶标预测方法

权利要求书

1.一种基于多通路图卷积神经网络的药物靶标预测方法，其特征在于，包括以下步骤：

步骤一：计算多源异构网络的共现矩阵，包括以下步骤：

1.1.基于多源异构的药物信息网络的集合G＝[G₁,G₂,G₃,G₄,G₅],其中，G表示多个药物信息子网络组成的多源异构药物信息网络，其中G＝(V,E)，V表示药物信息子网络中的节点，E表示节点间的关联关系，[G₁,G₂,G₃,G₄,G₅]分别表示药物-蛋白质关联关系矩阵，药物-药物相互作用矩阵，药物-副作用关系矩阵，药物疾病相关关联矩阵以及有关药物结构的相似性矩阵；

1.2.基于随机游走方法，将步骤1.1中的药物信息网络的各个子网络作为初始数据，融合并计算所有子网络中的节点的拓扑结构和网络的节点表示，将计算结果输出为融合的药物信息网络的概率共现矩阵X，其中，具体的概率共现矩阵的计算公式是：

X_k＝wX_k-1A+(1-w)G₀

其中X_k表示概率共现矩阵X在第k轮迭代的结果，G₀表示步骤1.1中的多个子网络组成的药物信息网络的原始01矩阵，w表示概率，A表示转移矩阵；

1.3.将步骤1.2计算得到的概率共现矩阵X作为输入，计算概率共现矩阵的移位正点互信息矩阵PPMI矩阵,其中PPMI矩阵的计算公式为:

其中X为步骤1.2中计算所得的概率共现矩阵，X(i,j)表示概率共现矩阵X中第i行，第j列的数据，Nr和Nc分别表示矩阵的行数和列数，计算所得的负数设置为0；

计算带自环的药物-药物相互作用邻接矩阵

计算公式为：

其中A为药物-药物相互作用邻接矩阵，I为单位矩阵；

步骤二：利用步骤一生成的带自环的药物-药物相互作用邻接矩阵和PPMI矩阵P作为卷积核，步骤1.1中的多个子网络组成的药物信息网络G作为初始特征矩阵，将G作为多通路图卷积神经网络的输入，其中，多通路图卷积神经网络包含两条通路神经网络结构，每条通路包括三个图卷积层、一个softmax层，且网络顺序为图卷积层、图卷积层、图卷积层、softmax层，每条通路的每个图卷积层的维度分别为3000，2000，1512；确定整合局部一致性的图卷积层前馈计算公式为：

其中，Z^(i-1)表示上一层图卷积神经网络的输出数据，将其作为下一层的输入，Z⁽ⁱ⁾表示每层图卷积神经网络的输出数据，为带自环的药物-药物相互作用邻接矩阵的度矩阵，W⁽ⁱ⁾为可更新的模型参数；

整合全局一致性的图卷积计算公式为：

其中，Z^(i-1)表示上一层图卷积神经网络的输出数据，将其作为下一层的输入，Z⁽ⁱ⁾表示每层图卷积神经网络的输出数据，为带自环的药物-药物相互作用邻接矩阵的度矩阵，W⁽ⁱ⁾为可更新的模型参数；

步骤三：使用均方差损失函数以及交叉熵损失函数作为多通路图卷积神经网络的损失函数，以整合药物信息网络的全局一致性以及布局一致性有效表示，并结合BP方法更新网络参数，使得网络随着训练的进行，网络输出越来越接近已知的药物靶标的关联关系矩阵；

其中，均方差损失函数为：

其中，表示由带自环的药物-药物相互作用邻接矩阵作为卷积核的输出矩阵的第l行，第i列的数据，Y_l,i表示已知的药物靶标关联关系的正负样本矩阵的第l行，第i列的数据，y_L是一组数据索引，它的标签用于训练模型；

交叉熵损失函数为：

其中，将Conv_p(X)和Conv_A(A)的输出分别作为Z^P,Z^A，其表示由PPMI矩阵P和由带自环的药物-药物相互作用邻接矩阵作为卷积核的矩阵输出数据；

即，最终的完整的损失函数为：L＝L(ConvA)+λ(t)L(ConvA,ConvP)，其中，L(Conv_A(X))表示整合局部一致性的损失函数，L(ConvA,ConvP)表示整合全局一致性的损失函数，λ(t)表示随着时间变换的参数函数；随着训练轮数的增加，模型参数不断更新，直到模型趋于稳定停止。