[发明专利]基于变分自编码器的药物-疾病关联预测方法

说明书

本发明提出了一种基于变分自编码器的药物‑疾病关联预测方法，主要解决现有技术预测药物‑疾病关联精度较低的问题，包括如下步骤：(1)构建药物‑疾病关联矩阵A和疾病‑药物关联矩阵B；(2)构建药物特征矩阵C和疾病特征矩阵D；(3)搭建基于变分自编码器的药物‑疾病关联预测模型H；(4)对基于变分自编码器的药物‑疾病关联预测模型H进行迭代训练；(5)获取药物‑疾病关联预测结果Y。本发明降低了噪音和数据缺失对预测结果的影响，充分提取了复杂数据的隐含信息，有效提高了药物‑疾病关联预测的精度，可用于药物重定位的药物候选。

技术领域

本发明属于生物信息学技术领域，涉及一种药物-疾病关联预测方法，具体涉及一种基于变分自编码器的药物-疾病关联预测方法，可用在药物重定位中为现有药物的新治疗用途提供候选推荐。

背景技术

药物重定位目的是为了确定已有药物的新用途，相对于传统药物研究，大大降低了风险，节省了成本和时间，因此药物重定位受到广泛关注，2013年上市的84种药品中，现有药品的新适应症占了20％。近年来，各国非贸易组织、学术机构和政府对药物重定位方面的研究越来越重视，并对其提供了大量资金支持。例如，美国国家推进转化科学中心和英国医学研究理事会已经在药物重定位领域启动了多种大型的资助项目，目标是将已经经过医药工业重大研究和开发的药物分子扩展到更多的新的适应症。此外，美国食品和药物管理局FDA也创建了多个公共数据库专门为计算药物的重定位服务，这些数据为药物重定位提供了很多帮助。

药物-疾病相关性的鉴定可以为药物的发现和药物的重新定位提供重要的信息。因为手工调查是耗时的，随着高通量技术的发展和数据库的不断更新，提出了大量的计算方法。

在2016年，Luo等人在《Bioinformatics》上发表了论文“Drug repositioningbased on comprehensive similarity measures and Bi-Random walk algorithm”，公开了一种基于全面相似度测量和双向随机游走的药物-疾病关联预测方法MBIRW，该方法基于相似药物通常与相似疾病相关，反之亦然的假设，利用一些综合的相似度量和双向随机游走算法来识别给定药物的潜在新适应症。通过将药物或疾病特征信息与已知的药物-疾病关联信息相结合，建立了综合相似度量方法来计算药物和疾病的相似度。然后构建药物相似网络和疾病相似网络，并将它们整合到已知药物与疾病相互作用的异构网络中。基于药物-疾病异构网络，采用双向随机游走算法来预测新的潜在药物-疾病关联。

Luo等人于2018年在《Bioinformatics》上发表了论文“Computational DrugRepositioning using Low-Rank Matrix Approximation and Randomized Algorithms”，公开了一种使用低秩矩阵近似和随机算法的药物-疾病关联预测方法DRRS，该方法通过整合药物和疾病的相关数据信息来预测新的药物适应症。首先，通过整合药物-药物、疾病-疾病和药物-疾病网络，构建异质药物-疾病相互作用网络。异质网络用一个大的药物-疾病邻接矩阵来表示，其条目包括药物对、疾病对、已知的药物-疾病相互作用对和未知的药物-疾病对。然后，针对未知药物-疾病对，采用快速奇异值阈值SVT算法，利用预测的未知药物-疾病对得分来补全药物-疾病邻接矩阵。

然而，上述的算法是在默认无噪声环境下运行的，且对稀疏数据的处理能力不够好，即抗干扰能力较弱，同时上述的算法难以学习到复杂数据的深层次信息，无法充分提取复杂数据的的隐含信息。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于变分自编码器的药物-疾病关联预测方法，旨在解决现有技术预测药物-疾病关联精度较低的问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)构建药物-疾病关联矩阵A和疾病-药物关联矩阵B：