CN119274691B 基于异质节点序列表示的药物-疾病关联预测方法及系统 （大连海事大学）

基于异质节点序列表示的药物-疾病关联预的向量表示；将药物节点和疾病节点的向量表2按照元关系类型将目标节点的一阶邻居子图拆分为多个元关系二在目标节点的各元关系二部图内进行域内消息传播与聚合，更新目标节点的语义特2.根据权利要求1所述基于异质节点序列表示的药物一疾病关联预测方法，其特征在根据药物指纹相似性以及高斯互作谱核相似性计算任意药物之间的相似性筛选出根据疾病表型相似性以及高斯互作谱核相似性计算任意疾病之间的相似性，筛选出3.根据权利要求2所述基于异质节点序列表示的药物一疾病关联预测方法，其特征在DDADRP即三种类型实4.根据权利要求3所述基于异质节点序列表示的药物一疾病关联预测方法，其特征在点t的边e对应的元关系定义为r=<p(s),p(e),p(t)>。5.根据权利要求4所述基于异质节点序列表示的药物一疾病关联预测方法，其特征在3通过平均池化从全部一阶邻居处聚合信息，得到在元关系二部图上第l6.根据权利要求5所述基于异质节点序列表示的药物_疾病关联预测方法，其特征在通过缩放点积注意力计算语义向量与间的相关通过多头注意力机制，对值向量进行加权平均并增加残差连接项计算更新语义向量将与目标节点t第(l_1)层对应的序列特征进行拼接，更新目标节点第l7.根据权利要求6所述基于异质节点序列表示的药物_疾病关联预测方法，其特征在对于集合中的全部向量表示将其进行平均池化操通过将键向量与查询向量进行缩放点积运算，评估序列表示集合内每一向量的重要4或疾病节点向量表示8.根据权利要求7所述基于异质节点序列表示的药物一疾病关联预测方法，其特征在引入向量减法以及向量逐项乘法两个额外组合算子整合药物向量表示、疾病向量表9.根据权利要求8所述基于异质节点序列表示的药物一疾病关联预测方法，其特征在元关系类型将目标节点的一阶邻居子图拆分为多个域内消息聚合模块，在目标节点的各元关系二部图内进行域内消息跨域消息聚合模块，利用多头注意力机制跨域融合目标节点的语义特征5性方面具有以下两点缺陷：(1)先前工作简单假设不同类型的节点/边(节点包括药物、疾[0013]利用多头注意力机制跨域融合目标节点的语义特征，更新目标节点的序列特征、6[0018]根据药物指纹相似性以及高斯互作谱核相似性计算任意药物之间的相似性筛选[0020]进一步地，所述利用药物相似性网络和疾病相似性网络[0022]其中，v=VORuvluv"R;VDR药物蛋白质交互以及疾病蛋白质交互关系；任意两种[0024]定义节点、边类型映射函数为每一节点或边分配相应标节点t的边e对应的元关系定义为r=<p(s),p(e),p(t)>,[0032]通过平均池化从全部一阶邻居处聚合信息，得到在元关系二部图上第l层目标节7[0042]经过L层的消息传播与聚合，目标节点t最后一层序列表示传入多头自注[0043]对于集合中的全部向量表示将其进行平均池[0045]对值向量进行加权平均生成目标节点t对应的向量表示：药物节点向量表示或疾病节点向量表示[0046]进一步地，所述将药物节点和疾病节点的向量表示输入多层感知机预测药物_疾8按照元关系类型将目标节点的一阶邻居子图拆分为多个元关系二[0055]域内消息聚合模块，在目标节点的各元关系二部图内进[0059]本发明无需单独对相似性网络和关联网络进行建模并将从两个网络得到的药物、员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范9E,",Tf},其中VOR、VDI、VPR[0070]定义节点、边类型映射函数为每一节点或边分配相应p(s),p(e),p(t)>;用于将节点及边转化为相应类型。[0072]药物相似性关系εDRS的构建流程为：根据药物指纹相似性以及高斯互作谱核相似出εDRS。类似地，根据疾病表型相似性以及高斯互作谱核相似性计算任意疾病之间的相似节点对应的一阶邻居子图{(s,e,t)ISENgmw(t)};其中，表示节点t在smmw内h0.序列特征用于存储在每一图神经网络层中从各个元关系二部图中聚合得到的信息；而聚合特征用于在消息传播过程中向相邻节点处传播别将序列特征和聚合特征初始化为在任意元关系二键向量值向量其中h表示[0085]通过多头注意力机制得到的全新语义向量是通过对值向量进行加权平均并[0089]将与节点t第(l_1)层对应的序列特征进行拼接，得到该节点第l层[0093]S5、经过L层的消息传播与聚合，将S4计算出的目标节点t最后一层序列表示传入多头自注意力模型中，生成该节点最终向量表示hrEd.[0094]具体地：对于集合中的全部向量表示将其进[0100]为有效区分药物与疾病类型实体，分别将最终得到的药物、疾病向量表示记作[0111]本发明的目的在于针对现有方法所面临的无法充分捕获网络异质属性以及难以测方法及系统。针对