CN114530258B 一种深度学习药物相互作用预测方法、装置、介质和设备 （华南理工大学）

EffectPredictionwithGr5页右栏第8段及图1-3.EffectPredictionwithGr5页右栏第8段及图1-3.一种深度学习药物相互作用预测方法、装本发明提供了一种深度学习药物相互作用子图表示z_atomj；分子级网络利用多头注意力机制分别从每个药物分子图表示z_atomj提取出2将各个药物分子信息分别输入至原子级网络中；原子级网络对每机制分别从每个药物分子图表示z_atomj提取出不同药物分子之间的关系，并输出分子图所述原子级网络和分子级网络分别是指经过训练的原子级网络所述原子级网络将每个药物分子信息由SMILES序列转为分子图结构,以原子为节点、所述Transformer编码器设有N个依次连接的消QVK分别为可学习的线性变换参数；M＝matmul(Q,K.transp3所述将多头注意力层的输出通过Z层感知机进行维度转换，Z层感知4当被处理器执行时使所述处理器执行权利要求1-4中任一项所述的深度学习药物相互作用所述处理器执行存储器存储的程序时，实现权利要求1-4中任一项所述的深度学习药物相5相互作用(Drug-DrugInteraction,DDI)是指病人在同时服用两种或两种以上的药物时，不同药物分子之间是否存在相互作用。应用。[0006]由于每个药物分子都是由一个复杂的结构(即分子内部的图结构)表示，这使得基于深度学习的药物相互作用预测方法具有重要6进行编码，捕获原子和化学键之间的相互作用信息，并输出编码后的药物分子图表示z_[0012]将各个药物分子图表示z_atomj分别输入至分子级网络中；分子级网络利用多头注意力机制分别从每个药物分子图表示z_atomj提取出不同药物分子之间的关系，并输出[0013]将两种药物的输出分子图表示z_mol1和z_mol2转换为一个向量[0015]优选地，所述原子级网络将每个药物分子信息由用节点信息和边信息的相互作用分数矩阵；Transformer编码器输出编码后的药物分子图[0023]使用交互分数矩阵M分别与矩阵V、K进行点乘，以更新节点特征h(X)和边特征h7独立的注意力分数矩阵进行并行计算；将多头注意力层得到的特征通过Z层感知机进行维[0032]多头注意力层采用H个独立的注意力分数矩阵进行并行计算，将多头注意力的输8[0045]采用对比损失函数，最大化原子级网络输出的药物分子图表示z_atomj和分子级器执行时使所述处理器执行上述深度学习药物9[0067]具体地说，在原子级网络中，利用RDKIT化学信息库，将每个药物分子信息由SMILES(Simplifiedmolecularinputlineentryspecification)序列转为分子图结信息一起参与消息传递。计算得到的节点信息和边信息的相互作用分数矩阵来取代原始[0076]使用交互分数矩阵M分别与矩阵V、K进行点乘，以更新节点特征h(X)和边特征h多头注意力机制分别从每个药物分子图表示z_atomj提取出不同药物分子之间的关系，并[0082]将所有节点输入多头注意力层，多头注意力层采用H个独立的注意力分数矩阵进[0083]如图4所示，将药物分子图表示z_atomj作为输入X，经过第i组权重参数w"、[0087]多头注意力层采用H个独立的注意力分数矩阵进行并行计算，将多头注意力的输[0089]将多头注意力层得到的特征通过Z层感知机(Multi-layerPerceptron,MLP)进行[0102]采用对比损失函数，最大化原子级网络输出的药物分子图表示z_atomj和分子级[0107]为实现实施例一所述的方法，本实施例提供一种深度学习药物相互作用预测装计算机程序当被处理器执行时使所述处理器执行实施例一所述的深度学习药物相