[发明专利]建立药物协同作用预测模型的方法、预测方法及对应装置

权利要求书

1.一种建立药物协同作用预测模型的方法，包括：

获取关系图，所述关系图中的节点包括药物节点和蛋白质节点，边指示节点间存在相互作用；

从所述关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本；

将训练样本中的药物节点对作为药物协同作用预测模型的输入，将药物节点对是否存在协同作用的标注作为目标输出，训练所述药物协同作用预测模型；其中所述药物协同作用预测模型基于图注意力网络对所述关系图进行学习得到。

2.根据权利要求1所述的方法，其中，所述关系图为针对特定组织的关系图，所述关系图中的边指示节点间在所述特定组织上存在相互作用。

3.根据权利要求1或2所述的方法，其中，所述药物协同作用预测模型包括图注意力网络层和分类层；

所述图注意力网络层用以利用所述关系图中药物节点的特征向量和药物节点的邻居节点的特征向量进行注意力处理，得到药物节点的向量表示；

所述分类层用以利用药物节点对中各药物节点的向量表示，得到该药物节点对是否存在协同作用的分类结果；

所述药物协同作用预测模型的训练目标为：最小化分类结果与对应标注之间的差异。

4.根据权利要求3所述的方法，其中，各节点的特征向量的初始值采用如下方式得到：

节点经过预训练的嵌入单元的处理，得到节点中各原子的特征向量；由整合单元对所述各原子的特征向量进行整合，得到节点的特征向量作为所述初始值。

5.根据权利要求4所述的方法，其中，所述嵌入单元采用如下方式预先训练得到：

获取化合物作为训练样本；

将随机掩码部分基团的训练样本作为包括嵌入单元和预测单元的掩码语言模型的输入，训练所述掩码语言模型；

其中，所述嵌入单元提取训练样本中各原子的特征向量，再由所述预测单元依据各原子的特征向量预测被掩码部分的内容，训练目标为最小化所述预测单元的预测结果与训练样本中被掩码部分基团内容的差异。

6.根据权利要求3所述的方法，其中，所述利用所述关系图中药物节点的特征和药物节点的邻居节点的特征进行注意力处理，得到药物节点的向量表示包括：

对所述关系图中药物节点的特征和药物节点的邻居节点的特征进行多头注意力处理；

将所述多头注意力处理得到的多个向量表示进行合并，得到该药物节点的向量表示。

7.根据权利要求3所述的方法，其中，所述关系图为针对特定组织的关系图；

所述利用药物节点对中各药物节点的向量表示，得到该药物节点对是否存在协同作用的分类结果包括：

将所述药物节点对中各药物节点的向量表示和所述特定组织的向量表示进行拼接；利用拼接得到的向量表示进行分类，得到该药物节点对是否存在协同作用的分类结果。

8.一种药物协同作用的预测方法，包括：

从关系图中确定待识别药物节点对；

利用药物协同作用预测模型对所述待识别药物节点对进行预测，得到所述待识别药物节点对是否存在协同作用的预测结果；

其中所述药物协同作用预测模型采用如权利要求1至7中任一项所述的方法预先训练得到。

9.一种建立药物协同作用预测模型的装置，包括：

图获取单元，用于获取关系图，所述关系图中的节点包括药物节点和蛋白质节点，边指示节点间存在相互作用；

样本采集单元，用于从所述关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本；

模型训练单元，用于将训练样本中的药物节点对作为药物协同作用预测模型的输入，将药物节点对是否存在协同作用的标注作为目标输出，训练所述药物协同作用预测模型；其中所述药物协同作用预测模型基于图注意力网络对所述关系图进行学习得到。