CN116543853A - 药物相互作用预测方法、计算机设备及介质 - Google Patents
药物相互作用预测方法、计算机设备及介质 Download PDFInfo
- Publication number
- CN116543853A CN116543853A CN202210083440.2A CN202210083440A CN116543853A CN 116543853 A CN116543853 A CN 116543853A CN 202210083440 A CN202210083440 A CN 202210083440A CN 116543853 A CN116543853 A CN 116543853A
- Authority
- CN
- China
- Prior art keywords
- drug
- predicted
- medicine
- vector
- relationship
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 206010013710 Drug interaction Diseases 0.000 title claims abstract description 61
- 239000003814 drug Substances 0.000 claims abstract description 383
- 229940079593 drug Drugs 0.000 claims abstract description 214
- 239000013598 vector Substances 0.000 claims abstract description 195
- 201000010099 disease Diseases 0.000 claims abstract description 75
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 58
- 239000013604 expression vector Substances 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 31
- 230000004913 activation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000009472 formulation Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 241000282326 Felis catus Species 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract description 19
- 239000002547 new drug Substances 0.000 abstract description 9
- 238000012827 research and development Methods 0.000 abstract description 2
- 125000004429 atom Chemical group 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 229910052796 boron Inorganic materials 0.000 description 2
- 229910052729 chemical element Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008406 drug-drug interaction Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 125000004433 nitrogen atom Chemical group N* 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/50—Molecular design, e.g. of drugs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开一种药物相互作用预测方法、计算机设备及介质。在一具体实施方式中,该方法包括:利用已训练的图神经网络,对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量,其中,待预测药物包括第一药物和第二药物;利用已训练的第一网络,根据待预测药物的表示向量预测得到表征待预测药物与设定疾病种类之间关系的关系向量;以及,利用已训练的第二网络,根据第一药物和第二药物的表示向量、第一药物及第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用。该实施方式可在保证精确性的基础上提升覆盖度,可实现对研发中的新药物与其他药物之间的药物相互作用预测。
Description
技术领域
本发明涉及人工智能领域。更具体地,涉及一种药物相互作用预测方法、计算机设备及介质。
背景技术
药物相互作用(Drug-Drug Interaction,DDI)是指同时或在一定时间内先后服用两种或两种以上药物时,一种药物的活性可能因其他药物的存在而发生改变。药物相互作用可能引发患者的许多不良反应,现已成为公共卫生的严重威胁之一。随着现代疾病谱的增加以及患者耐药性的升高,多药处方已成为常见的治疗选择,特别是对于伴有糖尿病、心血管疾病等多种慢性疾病的患者。这往往会增加临床相关风险,并对治疗管理提出了新的挑战。药物相互作用的发生通常是有害的,会使患者面临副作用和毒性的风险,甚至使患者的身体状况恶化。目前,药物相互作用的获取方式,通常是通过药物说明书获取,然而由于药物种类繁多,药物说明书不能覆盖所有起相互作用的药物。
发明内容
本发明的目的在于提供一种药物相互作用预测方法、计算机设备及介质,以解决现有技术存在的问题中的至少一个。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面提供了一种药物相互作用预测方法,包括:
利用已训练的图神经网络,对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量,其中,所述待预测药物包括第一药物和第二药物;
利用已训练的第一网络,根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量;以及
利用已训练的第二网络,根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用。
可选地,所述对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量包括:
将待预测药物的分子结构中的原子特征化为图结构的节点并将待预测药物的分子结构中的化学键特征化为图结构的边,得到待预测药物的图结构;
对所述待预测药物的图结构进行迭代的图卷积运算以得到所述待预测药物的各节点的表示向量;以及
根据所述待预测药物的各节点的表示向量获取所述待预测药物的表示向量。
可选地,所述对所述待预测药物的图结构进行迭代的的图卷积运算以得到所述待预测药物的各节点的表示向量包括:对所述待预测药物的图结构进行设定迭代次数的图卷积运算以得到所述待预测药物的各节点的表示向量。
可选地,所述图卷积运算的公式化描述为:
ht+1(ei)=σ(We×ht(ei)+Wm×mt(ei))
其中,ht+1(ei)为对待预测药物的图结构进行第t+1次图卷积运算后得到的第i个节点ei的表示向量,t为自然数;σ为非线性激活函数;We为N1×N1的第一参数矩阵;Wm为N1×N1的第二参数矩阵;对待预测药物的图结构进行第t+1次图卷积运算的第i个节点ei的第一中间变量第一中间变量初始值m0(ei)=0;N(ei)表示节点ei的邻居节点集合;type(k,i)表示待预测药物的第i个节点ei与第k个节点ek之间的边的类型;Wtype(k,i)为N1×N1的第三参数矩阵;待预测药物的第i个节点ei的表示向量初始值h0(ei)=σ(W0×onehot(ei);W0为N1×N2的第四参数矩阵;onehot(ei)为待预测药物的第i个节点ei的独热表示的N2维列向量。
可选地,所述根据所述待预测药物的各节点的表示向量获取所述待预测药物的表示向量包括:将计算得到的所述待预测药物的各节点的表示向量的平均值、最大值或线性加权值作为所述待预测药物的表示向量。
可选地,
将计算得到的所述待预测药物的各节点的表示向量的平均值作为所述待预测药物的表示向量的公式化描述为:
其中,h为待预测药物的表示向量;待预测药物包含N个节点;hT(ei)为对待预测药物的图结构进行迭代的图卷积运算后得到的待预测药物的第i个节点ei的表示向量;
将计算得到的所述待预测药物的各节点的表示向量的最大值作为所述待预测药物的表示向量的公式化描述为:
h=max(hT(ei)),i=1,…,N;
将计算得到的所述待预测药物的各节点的表示向量的线性加权值作为所述待预测药物的表示向量公式化描述为:
其中,待预测药物的第i个节点ei的权重αi为:
其中,θ为N1维的第一参数列向量。
可选地,所述根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量的公式化描述为:
y=softmax(W2×h1+b2)
其中,y为表征所述待预测药物与设定疾病种类之间关系的关系向量;第二中间变量h1=σ(W1×h+b1);σ为非线性激活函数;h为所述待预测药物的表示向量;W1为N3×N1的第五参数矩阵;W2为N4×N3的第六参数矩阵,N4的取值为设定疾病种类的数量;b1为N3维的第二参数列向量;b2为N4维的第三参数列向量;softmax()表示softmax分类函数。
可选地,所述根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用的公式化描述为:
ylabel=softmax(W4×ha,b+b4)
其中,ylabel为第一药物与第二药物的药物相互作用的预测结果;softmax()表示softmax分类函数;第三中间变量ha,b为:
ha,b=σ(W3×cat(ha,hb,ha-hb,ha+hb,ha·hb,ya+yb-ya·yb)+b3);
σ为非线性激活函数;cat()表示拼接函数;ya为第一药物与设定疾病种类之间关系的关系向量,为N4维列向量;yb为第二药物与设定疾病种类之间关系的关系向量,为N4维列向量;ha为第一药物的表示向量,为N1维列向量;hb为第二药物的表示向量,为N1维列向量;W3为N5×N6的第七参数矩阵,N6=5*N1+N4;b3为N5维的第四参数列向量;W4为2×N5的第八参数矩阵,b4为2维的第五参数列向量。
可选地,在所述利用已训练的图神经网络,对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量之前,所述方法还包括:
构建训练数据集,所述训练数据集包括多个标记有与设定疾病种类之间关系的药物的分子结构的第一训练数据,及多对标记有药物相互作用的药物分子结构的第二训练数据;以及
利用所述训练数据集,基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络。
可选地,所述基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络包括:
利用交叉熵损失函数及随机梯度下降算法,基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络。
本发明第二方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明第一方面所述的方法。
本发明第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面所述的方法。
本发明的有益效果如下:
本发明所述技术方案通过图神经网络学习得到药物的向量表示,进而结合药物与疾病种类之间的关系来预测得到药物相互作用,可在保证精确性的基础上提升覆盖度,可实现对研发中的新药物与其他药物之间的药物相互作用预测。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明的一个实施例可以应用于其中的示例性***架构图。
图2示出本发明实施例提供的药物相互作用预测方法的流程示意图。
图3示出本发明实施例提供的药物相互作用预测方法利用的网络模型的结构示意图。
图4示出执行本发明实施例提供的药物相互作用预测方法的计算机***的结构示意图。
具体实施方式
为了更清楚地说明本发明,下面结合实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:目前,药物相互作用的获取方式,通常是通过药物说明书获取,然而由于药物种类繁多,药物说明书不能覆盖所有起相互作用的药物。
另外,发明人发现,在新药物的研发过程中,现有的药物相互作用的获取方式无法获取新药物与其他药物之间的药物相互作用,如能实现新药物与其他药物之间的药物相互作用的有效预测,则可提前准备应对策略,对于药物研发很有意义。
有鉴于此,本发明实施例提供了一种药物相互作用预测方法,该方法包括:
利用已训练的图神经网络(GNN,Graph Nerual Network),对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量,其中,所述待预测药物包括第一药物和第二药物;
利用已训练的第一网络,根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量;以及
利用已训练的第二网络,根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用。
本实施例提供的药物相互作用预测方法,通过图神经网络学习得到药物的向量表示,进而结合药物与疾病种类之间的关系来预测得到药物相互作用。由此,本实施例提供的药物相互作用预测方法,可在保证药物相互作用预测精确性的基础上提升药物相互作用预测覆盖度,只要能够通过药物说明书等渠道获取到药物的分子结构,均可进行有效的药物相互作用预测。即使对于研发中的新药物来说,虽然未经临床而不存在药物说明书,但是新药物也存在分子结构,即能够通过本实施例提供的药物相互作用预测方法进行预测。
本实施例提供的药物相互作用预测方法可用于多场景中,具有代表性的例如药企研发新药物的场景,再例如医患人员通过药物说明书未看到某种药物与另一种药物存在药物相互作用,但怀疑存在药物相互作用,只是药物说明书没有覆盖,而想要进一步印证的场景,等等,此处不做具体限定。
本实施例提供的药物相互作用预测方法可以通过具有数据处理能力的计算机设备来实现,具体的,该计算机设备可以为具有数据处理能力的计算机,包括个人计算机(PC,Personal Computer)、小型机或者大型机,也可以是具有数据处理能力的服务器或者服务器集群等,本实施例对此不做限定。
为了便于理解本实施例的技术方案,下面结合图1对本实施例提供的上述方法在实际中的场景进行说明。参见图1,该场景包括训练服务器10和预测服务器20。在本实施例中,训练服务器10先利用训练数据集对包括图神经网络的整体网络模型进行训练,以得到训练后的网络模型。后续,预测服务器20可以利用训练服务器10训练得到的网络模型进行药物相互作用预测。将两种待预测药物的分子结构输入到预测服务器20中,即可得到这两种药物的药物相互作用预测结果。
需要说明的是,图1中的训练服务器10和预测服务器20在实际应用中,可以是独立的两个服务器,也可以是集成有模型训练功能和药物相互作用预测功能的服务器。当是独立的两个服务器时,两个服务器之间可通过网络进行通信,该网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等。
接下来,从具有数据处理能力的处理设备的角度,对本实施例提供的一种药物相互作用预测方法进行说明。
本发明的一个实施例提供了一种药物相互作用预测方法,如图2所示,包括步骤S210-S240。整体而言,步骤S210属于训练阶段,步骤S220-S240属于预测阶段,需要说明的是,虽然按照S210-S240的顺序描述,但并不意味着一定按照这样的顺序执行,在不违反逻辑的情况下可根据需要调整,也可适当减少某些步骤。
具体而言,如图2所示,本实施例提供的药物相互作用预测方法包括如下步骤:
S210、利用训练数据集对网络模型进行训练,得到训练后的网络模型。
其中,如图3所示,训练后的网络模型包括通过训练学习参数而具有对包括第一药物和第二药物的待预测药物的分子结构进行特征映射以得到待预测药物的表示向量能力的图神经网络、通过训练学习参数而具有根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量能力的第一网络和通过训练学习参数而具有根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量(第一关系向量)和第二药物与设定疾病种类之间关系的关系向量(第二关系向量)预测得到第一药物与第二药物的药物相互作用能力的第二网络。
需要说明的是,为便于理解,图3示出的网络模型包括两个图神经网络和两个第一网络,图3示出的两个图神经网络可以为具有相同网络结构、参数共享的孪生网络,图3示出的两个第一网络可以为具有相同网络结构、参数共享的孪生网络。另外,网络模型可以仅包括一个用于分别对第一药物和第二药物的分子结构进行特征映射的图神经网络和一个用于分别根据第一药物和第二药物的表示向量预测得到表征第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量能力的第一网络。关于上述特征映射和预测的方式,在后续的预测阶段中具体说明。
在一种可能的实现方式中,步骤S210进一步包括:
构建训练数据集,所述训练数据集包括多个第一训练数据和多对第二训练数据,第一训练数据标记有与设定疾病种类之间关系的药物的分子结构,第二训练数据标记有药物相互作用的药物分子结构;以及
利用所述训练数据集,基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络。
在一种可能的实现方式中,所述基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络包括:
利用交叉熵损失函数及随机梯度下降算法,基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络。
为了克服训练数据量少、网络模型容易过拟合的问题,上述实现方式采用了多任务学习的策略来训练网络模型,可有效提升网络模型的泛化能力。其中,多任务学习体现为通过两个损失值的反向传播使图神经网络、第一网络和第二网络这三个网络同时学习,多任务学习通过其他任务和目标任务的共性来实现知识的迁移,可以克服训练数据量少、网络模型容易过拟合的问题。
在一个具体示例中,可通过现有药物的药物说明书构建训练数据集,从药物说明书中抽取药物di的分子结构和药物所治疗的疾病pi,记为(di,pi);并从药物说明书中抽取药物di的分子结构及与药物di存在相互作用的药物dj,并例如通过药物dj的药物说明书获取药物dj的分子结构,记为(di,dj)。由此,给定训练数据集,包括K1={(di,pi)}和K2={(di,dj)},之后,利用交叉熵损失函数和随机梯度下降算法进行训练,优化网络模型预测药物与设定疾病种类之间关系的准确率和药物相互作用来学习参数。
接续上述示例,交叉熵损失函数为:
其中,y′i表示根据训练数据集K1得到的药物可治疗第i种疾病的概率实际值,例如,药物可治疗疾病则y′i为1,药物不可治疗疾病则y′i为0。yi表示药物可治疗第i种疾病的概率预测值。表示根据训练数据集K2得到的一对药物之间是否存在相互作用的概率实际值,例如,存在相互作用则/>为1,不存在相互作用则/>为0。/>表示一对药物之间是否存在相互作用的概率预测值。通过例如随机梯度下降算法的反向传播算法,上述两部分损失都可以对网络模型的参数进行更新,即同时训练网络模型中的各网络。
S220、利用已训练的图神经网络,对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量,其中,所述待预测药物包括第一药物和第二药物。即,利用已训练的图神经网络,对第一药物的分子结构进行特征映射以得到第一药物的表示向量,并对第二药物的分子结构进行特征映射以得到第二药物的表示向量。
在一种可能的实现方式中,所述对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量包括:
将待预测药物的分子结构中的原子特征化为图结构的节点并将待预测药物的分子结构中的化学键特征化为图结构的边,得到待预测药物的图结构;
对所述待预测药物的图结构进行迭代的图卷积运算以得到所述待预测药物的各节点的表示向量;以及
根据所述待预测药物的各节点的表示向量获取所述待预测药物的表示向量。
即,对第一药物的分子结构进行特征映射以得到第一药物的表示向量,并对第二药物的分子结构进行特征映射以得到第二药物的表示向量包括:
将第一药物的分子结构中的原子特征化为图结构的节点并将第一药物的分子结构中的化学键特征化为图结构的边,得到第一药物的图结构,将第二药物的分子结构中的原子特征化为图结构的节点并将第二药物的分子结构中的化学键特征化为图结构的边,得到第二药物的图结构;
对所述第一药物的图结构进行迭代的图卷积运算以得到所述第一药物的各节点的表示向量,并对所述第二药物的图结构进行迭代的图卷积运算以得到所述第二药物的各节点的表示向量;以及
根据所述第一药物的各节点的表示向量获取所述第一药物的表示向量,并根据所述第二药物的各节点的表示向量获取所述第二药物的表示向量。
在一个具体示例中,药物的分子结构呈现为药物的化学分子式,例如他伐硼罗的化学分子式:
本实现方式将药物的分子结构特征化为图结构,其中,药物的分子结构中的原子特征化为图结构的节点(或者称为顶点),药物的分子结构中的化学键特征化为图结构的边,得到待预测药物的图结构,例如,在将上述的他伐硼罗的化学分子式所呈现的分子结构特征化为图结构时,原子B(硼)和原子O(氧)特征化图结构中的节点,原子B与原子O之间的单键特征化为图结构中的边。示例性的,由于已知的化学元素是118种,所以本实现方式中节点的类型为118种,而边的类型包括4种,分别对应单键、双键、三键和芳香键。本实现方式中,基于药物的分子结构,通过图神经网络将药物的分子结构特征映射为第一药物的设定维度的表示向量。其中,设药物的分子结构包含N个原子和M个化学键,则药物的分子结构特征化得到的图结构G包含N个节点{ei,i=1,…,N}和M条边{rj,j=1,…,M}。
经验证,迭代的图卷积运算的收敛可能需要一万次以上的迭代运算,而在几十次迭代运算后待预测药物的各节点的表示向量的变化就很小了,因此,为提升效率,在一种可能的实现方式中,所述对所述待预测药物的图结构进行迭代的的图卷积运算以得到所述待预测药物的各节点的表示向量包括:对所述待预测药物的图结构进行设定迭代次数的图卷积运算以得到所述待预测药物的各节点的表示向量。
在一种可能的实现方式中,所述图卷积运算的公式化描述为:
ht+1(ei)=σ(We×ht(ei)+Wm×mt(ei))
其中,运算符×表示矩阵乘运算;ht+1(ei)为对待预测药物的图结构进行第t+1次图卷积运算后得到的第i个节点ei的表示向量;t为正整数,在进行设定迭代次数的图卷积运算的情况下,t=0,…,T-1,T为设定迭代次数;ht+1(ei)为N1维的列向量;σ为非线性激活函数;We为N1×N1的第一参数矩阵,第一参数矩阵We通过训练学习得到;Wm为N1×N1的第二参数矩阵,第二参数矩阵Wm通过训练学习得到;对待预测药物的图结构进行第t+1次图卷积运算的第i个节点ei的第一中间变量第一中间变量初始值m0(ei)=0;N(ei)表示节点ei的邻居节点集合;type(k,i)表示待预测药物的第i个节点ei与第k个节点ek之间的边的类型(对应单键、双键、三键和芳香键中的一种);Wtype(k,i)为N1×N1的第三参数矩阵,第三参数矩阵Wtype(k,i)通过训练学习得到;待预测药物的第i个节点ei的表示向量初始值h0(ei)=σ(W0×onehot(ei);W0为N1×N2的第四参数矩阵,第四参数矩阵W0通过训练学习得到;onehot(ei)为待预测药物的第i个节点ei的独热表示(onehot表示)的N2维列向量。
上述实现方式,通过迭代的图卷积运算,聚集了邻居节点的信息,可精确有效的实现将药物的分子结构特征映射为药物的表示向量,。
在一个具体示例中,非线性激活函数σ采用Leaky ReLU激活函数,也可采用Sigmoid、ReLU等其他非线性激活函数。
在一个具体示例中,本实施例设定的设定迭代次数T的取值为50,图神经网络通过50次迭代的图卷积运算,最终得到各个节点的表示向量h50(ei)(i=1,…,N)。
在一种可能的实现方式中,所述根据所述待预测药物的各节点的表示向量获取所述待预测药物的表示向量包括:将计算得到的所述待预测药物的各节点的表示向量的平均值、最大值或线性加权值作为所述待预测药物的表示向量。
在一种可能的实现方式中,
将计算得到的所述待预测药物的各节点的表示向量的平均值作为所述待预测药物的表示向量的公式化描述为:
其中,h为待预测药物的表示向量;待预测药物包含N个节点;hT(ei)为对待预测药物的图结构进行迭代的图卷积运算后得到的待预测药物的第i个节点ei的表示向量,在进行设定迭代次数的图卷积运算的情况下,T表示设定迭代次数,hT(ei)为对待预测药物的图结构进行T次图卷积运算得到的待预测药物的第i个节点ei的表示向量;
将计算得到的所述待预测药物的各节点的表示向量的最大值作为所述待预测药物的表示向量的公式化描述为:
h=max(hT(ei)),i=1,…,N;
将计算得到的所述待预测药物的各节点的表示向量的线性加权值作为所述待预测药物的表示向量公式化描述为:
其中,待预测药物的第i个节点ei的权重αi为:
其中,运算符<·>表示点乘(内积)运算;θ为N1维的第一参数列向量,N1维的第一参数列向量θ通过训练学习得到。其中,θ中的每一维元素表示待预测药物的表示向量h的对应维元素的权重,上述得到待预测药物的第i个节点ei的权重αi的公式中,分子计算的是待预测药物的第i个节点ei的权重占比(或者称权重得分),分母用于做归一化。
需要说明的是,若采用各节点表示向量的平均值或最大值作为药物的表示向量的方式,则运算中不含需通过训练得到的参数,若采用各节点表示向量的线性加权值作为药物的表示向量的方式,则运算中包含需通过训练学习得到的N1维的第一参数列向量θ。
在一种可能的实现方式中,所述N1的取值范围为200至300,所述N2取118。其中:关于N1的取值范围为200至300,N1即自定义的待预测药物的表示向量的维度,若其取值太小则网络模型过于简单而不足以描述信息,若其取值太大则网络模型过于复杂而会出现过拟合等情况,因此,本实现方式将N1的取值范围设定在200至300之间,可满足各项要求。关于N2的取值为118,由于目前已知的化学元素为118种,所以N2取118即可覆盖所有的原子类型。
在一个具体示例中,N1=256,N2=118,则,ht+1(ei)为256维的列向量;We为256×256的第一参数矩阵;Wm为256×256的第二参数矩阵;Wtype(k,i)为256×256的第三参数矩阵;W0为256×118的第四参数矩阵;onehot(ei)为118维列向量;θ为256维的第一参数列向量。
S230、利用已训练的第一网络,根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量。
即,利用已训练的第一网络,根据第一药物的表示向量预测得到表征第一药物与设定疾病种类之间关系的关系向量,并根据第二药物的表示向量预测得到表征第二药物与设定疾病种类之间关系的关系向量。
在一种可能的实现方式中,所述根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量的公式化描述为:
y=softmax(W2×h1+b2)
其中,y为表征所述待预测药物与设定疾病种类之间关系的关系向量,y为N4维的列向量,N4的取值为设定疾病种类的数量,列向量y中的每一元素分别表示待预测药物可治疗每一疾病种类的概率值;第二中间变量h1=σ(W1×h+b1),第二中间变量h1为N3维的列向量;σ为非线性激活函数;h为步骤S220得到的待预测药物的表示向量,为N1维的列向量;W1为N3×N1的第五参数矩阵,第五参数矩阵W1通过训练学习得到;W2为N4×N3的第六参数矩阵,第六参数矩阵W2通过训练学习得到;b1为N3维的第二参数列向量,第二参数列向量b1通过训练学习得到;b2为N4维的第三参数列向量,第三参数列向量b2通过训练学习得到;softmax()表示softmax分类函数。上述得到待预测药物与设定疾病种类之间关系的关系向量y的公式中,输入的变量是基于待预测药物的表示向量h得到的第二中间变量h1,输出的待预测药物与设定疾病种类之间关系的关系向量y表征待预测药物可治疗设定疾病种类中每一疾病种类的概率值。
在一种可能的实现方式中,所述N3的取值范围为450至550。与N1取值范围为200至300的原因类似的是,将N3的取值范围设定在450至550之间,可满足各项要求。
在一个具体示例中,本实现方式使用从现有的药品说明书中统计频次最高的500种疾病作为设定疾病种类,则N4=500,即,y为500维的列向量,待预测药物可治疗这500种疾病的500个概率值组成500维的列向量y。例如N3=512,且接续前述示例N1=256,则y为500维的列向量,第二中间变量h1为512维的列向量;h为256维的列向量;W1为512×256的第五参数矩阵;W2为500×512的第六参数矩阵;b1为512维的第二参数列向量;b2为500维的第三参数列向量。
S240、利用已训练的第二网络,根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用。
在一种可能的实现方式中,所述根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用的公式化描述为:
ylabel=softmax(W4×ha,b+b4)
其中,ylabel为第一药物与第二药物的药物相互作用的预测结果,ylabel为2维向量,例如以0表示不存在药物相互作用、以1表示存在药物相互作用;softmax()表示softmax分类函数;第三中间变量ha,b为:
ha,b=σ(W3×cat(ha,hb,ha-hb,ha+hb,ha·hb,ya+yb-ya·yb)+b3);
σ为非线性激活函数;cat()表示拼接函数,参见上述公式,拼接的对象包括六个,第一个是ha,第二个是hb,第三个是ha-hb,第四个是ha+hb,第五个是ha·hb,第六个是ya+yb-ya·yb;ya为第一药物与设定疾病种类之间关系的关系向量,为N4维列向量;yb为第二药物与设定疾病种类之间关系的关系向量,为N4维列向量;ha为第一药物的表示向量,ha为N1维列向量;hb为第二药物的表示向量,hb为N1维列向量;W3为N5×N6的第七参数矩阵,N6=5*N1+N4,第七参数矩阵W3通过训练学习得到;b3为N5维的第四参数列向量,通过训练学习得到;W4为2×N5的第八参数矩阵,第八参数矩阵W4通过训练学习得到;b4为2维的第五参数列向量,第五参数列向量b4通过训练学习得到。
在一种可能的实现方式中,所述N5的取值范围为200至300。与N1取值范围为200至300的原因类似的是,将N5的取值范围设定在200至300之间,可满足各项要求。
在一个具体示例中,N5=256,且接续前述示例N1=256,N4=500,则ya为500维列向量;yb为500维列向量;ha为256维列向量;hb为256维列向量;W3为256×1780的第七参数矩阵,其中,1780=5*256+500(因为前五个拼接对象均为256维的列向量,所以直接将256*5即可);b3为256维的第四参数列向量;W4为2×256的第八参数矩阵;b4为2维的第五参数列向量。
综上,本实施例提供的药物相互作用预测方法是一种基于分子表示学习的预测方法,基于药物的完整分子结构,通过图神经网络学习得到药物的向量表示,进而结合药物与疾病种类之间的关系来预测得到药物相互作用。由此,本实施例提供的药物相互作用预测方法,可在保证药物相互作用预测精确性的基础上提升药物相互作用预测覆盖度,只要能够通过药物说明书等渠道获取到药物的分子结构,均可进行有效的药物相互作用预测。即使对于研发中的新药物来说,虽然未经临床而不存在药物说明书,但是新药物也存在分子结构,即能够通过本实施例提供的药物相互作用预测方法进行预测。且,为了克服训练数据量少、网络模型容易过拟合的问题,本实施例提供的药物相互作用预测方法采用了多任务学习的策略来训练网络模型,可有效提升网络模型的泛化能力。
如图4所示,适于用来执行上述实施例提供的药物相互作用预测方法的计算机***,包括中央处理模块(CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有计算机***操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本实施例,上文流程图描述的过程可以被实现为计算机软件程序。例如,本实施例包括一种计算机程序产品,其包括有形地包含在计算机可读介质上的计算机程序,上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。
附图中的流程图和示意图,图示了本实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分,上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本实施例还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质,也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当上述一个或者多个程序被一个设备执行时,使得上述设备:利用已训练的图神经网络,对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量,其中,所述待预测药物包括第一药物和第二药物;利用已训练的第一网络,根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量;以及,利用已训练的第二网络,根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用。
在本发明的描述中,需要说明的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
还需要说明的是,在本发明的描述中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于本领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (12)
1.一种药物相互作用预测方法,其特征在于,包括:
利用已训练的图神经网络,对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量,其中,所述待预测药物包括第一药物和第二药物;
利用已训练的第一网络,根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量;以及
利用已训练的第二网络,根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用。
2.根据权利要求1所述的方法,其特征在于,所述对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量包括:
将待预测药物的分子结构中的原子特征化为图结构的节点并将待预测药物的分子结构中的化学键特征化为图结构的边,得到待预测药物的图结构;
对所述待预测药物的图结构进行迭代的图卷积运算以得到所述待预测药物的各节点的表示向量;以及
根据所述待预测药物的各节点的表示向量获取所述待预测药物的表示向量。
3.根据权利要求2所述的方法,其特征在于,所述对所述待预测药物的图结构进行迭代的的图卷积运算以得到所述待预测药物的各节点的表示向量包括:对所述待预测药物的图结构进行设定迭代次数的图卷积运算以得到所述待预测药物的各节点的表示向量。
4.根据权利要求2所述的方法,其特征在于,所述图卷积运算的公式化描述为:
ht+1(ei)=σ(We×ht(ei)+Wm×mt(ei))
其中,ht+1(ei)为对待预测药物的图结构进行第t+1次图卷积运算后得到的第i个节点ei的表示向量,t为自然数;σ为非线性激活函数;We为N1×N1的第一参数矩阵;Wm为N1×N1的第二参数矩阵;对待预测药物的图结构进行第t+1次图卷积运算的第i个节点ei的第一中间变量第一中间变量初始值m0(ei)=0;N(ei)表示节点ei的邻居节点集合;type(k,i)表示待预测药物的第i个节点ei与第k个节点ek之间的边的类型;Wtype(k,i)为N1×N1的第三参数矩阵;待预测药物的第i个节点ei的表示向量初始值h0(ei)=σ(W0×onehot(ei);W0为N1×N2的第四参数矩阵;onehot(ei)为待预测药物的第i个节点ei的独热表示的N2维列向量。
5.根据权利要求2所述的方法,其特征在于,所述根据所述待预测药物的各节点的表示向量获取所述待预测药物的表示向量包括:将计算得到的所述待预测药物的各节点的表示向量的平均值、最大值或线性加权值作为所述待预测药物的表示向量。
6.根据权利要求5所述的方法,其特征在于,
将计算得到的所述待预测药物的各节点的表示向量的平均值作为所述待预测药物的表示向量的公式化描述为:
其中,h为待预测药物的表示向量;待预测药物包含N个节点;hT(ei)为对待预测药物的图结构进行迭代的图卷积运算后得到的待预测药物的第i个节点ei的表示向量;
将计算得到的所述待预测药物的各节点的表示向量的最大值作为所述待预测药物的表示向量的公式化描述为:
h=max(hT(ei)),i=1,...,N;
将计算得到的所述待预测药物的各节点的表示向量的线性加权值作为所述待预测药物的表示向量公式化描述为:
其中,待预测药物的第i个节点ei的权重αi为:
其中,θ为N1维的第一参数列向量。
7.根据权利要求1所述的方法,其特征在于,所述根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量的公式化描述为:
y=softmax(W2×h1+b2)
其中,y为表征所述待预测药物与设定疾病种类之间关系的关系向量;第二中间变量h1=σ(W1×h+b1);σ为非线性激活函数;h为所述待预测药物的表示向量;W1为N3×N1的第五参数矩阵;W2为N4×N3的第六参数矩阵,N4的取值为设定疾病种类的数量;b1为N3维的第二参数列向量;b2为N4维的第三参数列向量;softmax()表示softmax分类函数。
8.根据权利要求1所述的方法,其特征在于,所述根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用的公式化描述为:
ylabel=softmax(W4×ha,b+b4)
其中,ylabel为第一药物与第二药物的药物相互作用的预测结果;softmax()表示softmax分类函数;第三中间变量ha,b为:
ha,b=σ(W3×cat(ha,hb,ha-hb,ha+hb,ha·hb,ya+yb-ya·yb)+b3);
σ为非线性激活函数;cat()表示拼接函数;ya为第一药物与设定疾病种类之间关系的关系向量,为N4维列向量;yb为第二药物与设定疾病种类之间关系的关系向量,为N4维列向量;ha为第一药物的表示向量,为N1维列向量;hb为第二药物的表示向量,为N1维列向量;W3为N5×N6的第七参数矩阵,N6=5*N1+N4;b3为N5维的第四参数列向量;W4为2×N5的第八参数矩阵,b4为2维的第五参数列向量。
9.根据权利要求1-8中任一项所述的方法,其特征在于,在所述利用已训练的图神经网络,对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量之前,所述方法还包括:
构建训练数据集,所述训练数据集包括多个标记有与设定疾病种类之间关系的药物的分子结构的第一训练数据,及多对标记有药物相互作用的药物分子结构的第二训练数据;以及
利用所述训练数据集,基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络。
10.根据权利要求9所述的方法,其特征在于,所述基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络包括:
利用交叉熵损失函数及随机梯度下降算法,基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-10中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210083440.2A CN116543853A (zh) | 2022-01-25 | 2022-01-25 | 药物相互作用预测方法、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210083440.2A CN116543853A (zh) | 2022-01-25 | 2022-01-25 | 药物相互作用预测方法、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116543853A true CN116543853A (zh) | 2023-08-04 |
Family
ID=87445744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210083440.2A Pending CN116543853A (zh) | 2022-01-25 | 2022-01-25 | 药物相互作用预测方法、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116543853A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976244A (zh) * | 2024-04-01 | 2024-05-03 | 天津理工大学 | 基于多维特征的药物相互作用预测方法及装置 |
-
2022
- 2022-01-25 CN CN202210083440.2A patent/CN116543853A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976244A (zh) * | 2024-04-01 | 2024-05-03 | 天津理工大学 | 基于多维特征的药物相互作用预测方法及装置 |
CN117976244B (zh) * | 2024-04-01 | 2024-06-07 | 天津理工大学 | 基于多维特征的药物相互作用预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Che et al. | Interpretable deep models for ICU outcome prediction | |
Ma et al. | Loss odyssey in medical image segmentation | |
US20210249108A1 (en) | Artificial intelligence engine for generating candidate drugs | |
Nagaraj et al. | Artificial flora algorithm-based feature selection with gradient boosted tree model for diabetes classification | |
US10542940B2 (en) | Active patient risk prediction | |
CN109637669B (zh) | 基于深度学习的治疗方案的生成方法、装置及存储介质 | |
US11075008B2 (en) | Generating drug repositioning hypotheses based on integrating multiple aspects of drug similarity and disease similarity | |
Alahmar et al. | Application of data mining techniques to predict the length of stay of hospitalized patients with diabetes | |
US10535424B2 (en) | Method for proactive comprehensive geriatric risk screening | |
CN113808693A (zh) | 一种基于图神经网络和注意力机制的药物推荐方法 | |
Gupta et al. | Concurrent imputation and prediction on EHR data using bi-directional GANs: Bi-GANs for EHR imputation and prediction | |
WO2023155441A1 (zh) | 医疗资源推荐方法、装置、设备及存储介质 | |
Kaswan et al. | AI-based natural language processing for the generation of meaningful information electronic health record (EHR) data | |
CN116543853A (zh) | 药物相互作用预测方法、计算机设备及介质 | |
Tahiri et al. | Optimized quaternion radial Hahn Moments application to deep learning for the classification of diabetic retinopathy | |
CN116072298B (zh) | 一种基于层级标记分布学习的疾病预测*** | |
Nelakurthi et al. | Finding cut from the same cloth: Cross network link recommendation via joint matrix factorization | |
US20130253892A1 (en) | Creating synthetic events using genetic surprisal data representing a genetic sequence of an organism with an addition of context | |
Rekha Sivakumar et al. | Deep Neural Artificial Intelligence for IoT Based Tele Health Data Analytics. | |
US20240203569A1 (en) | Intelligent triage method and device, storage medium and electronic device | |
US11145401B1 (en) | Systems and methods for generating a sustenance plan for managing genetic disorders | |
US20240249838A1 (en) | Method and an apparatus for building a longevity profile | |
Meng et al. | Clue: Personalized hospital readmission prediction against data insufficiency under imbalanced-data environment | |
Saxena et al. | Adaptive Multi-Hop Deep Learning based Drug Recommendation System with Selective Coverage Mechanism | |
US20230342364A1 (en) | Filtering individual datasets in a database |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |