CN118430844B 基于深度学习异构网络的药物不良反应预测方法及系统 （湖南大学）

基于深度学习异构网络的药物不良反应预本发明公开一种基于深度学习异构网络的用基于嵌入权重的图神经网络的药物活性分子结构特征提取模型结合分子的理化性质提取待注意力机制的TransformerDecoder模块对提取的待测药物活性分子的结构特征通过自回归的经网络强大的图数据结构数据处理能力和TransformerDecoder模块强大的生成能力，构2S1、采用基于嵌入权重的图神经网络的药物活性分具包中的方法从以InChI格式表示的待测药物活性分子数据中提取出原子对象及原子之间建基于嵌入权重的图神经网络的药物分子结构特征S103、将步骤S101获取的原子特征矩阵和原子邻接矩阵输S2、利用基于多头注意力机制的TransformerDecoder模块对提取的待测药物活性分子的结构特征及编码后的药物不良反应词向量通过自回归的方式不断地预测生成药物潜S201、将以UMLSID表示的药物不良反应转化为以数值表示的词向量，并加入位置编原子特征矩阵和步骤S201的加入位置编码的词向量矩阵输入到TransformerDecoder模S204、将步骤S203本次预测出来的药物潜在不良在不良反应一起作为输入数据重新输入到步骤S202的TransformerDecoder模块中，进行TransformerDecoder2.根据权利要求1所述的基于深度学习异构网络的药物不良反应预测方法，其特征在获得待测药物活性分子的聚合后的原子特征矩阵的过程便是更新该药物活性分子中3i,和分别表示当前原子与其邻居原子；W表示对原子特征进3.根据权利要求2所述的基于深度学习异构网络的药物不良反应预测方法，其特征在步骤S201具体为：将同一个待测药物的所有不良反应当言系统ID表示的药物不良反应转化为以数值表示的词向量，并在词向量中加入位置编码，4.根据权利要求3所述的基于深度学习异构网络的药物不良反应预测方法，其特征在步骤S201中采用TransformerDecoder模块中基于正余弦函数的位置编码方式给词向5.根据权利要求3所述的基于深度学习异构网络的药物不良反应预测方法，其特征在步骤S201中将同一个待测药物的所有不良反应当做句子，6.根据权利要求3所述的基于深度学习异构网络的药物不良反应预测方法，其特征在4药物活性分子结构特征提取模型中每个原子初始的特征向量解过拟合现象设置的神经元随机失活比例；以及TransformerDecoder模块中的多头注意所述药物活性分子的结构特征提取模块，用于构建基于嵌入权重的图混合模型构建模块，用于利用基于多头注意力机制的TransformerDecoder模块对提取的待测药物活性分子的结构特征及编码后的药物不良反应通过自回归的方式不断地预和TransformerDecoder模预测模块，用于利用训练好的模型，以自回归生成的方式对5分子指纹作为药物分子的特征或者使用基于分子描述符提取分子特征的方法来提取药物[0006]中国专利文献CN114429796A公开一种基于多核学习的药物不良反应预测方法，usingahybriddeeplearningmodel》[J].InternationalJournalofIntelligent[0010]JoshiP等人于2022年提出的文章：《Aknowledgegraphembeddingbasedapproachtopredicttheadversedrugreactionsusingadeepneuralnetwork》谱的药物不良反应预测系统中，都是采用将药物不良反应预测问题转化为多标签预测问6[0016]S2、利用基于多头注意力机制的TransformerDecoder模块对提取的待测药物活性分子的结构特征及编码后的药物不良反应词向量通过自回归的方式不断地预测生成药物潜在的不良反应；直到预测出的结果为预定义的结束词，获得结合图神经网络和TransformerDecoder模块权重的图神经网络基于邻接矩阵计算该原子的特征向量与其所有邻居原子的特征向量之7i,和i,分别表示当前原子与其邻居原子；W表后的原子特征矩阵和步骤S201的加入位置编码的词向量矩阵输入到TransformerDecoderN_1次的所有次结果)预测出来的药物潜在不良反应一起作为输入数据重新输入到步骤8络和TransformerDecoder以统一医学语言系统(UnifiedMedicalLanguageSystem,UMLS)ID表示的药物不良反应[0051]步骤S202中的TransformerDecoder模块由多个DecoderLayer堆叠而成，每个DecoderLayer对输入数据都做相同的操作，主要包括词向量自身的多头注意力的计算和[0052]TransformerDecoder模块一般是指Google公司在2017年提出的Transformer模解过拟合现象设置的神经元随机失活比例；以及TransformerDecoder模块中的多头注意9[0061]混合模型构建模块，用于利用基于多头注意力机制的TransformerDecoder模块对提取的待测药物活性分子的结构特征及编码后的药物不良反应通过自回归的方式不断网络和TransformerDecoder模块的[0069]词向量转化与位置编码单元，用于将UMLSID表示的药物不良反应转化为以数值[0071]归一化处理单元，用于使用Softmax函数将中间特征矩阵转化为药物潜在不良反结合图神经网络和TransformerDeco计算机程序被执行器执行时实现如上所述的基于深度学习异构网络的药物不良反应预测理器实现如上所述的基于深度学习异构网络的药物不良反应[0078]RDKIT(TheRedoxToolkit)是一个用于分析和可视化化学数据的开源化学信息干个Encoder(编码器)和Decode了一个端到端的网络表示学习方法，可以较为准确的描述药物分子的结构特征和理化性[0084]本发明将药物分子作为图数据结构处理具体是指将原子作为图数据结构中的节[0085]本发明还利用了TransformerDecoder模块强大的生成能力，结合药物分子结构特征和理化性质使用自回归预测的方式预测药物潜在的不良反应。在预测第N个不良反应[0089]图2为本发明实施例1提供的预测方法中提取待测药物活性分子的结构特征的具[0090]图3为本发明实施例1提供的预测方法中构建结合图神经网络和Transformer[0096]如图1_4所示，本实施例提供一种基于深度学习异构网络的药物不良反应预测方[0098]S101、获取待测药物活性分子的原子邻接矩阵和原子特征矩阵。具体地，使用RDKIT工具包中的方法从以InChI格式表示的待测药物活性分子数据中提取出原子对象及[0103]步骤S1获得待测药物活性分子的聚合后的原子特征矩阵的过程便是更新该药物神经网络基于邻接矩阵计算该原子的特征向量与其所有邻居原子的特征向量之间的注意i,和分别表示当前原子与其邻居原子；W表示对[0116]S2、利用基于多头注意力机制的TransformerDecoder模块对提取的待测药物活性分子的结构特征及编码后的药物不良反应词向量通过自回归的方式不断地预测生成药物潜在的不良反应；直到预测出的结果为预定义的结束词，获得结合图神经网络和[0118]将同一个待测药物的所有不良反应当做句子，将每个不良反应当做句子中的单[0119]使用Embedding技术将以UMLSID表示的药物不良反应转化为以数值表示的词向本发明TransformerDecoder模块中使用的是基于正余弦函数的位置编码方式给词向量添后的原子特征矩阵和步骤S201的加入位置编码的词向量矩阵输入到TransformerDecoder[0121]本实施例中采用的TransformerDecoder模块为Google公司在2017年提出的物潜在不良反应一起作为输入数据重新输入到步骤S202的TransformerDecoder模块中，络和TransformerDecoder解过拟合现象设置的神经元随机失活比例；以及TransformerDecoder模块中的多头注意物活性分子结构特征提取模型，并结合分子的理化性质提取待测药物活性分子的结构特[0135]混合模型构建模块12，用于利用基于多头注意力机制的TransformerDecoder模块对提取的待测药物活性分子的结构特征及编码后的药物不良反应通过自回归的方式不经网络和TransformerDecoder模块作为图数据结构中的边，构建基于嵌入权重的图神经网络的药物分子结构特征提取模型；聚合原子特征矩阵获取单元113，用于将获取的原子特征矩阵和原子邻接矩阵输入到步骤[0139]本实施例的混合模型构建模块12包括：词向量转化与位置编码单元121，用于将用Softmax函数将中间特征矩阵转化为药物潜在不良反应的概率表示，取概率最大的潜在