CN117038105B - 一种基于信息增强图神经网络的药物重定位方法及*** - Google Patents
一种基于信息增强图神经网络的药物重定位方法及*** Download PDFInfo
- Publication number
- CN117038105B CN117038105B CN202311291649.9A CN202311291649A CN117038105B CN 117038105 B CN117038105 B CN 117038105B CN 202311291649 A CN202311291649 A CN 202311291649A CN 117038105 B CN117038105 B CN 117038105B
- Authority
- CN
- China
- Prior art keywords
- information
- disease
- drug
- node
- medicine
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000009511 drug repositioning Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 239000003814 drug Substances 0.000 claims abstract description 97
- 201000010099 disease Diseases 0.000 claims abstract description 92
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 92
- 229940079593 drug Drugs 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 55
- 230000002776 aggregation Effects 0.000 claims abstract description 28
- 238000004220 aggregation Methods 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000011176 pooling Methods 0.000 claims abstract description 24
- 230000004931 aggregating effect Effects 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940000406 drug candidate Drugs 0.000 description 1
- 230000008406 drug-drug interaction Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Medicinal Chemistry (AREA)
- Databases & Information Systems (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于信息增强图神经网络的药物重定位方法及***，属于药物重定位技术，包括：构建用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系的先验知识模型，并通过K近邻、平均池化和图注意力机制，进行信息聚合，获取先验知识模型的药物节点的第一嵌入向量，和疾病节点的第二嵌入向量；将第一嵌入向量和第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位定位；本发明在信息聚合过程中，使用固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合，充分利用了邻居信息，实现了局部信息增强的效果。
Description
技术领域
本发明涉及药物重定位技术领域，具体而言，涉及一种基于信息增强图神经网络的药物重定位方法及***。
背景技术
药物重定位是指为罕见病或无治疗药物的疾病发现候选药物，深度学习技术已经成为药物重定位的主流技术之一。一般来讲，基于深度学习的药物重定位模型旨在有效整合多种网络结构信息，从而为每个疾病和药物学习到高质量的表征，最终达到预测的目的。
药物和疾病通常组成三种网络，即，药物-药物网络、疾病-疾病网络和药物疾病关联网络，这两种同构网络和一种异构网络包含着丰富的结构信息。然而，其中有的信息是重要的，有些信息并不重要，甚至可以被视为噪声信息，因此，急需设计一种新型药物重定位技术，通过对丰富的信息进行区分，从而学习到可靠的表征。
发明内容
为了解决上述问题，本发明提供了一种基于信息增强图神经网络的药物重定位方法，包括以下两个阶段：
数据处理阶段：构建先验知识模型，先验知识模型用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系，其中，第一关系表示药物与疾病之间的关联性关系，第二关系表示药物之间的相似性关系，第三关系表述疾病之间的相似性关系，先验知识模型表示由已知的药物与疾病的先验知识构建的模型；
根据先验知识模型，通过K近邻、平均池化和图注意力机制，进行信息聚合，获取先验知识模型的药物节点的第一嵌入向量，以及先验知识模型的疾病节点的第二嵌入向量，其中，嵌入向量表示通过节点的异构信息和同构信息进行聚合后，生成的节点特征向量；
预测阶段：将第一嵌入向量和第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位。
优选地，在数据处理阶段构建先验知识模型的过程中，根据第一关系、第二关系和第三关系，通过获取异构信息和邻域同构信息，生成先验知识模型的每个节点信息。
优选地，在数据处理阶段获取第一嵌入向量的过程中，基于第一关系和第三关系，根据药物节点对应的疾病节点，通过图注意力机制，聚合第一异构信息；
通过平均池化，选择药物节点的前K个邻居药物节点，聚合第一同质信息；
根据第一异构信息和第一同质信息，生成药物节点的第一嵌入向量。
优选地，在数据处理阶段获取第二嵌入向量的过程中，基于第一关系和第二关系，根据疾病节点对应的药物节点，通过图注意力机制，聚合第二异构信息；
通过平均池化，选择疾病节点的前K个邻居疾病节点，聚合第二同质信息；
根据第二异构信息和第二同质信息，生成疾病节点的第二嵌入向量。
优选地，在数据处理阶段聚合异构信息的过程中，通过图注意力机制，为不同的异构节点自适应的分配不同的权重，对异构信息进行聚合，将固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合。
优选地，在对药物进行重定位的模型训练的过程中，选择二元交叉熵损失函数，作为模型训练过程的损失函数，并通过Adam优化器和循环学习率进行优化。
本发明公开了一种基于信息增强图神经网络的药物重定位***，包括：
数据采集模块，用于获取药物信息和疾病信息；
数据处理模块，用于根据药物信息和疾病信息，构建先验知识模型，先验知识模型用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系；
数据提取模块，用于根据先验知识模型，通过K近邻、平均池化和图注意力机制，进行信息聚合，获取先验知识模型的药物节点的第一嵌入向量，以及先验知识模型的疾病节点的第二嵌入向量；
药物重定位模块，用于将第一嵌入向量和第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位。
优选地，数据处理模块，用于通过获取第一关系、第二关系和第三关系，得到异构信息和邻域同构信息，生成先验知识模型的每个节点信息。
优选地，数据提取模块，还用于通过图注意力机制，为不同的异构节点自适应的分配不同的权重，对异构信息进行聚合，将固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合。
本发明公开了以下技术效果：
本发明首次引入图注意机制来区分药物和疾病的不同异质节点信息之间的相关性，学习了高质量的药物和疾病嵌入；
本发明在信息聚合过程中，省略了自身节点信息聚合步骤，并使用固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合，充分利用了邻居信息，实现了局部信息增强的效果。
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的一些实施例，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是本发明所述的药物重定位方法流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，本发明提供了一种基于信息增强图神经网络的药物重定位方法，包括以下两个阶段：
数据处理阶段：构建先验知识模型，先验知识模型用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系，其中，第一关系表示通过药物治疗疾病的治疗关系（表示药物与疾病之间的关联性关系），第二关系表示药物之间的相似性关系，第三关系表述疾病之间的相似性关系，所述先验知识模型表示由已知的药物与疾病的先验知识构建的模型；
根据先验知识模型，通过K近邻、平均池化和图注意力机制，进行信息聚合，获取先验知识模型的药物节点的第一嵌入向量，以及先验知识模型的疾病节点的第二嵌入向量，其中，嵌入向量表示通过节点的异构信息和同构信息进行聚合后，生成的节点特征向量；
预测阶段：将第一嵌入向量和第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位。
进一步优选地，本发明提供的药物重定位方法，在数据处理阶段构建先验知识模型的过程中，本发明根据第一关系、第二关系和第三关系，通过获取异构信息和邻域同构信息，生成先验知识模型的每个节点信息。
进一步优选地，本发明提供的药物重定位方法，在数据处理阶段获取第一嵌入向量的过程中，基于第一关系和第三关系，本发明根据药物节点对应的疾病节点，通过图注意力机制，聚合第一异构信息；
通过平均池化，选择药物节点的前K个邻居药物节点，聚合第一同质信息；
根据第一异构信息和第一同质信息，生成药物节点的第一嵌入向量。
进一步优选地，本发明提供的药物重定位方法，在数据处理阶段获取第二嵌入向量的过程中，基于第一关系和第二关系，本发明根据疾病节点对应的药物节点，通过图注意力机制，聚合第二异构信息；
通过平均池化，选择疾病节点的前K个邻居疾病节点，聚合第二同质信息；
根据第二异构信息和第二同质信息，生成疾病节点的第二嵌入向量。
进一步优选地，本发明提供的药物重定位方法，在数据处理阶段聚合异构信息的过程中，本发明通过图注意力机制，为不同的异构节点自适应的分配不同的权重，对异构信息进行聚合，将固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合。
进一步优选地，本发明提供的药物重定位方法，在对药物进行重定位的模型训练的过程中，本发明选择二元交叉熵损失函数，作为模型训练过程的损失函数，并通过Adam优化器和循环学习率进行优化。
本发明还公开了一种基于信息增强图神经网络的药物重定位***，用于实现药物重定位的方法，具体包括：
数据采集模块，用于获取药物信息和疾病信息；
数据处理模块，用于根据药物信息和疾病信息，构建先验知识模型，先验知识模型用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系；
数据提取模块，用于根据先验知识模型，通过K近邻、平均池化和图注意力机制，进行信息聚合，获取先验知识模型的药物节点的第一嵌入向量，以及先验知识模型的疾病节点的第二嵌入向量；
药物重定位模块，用于将第一嵌入向量和第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位。
进一步优选地，本发明公开的药物重定位***的数据处理模块，用于通过获取第一关系、第二关系和第三关系，得到异构信息和邻域同构信息，生成先验知识模型的每个节点信息。
进一步优选地，本发明公开的药物重定位***的数据提取模块，还用于通过图注意力机制，为不同的异构节点自适应的分配不同的权重，对异构信息进行聚合，将固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合。
实施例1：针对药物重定位存在的噪声信息问题，如果把每个药物和疾病均视为节点，则目标就可以转变为区分不同异构节点对之间的相关程度，自适应的为不同的异构节点分配不同的权重，之后根据权重的大小进行异构信息聚合，得到表征，进而克服噪声信息带来的误差。
如图1所示，本发明提出了一种基于信息增强图神经网络的药物重定位技术。具体来讲，首先构建药物-药物相似性网络、疾病-疾病相似性网络和已知的药物-疾病关联网络来聚合异构信息和邻域同构信息，得到更加完整的节点信息。与先前的一些研究类似，这里专注于聚合前K个邻居的信息，以避免来自邻域的噪声信息。同时，在信息聚合的过程中本发明引入了图注意力机制，为不同的异构节点自适应的分配不同的相关系数，从而保证了目标节点能够聚合更多的有效信息。不同于先前的工作，本发明在信息聚合的过程中不考虑自身节点信息的聚合，避免过多的信息被嵌入在有限的向量空间，从而淡化了有用的异构信息和同构信息。在预测阶段，首先对药物嵌入向量和疾病嵌入向量进行哈达玛积操作，使两者信息充分融合，然后利用多层感知机（MLP）建模复杂的药物-疾病关联，得到最终的关联预测。具体包括如下过程：
（1）疾病建模。对于每个疾病，疾病建模通过聚合两种交互来学习相应的潜在向量表示，即药物-疾病交互和疾病-疾病交互。具体来讲，通过与该疾病节点有关联的药物节点来聚合异构信息；基于该疾病节点的前K个邻居节点（疾病节点）来聚合同质信息。
（2）药物建模。对于每个药物，药物建模通过聚合两种交互来学习相应的潜在向量表示，即药物-疾病交互和药物-药物交互。具体来讲，通过与该药物节点有关联的疾病节点来聚合异构信息；基于该药物节点的前K个邻居节点（药物节点）来聚合同质信息。
（3）在聚合异构信息时，使用到了图注意力机制来为不同的异构节点自适应的分配不同的权重，从而获得高质量表征。至于邻居信息聚合，本发明使用固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化确保了简洁的聚合过程，同时保留了增强邻居信息的效果。
（4）使用Hadamard乘积充分整合药物和疾病的表示。
（5）应用多层感知机（MLP）来建模复杂的药物-疾病关联，得出最终的预测结果。
在模型训练过程中，使用二元交叉熵损失函数，为了优化这个损失函数，本发明使用Adam优化器和循环学习率。
表1
表1中英文含义，AUROC表示特异性-敏感性曲线下面积，Avg.表示平均值，AUPR精确率-召回率曲线下面积，MKGAT表示基于双拉普拉斯正则化最小二乘的图注意力网络模型，IRNMF表示基于指标正则化非负矩阵分解的药物重定位模型，SCPMF表示基于相似性约束概率矩阵分解的药物重新定位模型，MKGCN表示图神经网络上的多核融合关系预测模型，DRWBNCF表示加权双线性神经协同过滤药物重定位模型，DRGANN表示信息增强图神经网络的药物重定位模型为了展示本发明模型的优越性，本发明在数据集1（Fdataset）、数据集2（Cdataset）和数据集3（LRSSL）这3个数据集上与5种先进的模型进行了对比。AUROC和AUPR已被广泛应用于生物信息学的研究，因此被用来评估模型的整体性能。表1展示了本发明的模型在10次10折交叉验证方面的性能与其它模型的对比情况，本发明的模型在3个数据集上的2项指标持续优于所有对比模型，平均AUROC和AUPR分别为0.947和0.571，分别比第二好的模型DRWBNCF高1.4%和10.1%。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于信息增强图神经网络的药物重定位方法，其特征在于，包括以下两个阶段：
数据处理阶段：构建先验知识模型，所述先验知识模型用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系，其中，所述第一关系表示药物与疾病之间的关联性关系，所述第二关系表示药物之间的相似性关系，所述第三关系表述疾病之间的相似性关系，所述先验知识模型表示由已知的药物与疾病的先验知识构建的模型；
根据所述先验知识模型，通过K近邻、平均池化和图注意力机制，进行信息聚合，获取所述先验知识模型的药物节点的第一嵌入向量，以及所述先验知识模型的疾病节点的第二嵌入向量，其中，嵌入向量表示通过节点的异构信息和同构信息进行聚合后，生成的节点特征向量；
在数据处理阶段获取第一嵌入向量的过程中，基于所述第一关系和所述第三关系，根据所述药物节点对应的所述疾病节点，通过所述图注意力机制，聚合第一异构信息；
通过所述平均池化，选择所述药物节点的前K个邻居药物节点，聚合第一同质信息；
根据所述第一异构信息和所述第一同质信息，生成所述药物节点的所述第一嵌入向量；
在数据处理阶段获取第二嵌入向量的过程中，基于所述第一关系和所述第二关系，根据所述疾病节点对应的所述药物节点，通过所述图注意力机制，聚合第二异构信息；
通过所述平均池化，选择所述疾病节点的前K个邻居疾病节点，聚合第二同质信息；
根据所述第二异构信息和所述第二同质信息，生成所述疾病节点的所述第二嵌入向量；
预测阶段：将所述第一嵌入向量和所述第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位。
2.根据权利要求1所述一种基于信息增强图神经网络的药物重定位方法，其特征在于：
在数据处理阶段构建先验知识模型的过程中，根据所述第一关系、所述第二关系和所述第三关系，通过获取异构信息和邻域同构信息，生成所述先验知识模型的每个节点信息。
3.根据权利要求1所述一种基于信息增强图神经网络的药物重定位方法，其特征在于：
在数据处理阶段聚合异构信息的过程中，通过所述图注意力机制，为不同的异构节点自适应的分配不同的权重，对异构信息进行聚合，将固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合。
4.根据权利要求3所述一种基于信息增强图神经网络的药物重定位方法，其特征在于：
在对药物进行重定位的模型训练的过程中，选择二元交叉熵损失函数，作为模型训练过程的损失函数，并通过Adam优化器和循环学习率进行优化。
5.一种基于信息增强图神经网络的药物重定位***，其特征在于，包括：
数据采集模块，用于获取药物信息和疾病信息；
数据处理模块，用于根据所述药物信息和疾病信息，构建先验知识模型，所述先验知识模型用于表征药物与疾病之间的第一关系、不同药物之间的第二关系以及不同疾病之间的第三关系；
数据提取模块，用于根据所述先验知识模型，通过K近邻、平均池化和图注意力机制，进行信息聚合，获取所述先验知识模型的药物节点的第一嵌入向量，以及所述先验知识模型的疾病节点的第二嵌入向量，其中，基于所述第一关系和所述第三关系，根据所述药物节点对应的所述疾病节点，通过所述图注意力机制，聚合第一异构信息；通过所述平均池化，选择所述药物节点的前K个邻居药物节点，聚合第一同质信息；根据所述第一异构信息和所述第一同质信息，生成所述药物节点的所述第一嵌入向量；基于所述第一关系和所述第二关系，根据所述疾病节点对应的所述药物节点，通过所述图注意力机制，聚合第二异构信息；通过所述平均池化，选择所述疾病节点的前K个邻居疾病节点，聚合第二同质信息；根据所述第二异构信息和所述第二同质信息，生成所述疾病节点的所述第二嵌入向量；
药物重定位模块，用于将所述第一嵌入向量和所述第二嵌入向量，进行哈达玛积操作，并利用多层感知机MLP，获取药物与疾病之间的关联预测，对药物进行重定位。
6.根据权利要求5所述一种基于信息增强图神经网络的药物重定位***，其特征在于：
所述数据处理模块，用于通过获取所述第一关系、所述第二关系和所述第三关系，得到异构信息和邻域同构信息，生成所述先验知识模型的每个节点信息。
7.根据权利要求6所述一种基于信息增强图神经网络的药物重定位***，其特征在于：
所述数据提取模块，还用于通过所述图注意力机制，为不同的异构节点自适应的分配不同的权重，对异构信息进行聚合，将固定值代替相似性分数来定义邻居节点信息的聚合系数，并使用平均池化，对同质信息进行聚合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311291649.9A CN117038105B (zh) | 2023-10-08 | 2023-10-08 | 一种基于信息增强图神经网络的药物重定位方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311291649.9A CN117038105B (zh) | 2023-10-08 | 2023-10-08 | 一种基于信息增强图神经网络的药物重定位方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117038105A CN117038105A (zh) | 2023-11-10 |
| CN117038105B true CN117038105B (zh) | 2023-12-15 |
Family
ID=88635846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311291649.9A Active CN117038105B (zh) | 2023-10-08 | 2023-10-08 | 一种基于信息增强图神经网络的药物重定位方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117038105B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117976139A (zh) * | 2024-03-29 | 2024-05-03 | 武汉纺织大学 | 一种基于纠偏机制和对比学习的药物重定位方法及*** |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446338A (zh) * | 2018-09-20 | 2019-03-08 | 大连交通大学 | 基于神经网络的药物疾病关系分类方法 |
| CN111951886A (zh) * | 2019-05-17 | 2020-11-17 | 天津科技大学 | 一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法 |
| CN112037856A (zh) * | 2020-09-30 | 2020-12-04 | 华中农业大学 | 基于注意力神经网络的药物互作用及事件预测方法和模型 |
| CN112331275A (zh) * | 2020-10-28 | 2021-02-05 | 东南大学 | 一种基于记忆力网络与注意力的计算药物重定位方法 |
| WO2021151325A1 (zh) * | 2020-09-09 | 2021-08-05 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
| WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
| CN114242186A (zh) * | 2021-12-30 | 2022-03-25 | 湖南大学 | 融合ghp与gcn的中西药物重定位方法及***与存储介质 |
| CN114613452A (zh) * | 2022-03-08 | 2022-06-10 | 电子科技大学 | 一种基于药物分类图神经网络的药物重定位方法及*** |
| CN114842927A (zh) * | 2022-05-20 | 2022-08-02 | 华东师范大学 | 一种知识图谱注意力网络的药物与通路的关联预测方法 |
| CN114913916A (zh) * | 2022-04-19 | 2022-08-16 | 广东工业大学 | 预测新冠病毒适应药物的药物重定位方法 |
| CN115293851A (zh) * | 2022-08-12 | 2022-11-04 | 西安交通大学 | 一种在图神经网络中引入物品类别信息的推荐方法 |
| CN115376704A (zh) * | 2022-09-15 | 2022-11-22 | 大连大学 | 一种融合多邻域关联信息的药物-疾病相互作用预测方法 |
| CN115527627A (zh) * | 2022-10-08 | 2022-12-27 | 湖州师范学院 | 一种基于超图卷积神经网络的药物重定位方法及*** |
| CN115579053A (zh) * | 2022-10-27 | 2023-01-06 | 京东方科技集团股份有限公司 | 药物重定位方法、装置、电子设备及存储介质 |
| CN115858812A (zh) * | 2022-05-16 | 2023-03-28 | 吉林大学 | 一种计算机构建的嵌入式对齐方法 |
| CN116189847A (zh) * | 2023-05-05 | 2023-05-30 | 武汉纺织大学 | 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法 |
| CN116386899A (zh) * | 2023-02-15 | 2023-07-04 | 深圳大学 | 基于图学习的药物疾病关联关系预测方法及相关设备 |
-
2023
- 2023-10-08 CN CN202311291649.9A patent/CN117038105B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446338A (zh) * | 2018-09-20 | 2019-03-08 | 大连交通大学 | 基于神经网络的药物疾病关系分类方法 |
| CN111951886A (zh) * | 2019-05-17 | 2020-11-17 | 天津科技大学 | 一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法 |
| WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
| WO2021151325A1 (zh) * | 2020-09-09 | 2021-08-05 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
| CN112037856A (zh) * | 2020-09-30 | 2020-12-04 | 华中农业大学 | 基于注意力神经网络的药物互作用及事件预测方法和模型 |
| CN112331275A (zh) * | 2020-10-28 | 2021-02-05 | 东南大学 | 一种基于记忆力网络与注意力的计算药物重定位方法 |
| CN114242186A (zh) * | 2021-12-30 | 2022-03-25 | 湖南大学 | 融合ghp与gcn的中西药物重定位方法及***与存储介质 |
| CN114613452A (zh) * | 2022-03-08 | 2022-06-10 | 电子科技大学 | 一种基于药物分类图神经网络的药物重定位方法及*** |
| CN114913916A (zh) * | 2022-04-19 | 2022-08-16 | 广东工业大学 | 预测新冠病毒适应药物的药物重定位方法 |
| CN115858812A (zh) * | 2022-05-16 | 2023-03-28 | 吉林大学 | 一种计算机构建的嵌入式对齐方法 |
| CN114842927A (zh) * | 2022-05-20 | 2022-08-02 | 华东师范大学 | 一种知识图谱注意力网络的药物与通路的关联预测方法 |
| CN115293851A (zh) * | 2022-08-12 | 2022-11-04 | 西安交通大学 | 一种在图神经网络中引入物品类别信息的推荐方法 |
| CN115376704A (zh) * | 2022-09-15 | 2022-11-22 | 大连大学 | 一种融合多邻域关联信息的药物-疾病相互作用预测方法 |
| CN115527627A (zh) * | 2022-10-08 | 2022-12-27 | 湖州师范学院 | 一种基于超图卷积神经网络的药物重定位方法及*** |
| CN115579053A (zh) * | 2022-10-27 | 2023-01-06 | 京东方科技集团股份有限公司 | 药物重定位方法、装置、电子设备及存储介质 |
| CN116386899A (zh) * | 2023-02-15 | 2023-07-04 | 深圳大学 | 基于图学习的药物疾病关联关系预测方法及相关设备 |
| CN116189847A (zh) * | 2023-05-05 | 2023-05-30 | 武汉纺织大学 | 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于分层注意力的信息级联预测模型;张志扬;张凤荔;陈学勤;王瑞锦;;计算机科学(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117038105A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Deep feature learning for medical image analysis with convolutional autoencoder neural network | |
| Gao et al. | MSCFNet: A lightweight network with multi-scale context fusion for real-time semantic segmentation | |
| Min et al. | Deep learning in bioinformatics | |
| EP3989109A1 (en) | Image identification method and device, identification model training method and device, and storage medium | |
| Song et al. | Unified binary generative adversarial network for image retrieval and compression | |
| WO2021098362A1 (zh) | 视频分类模型构建、视频分类的方法、装置、设备及介质 | |
| CN111755078A (zh) | 药物分子属性确定方法、装置及存储介质 | |
| CN108664999A (zh) | 一种分类模型的训练方法及其装置、计算机服务器 | |
| CN117038105B (zh) | 一种基于信息增强图神经网络的药物重定位方法及*** | |
| CN109255340A (zh) | 一种融合多种改进vgg网络的人脸识别方法 | |
| CN109242013A (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
| CN111784699B (zh) | 一种对三维点云数据进行目标分割方法、装置及终端设备 | |
| CN111564186A (zh) | 基于知识图谱的图卷积药物对相互作用预测方法及*** | |
| WO2023020214A1 (zh) | 检索模型的训练和检索方法、装置、设备及介质 | |
| CN116386899A (zh) | 基于图学习的药物疾病关联关系预测方法及相关设备 | |
| CN113763385A (zh) | 视频目标分割方法、装置、设备及介质 | |
| CN112668482A (zh) | 人脸识别训练方法、装置、计算机设备及存储介质 | |
| Bayoudh | A survey of multimodal hybrid deep learning for computer vision: Architectures, applications, trends, and challenges | |
| CN115600691A (zh) | 联邦学习中的客户端选择方法、***、装置和存储介质 | |
| CN116245086A (zh) | 文本处理方法、模型训练方法和*** | |
| CN104899232B (zh) | 协同聚类的方法和设备 | |
| CN106033546B (zh) | 基于自上而下学习的行为分类方法 | |
| Feng et al. | Power law in deep neural networks: Sparse network generation and continual learning with preferential attachment | |
| JP7473389B2 (ja) | 学習モデル生成システム、及び学習モデル生成方法 | |
| Lu et al. | Soft-orthogonal constrained dual-stream encoder with self-supervised clustering network for brain functional connectivity data |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |