[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

说明书

本发明属于机器学习以及计算机生物信息学领域，公开了一种基于多通路图卷积神经网络的药物靶标预测方法。本发明包括步骤：基于随机游走的方法，计算药物信息的概率共现矩阵；通过概率共现矩阵计算移位正点互信息(PPMI)矩阵，通过使用计算所得的PPMI矩阵以及带自环的药物信息邻接矩阵作为全局和局部一致性的卷积核，对药物信息网络做图卷积操作，整合复杂有效的节点及拓扑结构知识，并通过交叉熵损失函数以及均方差损失函数联合对模型进行训练，将训练完成的模型作为药物靶标潜在关系预测的模型。本发明避免了传统药物靶标预测方法的局限性。本发明借助于多通路图卷积神经网络模型，实现高精度的药物靶标预测。

技术领域：

本发明属于机器学习领域及多源药物信息网络领域，涉及基于多源异构药物信息网络的药物靶标预测方法，特别涉及一种基于多通路图卷积神经网络的多源异构药物信息的靶标预测方法。

背景技术：

药品的研发一直以来都是极其耗费时间资源以及成本资源的研究，传统的药物研发周期长，成本高，高污染，高风险，且需要经过漫长的临床实验的验证才有可能具备大范围应用于临床的机会。而药物靶标适应关系的相关研究及临床试验一直以来被认定为药物研发的重大困难，1993年以来FDA公布批准的小分子药物以及生物药物的数量大约每年只有30-40种。因此，近年来，研究人员将目光聚焦于老药新用这一领域，即，通过研究已被应用于临床的安全的药物来治疗除公开的适应症以外的病症。目前为止，已经有大量的专业药物信息系统及数据库被公开，海量的多源异构的药物信息网络的开源化给了全球的研究人员坚实的数据基础，如何利用海量的药物数据资源，从大量未被证实的药品相关数据中计算药物潜在的治疗关系迫在眉睫。

近几年，神经网络在图形图像以及自然语言处理领域展示出了前所未有的潜力，使得研究人员将目光聚焦在深度学习神经网络等方面，希望借助于神经网络实现药物的辅助研发功能，然而，传统的神经网络CNN等处理的数据多为规则图形图像数据，使用的卷积核等关键计算部分也是规定大小的规则矩阵，无法有效处理异构不规则的药物信息网络数据。在此基础上，基于图的卷积网络即图卷积神经网络应运而生。过去几年中，面向大规模药物信息网络，社交网络，知识图谱等不规则网络图结构的图神经网络模型得到了大规模的发展，该种神经网络目前已经发展出了相当多的变体，主要处理节点分类以及链路预测等问题。

针对药物信息领域中药物靶标预测的问题，目前的研究方法大体分为三类，分别是基于配体的方法，基于分子对接的方法以及基于机器学习的方法。经证实，基于配体的方法在配体的数量较少的情况下表现性能低下，而基于分子对接的方法需要预测蛋白质的三级结构的情况下预测，但是蛋白质三维结构的难以确定，并且耗时巨大，该种方法的预测效率较低。

为了解决基于配体方法和分子对接方法的不足，借助机器学习模型，从已有的药物和靶标的关联关系出发，分析整合药物信息，可以提高潜在的药物靶标关系对的富集程度，以降低预测的假阳性率。运用机器学习的方法整合有效的药物信息预测药物靶标的研究在药物重定位领域取得了成功的进展。在药物靶标预测过程中往往涉及到一些相关的药物信息例如，药物，靶标，副作用，疾病等节点信息，以及相关节点间的关联关系信息或相似度信息。本发明使用异构药物的子网络信息，通过使用多通路的图卷积神经网络，充分整合药物靶标的多源有效信息结合已知的药物靶点关联信息作为正样本做药物靶点的链路预测。

针对基于传统计算方法预测药物靶点的配体不足、表现不良以及效率低的问题，本发明提供一种基于多通路图卷积神经网络的药物靶标预测方法，目的在于避免传统的药物靶点预测的正负样本极度不均衡造成的预测精度不佳以及效率不高的问题。本发明通过使用多通路的图卷积神经网络，自动学习药物信息网络节点间的局部一致性信息以及全局一致性信息，有效的提高了预测精度以及预测效率，完成药物靶标的潜在关系对的预测工作。

发明内容：

针对如何融合药物信息网络的全局一致性及局部一致性信息，完成预测药物靶点的潜在关系对的任务，本发明提供一种基于多通路图卷积神经网络的药物靶标预测方法。为了实现本发明的目的，具体的实施步骤如下：