CN115985520B 基于图正则化矩阵分解的药物疾病关联关系的预测方法 （青岛大学）

基于图正则化矩阵分解的药物疾病关联关本发明公开了一种基于图正则化矩阵分解据各疾病的向无环图提取各疾病之间的语义相2环图提取各疾病之间的语义相似性，再结合现有数据库获取各疾病与药物之间的关联关2.根据权利要求1所述的基于图正则化矩阵分解的药物疾病关联关系的预测方法，其所述有向无环图内设置有多个节点，将疾病d本身作为子节点、将于疾病d相3分别针对各疾病，利用图卷积方法在各有向无环图中提取疾3.根据权利要求2所述的基于图正则化矩阵分解的药物疾病关联关系的预测方法，其4.根据权利要求2所述的基于图正则化矩阵分解的药物疾病关联关系的预测方法，其5.根据权利要求4所述的基于图正则化矩阵分解的药物疾病关联关系的预测方法，其D(s)6.根据权利要求1所述的基于图正则化矩阵分解的药物疾病关联关系的预测方法，其4基于Kronecker最小二乘法，利用药物向量核函数和疾病向量核函数的Kr根据现有数据库药物疾病关系图网络中药物分子与疾病之间的关m,n为现有数据库中药物分子m与疾病n之间的关系，SG*为药物的近邻相似性矩根据药物相似性矩阵和疾病相似性矩阵，构建药物相似性网络和疾性网络中各节点相邻节点的几何结构信息，计算得到药物相似性权重和疾病相似性权重，pp根据药物相似性权重和疾病相似性权重，计算得到药物近邻相似性56[0003]基于药物疾病关联关系网络批量获取已知药物与疾病之间的关系，充分利用药物疾病关联关系网络融合其他信息，能够有效促进药物疾病关联关系预测的准确率。此[0004]基于网络的推理方法作为目前应用最为广泛的方法。HeTDR采用了一种基于异构随机游走学习异构网络中的嵌入节点表示，并利用异构跳跃图策略实现药物疾病关联预图卷积网络，针对不同网络使用注意力机制将来自多个图卷积层的特征编码进行组合后，观察药物疾病关联并进行评分。BiFusion利用双向图卷积网络模型对异构信息进行融合，7[0007]本发明针对现阶段基于网络推理的药物疾病关联关系预测方法难以精确预测药[0012]步骤3，根据疾病特征矩阵和药物特征矩阵，建立药物分子与疾病之间的关联矩8含有的节点，Czc)为节点x相对于疾病i的语义值9Z'Q%(10)Y"QC)D*为疾病的近邻相似性矩阵，为关联函数f在核K相关的Hilbert空间上的范数，[0054]根据药物相似性矩阵和疾病相似性矩阵，构建药物相似性网络和疾病相似性网pp[0062]本发明方法提出了一种基于图正则化矩阵分解的药物疾[0063]同时，本发明方法还基于图正则化矩阵对药物与疾病之[0082]步骤1.3，由于仅仅依靠疾病之关系，所以本申请技术方案引入了疾病与药物之间的关系，本实施例中基于ComparativeToxicogenics数据库获取治疗各疾病所采用的药物，该数据库中包含已知的708个药物与[0092]步骤2，根据ComparativeToxicogenics数据库中各药物的分子结构，确定物分子的特征构建药物分子相似性网络为本领域[0093]步骤3，根据疾病特征矩阵和药物特征矩阵，建立药物分子与疾病之间的关联矩[0096]步骤4，基于图正则化与核方法的矩阵分解算法对药物分子与疾病之间的关联矩关联关系的预测中这两个矩阵分别为药物相似性矩阵Z'Q%(10)Y"QC)(11)D*为疾病的近邻相似性矩阵，v:为关联函数f在核K相关的Hilbert空间上的范数，[0108]目标函数中保证了药物近邻相似