[发明专利]基于多源异构网络的预测药物之间副作用的方法及系统

说明书

本发明属于数据分析挖掘技术领域，提供了一种基于多源异构网络的预测药物之间副作用的方法及系统。其中，该方法包括获取药物之间副作用的数据、药物和副作用之间对应关系的数据及药物和不同生物模态之间对应关系的数据，构建不同药物之间相互作用的符号网络；针对不同生物模态，对药物之间相互作用的符号网络进行图卷积，得到相应特征矩阵，并融合所有生物模态下的特征矩阵；通过解码矩阵对融合的特征矩阵中的药物编码进行解码，得到重构的药物之间的副作用网络；根据重构的药物之间的副作用网络中的信息得到邻接矩阵，根据邻接矩阵计算预测药物之间的副作用的准确率。

技术领域

本发明属于数据分析挖掘技术领域，尤其涉及一种基于多源异构网络的预 测药物之间副作用的方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在 先技术。

最近几年来，需要联合用药来治疗疾病的人数变得越来越多，但是，一起 服用多种药物时可能会导致药物间产生相互作用，产生的相互作用可能是副作 用。因此，预测药物之间的副作用就成了一项并不可少的并且具有挑战性的工 作。同时服用多种药物产生副作用的概率要比服用一种药物产生副作用的概率 大的多。多药副作用的产生是由于药物之间的相互作用而出现的，如果一种药 物与另外一种药物合用，那么其中一种药物的活性可能会向不利的方向发展。 由于药物之间的复杂关系是非常少见的，所以药物之间的复杂关系很有限，并 且一般来说，在相对较少的临床测试中观察不到。因此发现药物之间的不良反 应是一项具有挑战性的工作，发现药物之间的副作用可以有效降低发病率和死 亡率。

如果通过实施实验的方法来发现药物之间的副作用会非常费时费力。目前 来看，出于对时间和成本的考虑，已经出现了很多机器学习方法来对药物之间 的副作用进行预测。具体而言，用机器学习方法表示的药物都必须带有化学分 子结构或者是其他的生物信息，得到药物的特征表示之后，然后对药物之间的 副作用进行预测。发明人发现，尽管这些机器学习方法已经取得了相对成功的 结果，但仍然存在以下问题：首先，只考虑了药物之间的单一类型的关系，而 忽略了药物之间的隐性关系或者间接关系；其次，尽管一些机器学习方法的研 究考虑了药物之间的隐性关系，但是这些方法并未考虑潜在的语义信息。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于多源异构 网络的预测药物之间副作用的方法及系统，其对各个生物特征方面的药物特征 向量表达进行融合，这种融合方式可以使药物的最终向量表达更加准确，能够 提高药物之间副作用的预测准确性。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于多源异构网络的预测药物之间副作用的 方法。

一种基于多源异构网络的预测药物之间副作用的方法，其包括：

获取药物之间副作用的数据、药物和副作用之间对应关系的数据及药物和 不同生物模态之间对应关系的数据，构建不同药物之间相互作用的符号网络；

针对不同生物模态，对药物之间相互作用的符号网络进行图卷积，得到相 应特征矩阵，并融合所有生物模态下的特征矩阵；

通过解码矩阵对融合的特征矩阵中的药物编码进行解码，得到重构的药物 之间的副作用网络；

根据重构的药物之间的副作用网络中的信息得到邻接矩阵，根据邻接矩阵 计算预测药物之间的副作用的准确率。

本发明的第二个方面提供一种基于多源异构网络的预测药物之间副作用的 系统。

一种基于多源异构网络的预测药物之间副作用的系统，其包括：

符号网络构建模块，其用于获取药物之间副作用的数据、药物和副作用之 间对应关系的数据及药物和不同生物模态之间对应关系的数据，构建不同药物 之间相互作用的符号网络；