CN116705196A - 基于符号图神经网络的药物靶标互作用预测方法及装置 - Google Patents
基于符号图神经网络的药物靶标互作用预测方法及装置 Download PDFInfo
- Publication number
- CN116705196A CN116705196A CN202310774619.7A CN202310774619A CN116705196A CN 116705196 A CN116705196 A CN 116705196A CN 202310774619 A CN202310774619 A CN 202310774619A CN 116705196 A CN116705196 A CN 116705196A
- Authority
- CN
- China
- Prior art keywords
- drug
- target
- symbol
- interaction
- network
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 113
- 239000003596 drug target Substances 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 239000003814 drug Substances 0.000 claims abstract description 113
- 229940079593 drug Drugs 0.000 claims abstract description 94
- 206010013710 Drug interaction Diseases 0.000 claims abstract description 36
- 238000000513 principal component analysis Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000009471 action Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 102100029212 Putative tetratricopeptide repeat protein 41 Human genes 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 229920000333 poly(propyleneimine) Polymers 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 102000003839 Human Proteins Human genes 0.000 description 2
- 108090000144 Human Proteins Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007876 drug discovery Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 229920002521 macromolecule Polymers 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000012190 activator Substances 0.000 description 1
- 239000000556 agonist Substances 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 238000004166 bioassay Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 238000009511 drug repositioning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000002687 intercalation Effects 0.000 description 1
- 238000009830 intercalation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006916 protein interaction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer 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
- G16C20/50—Molecular design, e.g. of drugs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- 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)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Pharmacology & Pharmacy (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medicinal Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Toxicology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于符号图神经网络的药物靶标互作用预测方法及装置,方法包括:获取药物‑靶标符号异构图,并根据药物‑靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络;使用符号图神经网络模型处理符号二部网络以获取药物和靶标的嵌入结果;对药物相互作用网络和靶标相互作用网络进行主成分分析,获取辅助信息;对嵌入结果与辅助信息进行拼接,得到药物与靶标的最终嵌入结果,并应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果。通过以上方式,本发明通过对药物与靶标之间相互作用的具体模式进行分类并构建符号异构图,接着应用符号图神经网络模型进行处理,能够取得更高的预测准确率。
Description
技术领域
本发明属于医药技术领域,具体是涉及到一种基于符号图神经网络的药物靶标互作用预测方法及装置。
背景技术
药物靶标相互作用(Drug-Target Interactions,DTIs)预测无论是在药物研发过程中还是在对已有药物的重定位方面都有着重大意义。然而,药物和靶标数量的快速增加使得传统的生物实验方法耗时且昂贵。计算方法在准确的DTIs预测方面受到了更多关注,并且可以显著减少药物发现和药物重新定位所需的时间和成本。
现阶段对DTIs预测问题的研究方法众多,在处理药物靶标关系预测问题时,通常将其转化为链路预测问题。然而,大多数现有的DTIs预测方法忽略了药物和靶标之间的具体作用模式。通过查询生物数据库DrugBank可以发现,药物对靶标间作用存在着许多作用机制,这些作用大致可以分为正负关系,并自然地表示为符号链接。
近年来,图神经网络方法(Graph Neural Networks,GNNs)在广泛的图挖掘领域,包括药物发现领域表现出优异的性能。基于GNNs的方法,它自然地将多个数据源结合到一个DTIs预测框架中。然而大多数基于GNNs模型不能利用DTIs符号异构网络数据的特性。
发明内容
本发明提供一种基于符号图神经网络的药物靶标互作用预测方法及装置,解决现有的药物靶标互作用预测忽视药物靶标相互作用关系的问题,通过对药物与靶标之间相互作用的具体模式进行分类并构建符号异构图,接着应用符号图神经网络模型进行处理,能够取得更高的预测准确率。
基于上述目的,本发明提出一种基于符号图神经网络的药物靶标互作用预测方法,包括:获取药物-靶标符号异构图,并根据所述药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络;使用符号图神经网络模型处理符号二部网络以获取药物和靶标的嵌入结果;对所述药物相互作用网络和所述靶标相互作用网络进行主成分分析,获取辅助信息;对所述嵌入结果与所述辅助信息进行拼接,得到药物与靶标的最终嵌入结果,并应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果。
可选的,所述获取药物-靶标符号异构图,包括:收集药物靶标互作用关系、药物特征、药物互作用关系和靶标互作用关系;将药物和靶标的作用方式纳入到符号分类中,结合收集到的互作用关系构建药物-靶标符号异构图。
可选的,所述根据所述药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络,包括:从所述药物-靶标符号异构图中提取药物、靶标以及药物与靶标相互作用关系,得到符号二部网络;从所述药物-靶标符号异构图中提取药物以及药物互作用关系,得到药物相互作用网络;从所述药物-靶标符号异构图中提取靶标以及靶标互作用关系,得到靶标相互作用网络。
可选的,所述使用符号图神经网络模型处理符号二部网络以获取药物和靶标的嵌入结果,包括:应用符号图神经网络模型中的基于符号关系的图卷积层迭代计算药物和靶标的嵌入过程,获取所述符号二部网络中药物的正负邻域嵌入结果和靶标的正负邻域嵌入结果;对药物的正负邻域嵌入结果和靶标的正负邻域嵌入结果进行拼接,获取药物与靶标的嵌入结果。
可选的,所述对所述药物相互作用网络和所述靶标相互作用网络进行主成分分析,获取辅助信息,包括:对所述药物相互作用网络进行主成分分析,获取与所述药物相互作用网络对应的第一辅助信息;对所述靶标相互作用网络进行主成分分析,获取与所述靶标相互作用网络对应的第二辅助信息。
可选的,所述嵌入结果包括药物嵌入结果与靶标嵌入结果,所述对所述嵌入结果与所述辅助信息进行拼接,得到药物与靶标的最终嵌入结果,包括:将所述药物嵌入结果与所述第一辅助信息进行拼接,获取最终药物嵌入结果;将所述靶标嵌入结果与所述第二辅助信息进行拼接,获取最终靶标嵌入结果。
可选的,所述最终嵌入结果包括最终药物嵌入结果和最终靶标嵌入结果,所述判别器为softmax回归分类器,所述应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果,包括:所述最终药物嵌入结果和所述最终靶标嵌入结果成对输入所述softmax回归分类器;应用所述softmax回归分类器预测药物与靶标之间符号,获取药物靶标互作用预测结果。
基于同一发明构思,本发明还提出了一种基于符号图神经网络的药物靶标互作用预测装置,包括:网络生成单元,用于获取药物-靶标符号异构图,并根据所述药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络;嵌入结果获取单元,用于使用符号图神经网络模型处理符号二部网络以获取药物和靶标的嵌入结果;成分分析单元,用于对所述药物相互作用网络和所述靶标相互作用网络进行主成分分析,获取辅助信息;结果预测单元,用于对所述结点嵌入结果与所述辅助信息进行拼接,并应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果。
基于同一发明构思,本发明还提出了一种电子设备,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如上所述的基于符号图神经网络的药物靶标互作用预测方法。
基于同一发明构思,本发明还提出了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上所述的基于符号图神经网络的药物靶标互作用预测方法。
从上面所述可以看出,本发明提供的技术方案的有益效果是:本发明提供的一种基于符号图神经网络的药物靶标互作用预测方法及装置,方法包括:获取药物-靶标符号异构图,并根据药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络;根据符号二部网络应用训练后的基于符号图神经网络模型获取药物与靶标的嵌入结果;对药物相互作用网络和靶标相互作用网络进行主成分分析,获取辅助信息;对嵌入结果与辅助信息进行拼接,得到药物与靶标的最终嵌入结果,并应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果,通过对药物与靶标之间相互作用的具体模式进行分类并构建符号异构图,接着应用符号图神经网络模型进行处理,能够取得更高的预测准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于符号图神经网络的药物靶标互作用预测方法的流程示意图;
图2为本发明实施例的符号图神经网络的结构示意图;
图3为本发明实施例的基于符号图神经网络的药物靶标互作用预测装置的结构示意图;
图4为本发明实施例的电子设备的硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本发明实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
本发明实施例实施了一种基于符号图神经网络的药物靶标互作用预测方法,如图1所示,基于符号图神经网络的药物靶标互作用预测方法包括:
步骤S11:获取药物-靶标符号异构图,并根据所述药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络。
可选的,收集药物靶标互作用关系、药物特征、药物互作用关系和靶标互作用关系;将药物和靶标的作用方式纳入到符号分类中,结合收集到的互作用关系构建药物-靶标符号异构图。其中,药物特征即药物的化学结构信息。靶标是指体内具有药效功能并能被药物作用的生物大分子,如某些蛋白质和核酸等生物大分子,本申请中的靶标为人类蛋白,即蛋白质。
在本发明实施例中,在数据库String中搜索已知的人类蛋白相互作用数据,获取靶标之间的相互作用信息。
在生物数据库PubChem中获取了药物的化学结构信息,为药物节点的化学结构特征矩阵,n为药物数量,dD为药物的维度,优选为881,即每个药物都由881维的二进制向量表示,其中,1值表示药物具有某特定的化学结构段,0值表示无该化学结构段。
药物和靶标的作用方式表示为符号链接,其中,“agonist”、“activator”等类型被分为积极作用,标记为“+1”,而“inhibitor”、“antagonist”等类型划分为消极作用,标记为“-1”。有些类别不能被纳入到符号分类中,如“modulators”,“binder”和“cleavage”等,在这种情况下,不在药物和靶标之间构建边。最终得到双层的药物靶标符号异构网络。
根据所述药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络时,可选的,如图2所示,从所述药物-靶标符号异构图中提取药物、靶标以及药物与靶标相互作用关系,得到符号二部网络;从所述药物-靶标符号异构图中提取药物以及药物互作用关系,得到药物相互作用网络;从所述药物-靶标符号异构图中提取靶标以及靶标互作用关系,得到靶标相互作用网络。具体的,在药物-靶标符号异构图中,药物节点集合D=(d1,d2,…,dn),靶标节点集合T={t1,t2,…,tm},药物与靶标之间两种相互作用关系处理为符号边集EDT={eij,i=1…n,j=1…m}。药物靶标关系表达为一个符号二分图G=(D,T,EDT)。分别利用药物相互作用信息和靶标相互作用信息构建药物相互作用网络(DDIs)和靶标相互作用网络(PPIs)。药物相互作用网络(DDIs)的表达为GD=(D,AD,ED),靶标相互作用网络(PPIs)的表达为GT=(D,AT,ET),其中,邻接矩阵AD表示药物节点对是否存在相互作用,邻接矩阵AT表示靶标节点对是否存在相互作用。
步骤S12:使用符号图神经网络模型处理符号二部网络以获取药物和靶标的嵌入结果。
在本发明实施例中,应用一种基于符号关系的GNNs模型,称为SRGNN,用于研究药物-靶标符号异构图上的节点嵌入结果。可选的,应用符号图神经网络模型中的基于符号关系的图卷积层迭代计算药物和靶标的嵌入过程,获取所述符号二部网络中药物的正负邻域嵌入结果和靶标的正负邻域嵌入结果;对药物的正负邻域嵌入结果和靶标的正负邻域嵌入结果进行拼接,获取药物与靶标的嵌入结果。
令和/>为SRGNN第l层的输入,/>和/>为分别来自于药物的正邻域和负邻域/>的第l层的隐藏表示,亦即药物的正负邻域嵌入结果。/>和/>为分别来自于靶标的正邻域/>和负邻域/>的第l层的隐藏表示,亦即靶标的正负邻域嵌入结果,σ是一个非线性激活函数,/>为可学习的网络权重参数矩阵。使用SRGNN来迭代计算药物节点嵌入的过程,如下所示:
同理,靶标节点也有类似的嵌入过程:
其中,l∈{1,2,…,L},i∈{1,2,…,n},j∈{1,2,…,m},L为卷积层数。
对药物的正负邻域嵌入结果和靶标的正负邻域嵌入结果进行拼接,获取药物与靶标的嵌入结果,作为下一层的输入:
其中,为第l层的药物嵌入结果,/>为第l层的靶标嵌入结果。
和/>是由L层的SRGNN在符号二部图上获得的药物和靶标的嵌入结果。
步骤S13:对所述药物相互作用网络和所述靶标相互作用网络进行主成分分析,获取辅助信息。
可选的,对所述药物相互作用网络进行主成分分析,获取与所述药物相互作用网络对应的第一辅助信息:ZDDI←PCA(AD),对所述靶标相互作用网络进行主成分分析,获取与所述靶标相互作用网络对应的第二辅助信息:ZPPI←PCA(AT)。,/>其中,PCA表示主成分分析。
步骤S14:对所述嵌入结果与所述辅助信息进行拼接,得到药物与靶标的最终嵌入结果,并应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果。
最终嵌入结果包括最终药物嵌入结果ZD和最终靶标嵌入结果ZT。在步骤S14中,将所述药物嵌入结果与所述第一辅助信息进行拼接,获取最终药物嵌入结果。将所述靶标嵌入结果与所述第二辅助信息进行拼接,获取最终靶标嵌入结果。令A||B=(A,B),则最终药物嵌入结果最终靶标嵌入结果其中,s为进行拼接操作前嵌入与辅助信息的维度。
在本发明实施例中,判别器优选为softmax回归分类器。在步骤S14中,所述最终药物嵌入结果和所述最终靶标嵌入结果成对输入所述softmax回归分类器;应用所述softmax回归分类器预测药物与靶标之间符号,获取药物靶标互作用预测结果。具体地,对于最终药物嵌入结果ZD和最终靶标嵌入结果ZT,将药物di与靶标tj的嵌入结果对输入到softmax回归分类器对药物与靶标之间符号进行预测,获取药物靶标互作用预测结果。
在本发明实施例中,SRGNN和判别器是通过后述损失函数进行联合训练的。使用的损失函数联合训练模型以及判别器,softmax回归分类器具有回归系数其中,/>为正边类型系数,/>为负边类型系数。设ΘNN={ΘNN(1),…,ΘNN(L)}为SRGNN的权重矩阵参数,损失函数定义如下:
其中,eij∈S表示药物与靶标之间边的类型,S表示药物与靶标之间边的集合,表示与连边类型eij相关联的权重,R为softmax回归分类器的回归系数空间,如果给定的预测为真,则∏(·)返回1,否则返回0。
本发明实施例的基于符号图神经网络的药物靶标互作用预测方法通过对药物与靶标之间相互作用的具体模式进行分类,并额外提取药物对和靶标对的相互作用,将药物靶标相互作用DTIs建模为一个双层符号异构网络,提出了一种基于关系图卷积的符号图神经网络模型,构建了SRGNN和判别器两层数据图模型,实现了DTIs符号预测。
以下对本发明实施例的基于符号图神经网络的药物靶标互作用预测方法的预测效果进行检验,分别检验了卷积层数L={1,2,3,4,5}和嵌入维度s={4,8,16,32,128,256}。其中,SRGNN采用一个学***衡理论指导下的特征提取方法,通过计算平衡路径数来提取边的特征。采用受试者操作特征曲线下面积(AUC)和F1度量作为评估指标,指标值越高表示模型性能越好。每一次实验运行都采用5折交叉验证,所有结果均为5次运行的平均值,不同方法的预测结果如表2所示。
表2不同方法在所提取数据集上实验的最优指标统计
方法 | AUC | F1 |
SCsc | 0.854 | 0.805 |
SBRW | 0.824 | 0.757 |
SRGNN | 0.895 | 0.860 |
从表2中指明了不同方法的最优指标统计,很明显,本发明实施例的基于符号图神经网络的药物靶标互作用预测方法的性能大大超过了逻辑回归方法(SCsc)和随机游走方法(SBRW)。
综上所述,本发明实施例的基于符号图神经网络的药物靶标互作用预测方法通过获取药物-靶标符号异构图,并根据药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络;根据符号二部网络应用训练后的基于符号图神经网络模型获取药物与靶标的嵌入结果;对药物相互作用网络和靶标相互作用网络进行主成分分析,获取辅助信息;对嵌入结果与辅助信息进行拼接,得到药物与靶标的最终嵌入结果,并应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果,通过对药物与靶标之间相互作用的具体模式进行分类以及额外获取药物对与靶标对的信息构建符号异构图,接着采用符号图神经网络模型以及主成分分析方法处理符号异构图,能够取得更高的预测准确率。
上述对本发明特定实施例进行了描述。在一些情况下,在本发明实施例中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本发明实施例还提供了一种基于符号图神经网络的药物靶标互作用预测装置,如图3所示,基于符号图神经网络的药物靶标互作用预测装置包括:网络生成单元、嵌入结果获取单元、成分分析单元和结果预测单元。其中,
网络生成单元,用于获取药物-靶标符号异构图,并根据所述药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络;
嵌入结果获取单元,用于使用符号图神经网络模型处理符号二部网络以获取药物和靶标的嵌入结果;
成分分析单元,用于对所述药物相互作用网络和所述靶标相互作用网络进行主成分分析,获取辅助信息;
结果预测单元,用于对所述结点嵌入结果与所述辅助信息进行拼接,并应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置应用于前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,本发明实施例还提供了一种电子设备,该电子设备,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如上任意一实施例所述的方法。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行如上任意一实施例中所述的方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器401、存储器402、输入/输出接口403、通信接口404和总线405。其中处理器401、存储器402、输入/输出接口403和通信接口404通过总线405实现彼此之间在设备内部的通信连接。
处理器401可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本发明方法实施例所提供的技术方案。
存储器402可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器402可以存储操作***和其他应用程序,在通过软件或者固件来实现本发明方法实施例所提供的技术方案时,相关的程序代码保存在存储器402中,并由处理器401来调用执行。
输入/输出接口403用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口404用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线405包括一通路,在设备的各个组件(例如处理器401、存储器402、输入/输出接口403和通信接口404)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器401、存储器402、输入/输出接口403、通信接口404以及总线405,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本发明实施例方案所必需的组件,而不必包含图中所示的全部组件。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于符号图神经网络的药物靶标互作用预测方法,其特征是,所述药物靶标互作用预测方法包括:
获取药物-靶标符号异构图,并根据所述药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络;
使用符号图神经网络模型处理所述符号二部网络以获取药物和靶标的嵌入结果;
对所述药物相互作用网络和所述靶标相互作用网络进行主成分分析,获取辅助信息;
对所述嵌入结果与所述辅助信息进行拼接,得到药物与靶标的最终嵌入结果,并应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果。
2.如权利要求1所述的药物靶标互作用预测方法,其特征是,所述获取药物-靶标符号异构图,包括:
收集药物靶标互作用关系、药物特征、药物互作用关系和靶标互作用关系;
将药物和靶标的作用方式纳入到符号分类中,结合收集到的互作用关系构建药物-靶标符号异构图。
3.如权利要求1所述的药物靶标互作用预测方法,其特征是,所述根据所述药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络,包括:
从所述药物-靶标符号异构图中提取药物、靶标以及药物与靶标相互作用关系,得到符号二部网络;
从所述药物-靶标符号异构图中提取药物以及药物互作用关系,得到药物相互作用网络;
从所述药物-靶标符号异构图中提取靶标以及靶标互作用关系,得到靶标相互作用网络。
4.如权利要求1所述的药物靶标互作用预测方法,其特征是,所述使用符号图神经网络模型处理符号二部网络以获取药物和靶标的嵌入结果,包括:
应用符号图神经网络模型中的基于符号关系的图卷积层迭代计算药物和靶标的嵌入过程,获取所述符号二部网络中药物的正负邻域嵌入结果和靶标的正负邻域嵌入结果;
对药物的正负邻域嵌入结果和靶标的正负邻域嵌入结果进行拼接,获取药物与靶标的嵌入结果。
5.如权利要求1所述的药物靶标互作用预测方法,其特征是,所述对所述药物相互作用网络和所述靶标相互作用网络进行主成分分析,获取辅助信息,包括:
对所述药物相互作用网络进行主成分分析,获取与所述药物相互作用网络对应的第一辅助信息;
对所述靶标相互作用网络进行主成分分析,获取与所述靶标相互作用网络对应的第二辅助信息。
6.如权利要求5所述的药物靶标互作用预测方法,其特征是,所述嵌入结果包括药物嵌入结果与靶标嵌入结果,所述对所述嵌入结果与所述辅助信息进行拼接,得到药物与靶标的最终嵌入结果,包括:
将所述药物嵌入结果与所述第一辅助信息进行拼接,获取最终药物嵌入结果;
将所述靶标嵌入结果与所述第二辅助信息进行拼接,获取最终靶标嵌入结果。
7.如权利要求1所述的药物靶标互作用预测方法,其特征是,所述最终嵌入结果包括最终药物嵌入结果和最终靶标嵌入结果,所述判别器为softmax回归分类器,所述应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果,包括:
所述最终药物嵌入结果和所述最终靶标嵌入结果成对输入所述softmax回归分类器;
应用所述softmax回归分类器预测药物与靶标之间符号,获取药物靶标互作用预测结果。
8.一种基于符号图神经网络的药物靶标互作用预测装置,其特征是,所述药物靶标互作用预测装置包括:
网络生成单元,用于获取药物-靶标符号异构图,并根据所述药物-靶标符号异构图获取符号二部网络、药物相互作用网络以及靶标相互作用网络;
嵌入结果获取单元,使用符号图神经网络模型处理符号二部网络以获取药物和靶标的嵌入结果;
成分分析单元,用于对所述药物相互作用网络和所述靶标相互作用网络进行主成分分析,获取辅助信息;
结果预测单元,用于对所述结点嵌入结果与所述辅助信息进行拼接,并应用判别器对药物与靶标之间的符号进行预测,获取药物靶标互作用预测结果。
9.一种电子设备,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计算机程序时实现如权利要求1至7中任一项所述方法。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310774619.7A CN116705196A (zh) | 2023-06-28 | 2023-06-28 | 基于符号图神经网络的药物靶标互作用预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310774619.7A CN116705196A (zh) | 2023-06-28 | 2023-06-28 | 基于符号图神经网络的药物靶标互作用预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116705196A true CN116705196A (zh) | 2023-09-05 |
Family
ID=87833878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310774619.7A Pending CN116705196A (zh) | 2023-06-28 | 2023-06-28 | 基于符号图神经网络的药物靶标互作用预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116705196A (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 |
-
2023
- 2023-06-28 CN CN202310774619.7A patent/CN116705196A/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 |
---|---|---|
Wang et al. | Multi-objective feature selection based on artificial bee colony: An acceleration approach with variable sample size | |
Venkatesh et al. | Development of big data predictive analytics model for disease prediction using machine learning technique | |
Maraziotis | A semi-supervised fuzzy clustering algorithm applied to gene expression data | |
US20160140312A1 (en) | Generating drug repositioning hypotheses based on integrating multiple aspects of drug similarity and disease similarity | |
CN111950596A (zh) | 一种用于神经网络的训练方法以及相关设备 | |
US20210174906A1 (en) | Systems And Methods For Prioritizing The Selection Of Targeted Genes Associated With Diseases For Drug Discovery Based On Human Data | |
Teng et al. | Customer credit scoring based on HMM/GMDH hybrid model | |
Guo et al. | Machine learning based feature selection and knowledge reasoning for CBR system under big data | |
EP4273754A1 (en) | Neural network training method and related device | |
Yu et al. | Predicting protein complex in protein interaction network-a supervised learning based method | |
WO2023051369A1 (zh) | 一种神经网络的获取方法、数据处理方法以及相关设备 | |
CN116305289B (zh) | 医疗隐私数据处理方法、装置、计算机设备及存储介质 | |
CN112925857A (zh) | 基于谓语类型预测关联的数字信息驱动的***和方法 | |
Caldonazzo Garbelini et al. | Sequence motif finder using memetic algorithm | |
CN116705196A (zh) | 基于符号图神经网络的药物靶标互作用预测方法及装置 | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
Welchowski et al. | A framework for parameter estimation and model selection in kernel deep stacking networks | |
CN115409111A (zh) | 命名实体识别模型的训练方法和命名实体识别方法 | |
Yu et al. | Weighted matrix factorization based data fusion for predicting lncRNA-disease associations | |
CN113065634B (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
WO2023246735A1 (zh) | 一种项目推荐方法及其相关设备 | |
CN116798653A (zh) | 药物相互作用预测方法、装置、电子设备及存储介质 | |
Zhang et al. | Clustering of temporal gene expression data by regularized spline regression and an energy based similarity measure | |
WO2023174064A1 (zh) | 自动搜索方法、自动搜索的性能预测模型训练方法及装置 | |
CN116680401A (zh) | 文档处理方法、文档处理装置、设备及存储介质 |
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 |