CN112037856B 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 （华中农业大学）

基于注意力神经网络的药物互作用及事件本发明提供了基于注意力神经网络的药物2S1：搭建基于注意力神经网络的药物互作用及事S2：构造多个药物特征网络，使用图表示学S23：通过结构化深度网络嵌入SDNE同时保持一阶和二阶邻近度从特征网络中学习药S31：拼接药物的五种特征表示和",得到每个药物的综合特征表含表示药物互作用发生与否的2个神经元或表示65种药物互作用事件的S42：采用softmax函数生成输出节点的概率，并采用S52：对药物对特征表示学习模块和药物互作用及事件预测模块进行端到端的训练和2.根据权利要求1所述的基于注意力神经网络的药物互作用及事件预测方法，其特征3结点i和结点j的潜在表示向量和向量的相似性，二阶邻近度通过最小化输出向量设节点vi的第L层的输出为","目标函数L的第一项控制二阶邻近度以提取全局特征，第二项控制一阶邻近度以提取3.根据权利要求1所述的基于注意力神经网络的药物互作用及事件预测方法，其特征4.根据权利要求3所述的基于注意力神经网络的药物互作用及事件预测方法，其特征5.用于权利要求1至4中任意一项所述的基于注意力神经网络的药物互作用及事件预4药物对特征表示学习模块包括药物综合特征表示拼接模块6.一种计算机存储介质，其特征在于：其内5[0004]然而，在药物相互作用预测中整合多种多样的药物特征是一项具有挑战性的任6[0017]S23：通过结构化深度网络嵌入SDNE同时保持一阶和二阶邻近度从特征网络中学近度约束一对结点i和结点j的潜在表示向量y"和向量y"的相似性，二阶邻近度通过最",i是第L层7[0023]目标函数L的第一项控制二阶邻近度以提取全局特征，第二项控制一阶邻近度以[0025]S31：拼接药物的五种特征表示和",得到每个药物的综合特[0026]S32：通过注意力神经网络ANN融合药物的综合特征表示来学习药物对的特征表层包含表示药物互作用发生与否的2个神经元或表示65种药物互作用事件的6[0039]S52：对药物对特征表示学习模块和药物互作用及事件预测模块进行端到端的训8[0040]基于注意力神经网络的药物互作用及事件预测模型，包括药物特征表示学习模机程序执行基于注意力神经网络的药物互作用及事度注意力神经网络来实现对药物互作用及其事件的预测，进一步预测65种药物互作用事发明提出一个注意机制的网络来捕获每一对药物对的不同注意向量，针对药物的不同特[0053]参见图1，本发明的基于注意力神经网络的药物互作用及事件预测模型包括药物9ID映射服务器将药物的靶蛋白映射到KEGG药物数据库以获得药物反应途径；841种药物有药物对的一阶和二阶邻近度，一阶邻近度约束一对结点i和结点j的潜在表示向量y"和向构。最终每个药物学习到5种药物特征表示分别为：和[0070]S31：拼接药物的五种特征表示和e",得到每个药物的综合特物的综合特征表示分别为Ei和Ej；K是药物综合特征表示向量的维度；ai,j＝(ai,j,1,是K维的注意力向量，用于反映融合药物对的表示向量时不同维度的重要[0074]S33：注意力神经网络捕获每一对药物对的不同注意向量，并针对药物的不同特作用的2个神经元或用于预测药物互作用事件的6多个完全连接的隐藏层；深度神经网络的输出层包含表示药物互作用发生与否的2个神经[0082]S42：采用softmax函数生成输出节点的概率，并采用ReLU(RectifiedLinear[0085]S52：对药物对特征表示学习模块和药物互作用及事件预测模块进行端到端的训经网络+DNN深度神经网络)进行替换或增删得到不同变种的模型，并与本发明的模型进行[0087]本发明使用SDNE的药物特征表示学习模块相比其他图表示学习方法(Node2vec,预测模块相比其他分类器更擅长从多个药物特征中学习高级表征的模型，预测性能更好。[0090]如表3所示，本发明还有效预测了新的药物互作用，收集到的841种药物共有访问的5.1.7版本的DrugBank数据库中确认了14种新的药物相[0094]表4显示了本发明预测药物相互作用事件的有效性。表4列对的药物互作用事件，并检查与每个事件相关的前20个预测。可在最新的5.1.7版本的DrugBank数据库中查找被模型预测的药物互作用相关事多种药物特征来预测未知的药物相互作用及其事件，具有较好的预测效果及良好的性能。