CN119446314A 一种基于多通道特征融合的药物-药物相互作用预测方法 （成都信息工程大学）

一种基于多通道特征融合的药物-药物相互本发明公开了一种基于多通道特征融合的药物药物相互作用预测方法，利用药物数据的分子指纹有效结合，然后使用KAN神经网络实现高效准确的DDI预测。本方法高效的整合药物多融合的药物药物反应预测；本发明提出的MCFDDI模型在可解释实验和对比实验中展现出了卓22.根据权利要求1所述的基于多通道特征融合S2_A6、对所有层子结构的注意力权重分数进行归3.根据权利要求2所述的基于多通道特征融;所述步骤S2_A4，药物分子图池化特征g'表示为：;;3;式中，表示第t层的经过处理后节点a和节点b之间的键级特征表示，softmax(')表;4.根据权利要求1所述的基于多通道特征融合的药物_药在所述分子指纹特征提取通道中，通过一维卷积网络取所述药5.根据权利要求4所述的基于多通道特征融;;;4;S2C1、采用Morgan指纹提取药物分子结构特征，然S2C4、将基于分子子结构的相似度矩阵和基于药物靶点的相似性特征矩阵进行拼;;n7(ci=⃞lci-1=)5;6解决数据的不可扩展性问题。药物分子结构特征可以用相应的简化分子输入行输入系统为适合输入图神经网络(graphneuralnetworks,gnn)的分子图。目前基于gnn的方法大7[0006]许多研究人员现在倾向于采用集成多模态或多视角特征的DDI预测方法来解决这意机制将不同模态的特征进行融合。最近的相关研究也证明了这些方法的效率和准确性，前还没有模型能够同时解决局部和全局分子特征的整合以及药物分子之间潜在的关系信互作用预测方法解决了现有相关方法中不能有效整合局部和全局分子特征以及药物分子[0011]所述药物药物反应预测模型包括依次连接特征提取模块、特征融合模块以及预8[0020]S2_A6、对所有层子结构的注意力权重分数进行归一化处理，并结合图神经网络softmax(')表示softmax激活函数，T表示子结构的网络层数；[0038]在所述分子指纹特征提取通道中，通过一维卷积网络取9[0044]unr=半+1[0061]所述步骤S2_C2中，在所述Node2Vec算法中采用随机游走策略平衡BFS和DFS的采n7(ci=⃞lci-1=)[0079]本发明实施例提供一种基于多通道特征融合的药物_药物相互作用预测方法，如有86种不同的DDI类型。DrugBank基准数据集参照GMPNN_cs中的方法生成负样本。由于[0094]S2_A6、对所有层子结构的注意力权重分数进行归一化处理，并结合图神经网络()表示池化层，t表示当前的GNN层数，表示GNN当前层t中所有softmax(')表示softmax激活函数，T表示子结构的网络层数；[0113]在所述分子指纹特征提取通道中，通过一维卷积网络取[0119]unr=半+1性矩阵特征提取通道基于药物分子结构和靶点两种性质来提取所述药物相似性特征矩阵，n7(ci=⃞lci-1=)[0147]多头注意力机制通过引入多个独立的注意力头来并行地wf和分别代表三个自适应权重矩阵，ie{1,2,…,h}代表当前头。学习组合结构（外部自由度还可以很好地逼近单变量函数（内部自由度因此不仅能够[0160]p(x)=b(x)wp+spline(x)ws[0167]其中，ni代表第i层节点的数量。用(l,i)表示第l层的第i个神经元，并用表示(l,i)神经元的激活值。在第l层和第l+1层之间，有个激活函数。第(l+1,j)个神经元的激活值是所有传入后激活的总和：[0169]l=0,…,L-1,i=1,…,n,j=1,…,nr1[0178]其中，Y代表样本的总数。yi代表DX和D,之间是否产生药物_药物反应的真实标图结构的DDI预测方法。GMPNN_CS从药物的分子图表示中学习不同大小和形状的化学子结精细表示学习模型，通过提高决定药物性质的子结构特征的鲁棒性，从而提升DDI预测性反映了模型在正例和负例的分类准确性和完整性。AUROC适用于类平衡数据集，而AUPRO体现了模型在不平衡数据集上的泛化能力。六种评价指标的数值越高，越能体现模型的优越标的平均值与标准差。[0186]本发明使用了DrugBank、ZhangDDI和ChCh_Miner基准数据集来评估实验一中设作为最后的结果。将DrugBank中所有的原始数据视为阳性样本，采用GMPNN中的负采样策好的结果以粗体显示。从表中可以看出，MCF_DDI在不同数据集和不同指标上均有一定提升，证明了其相较于其他模型在性能上的优势。具体而言，在ChCh_Mine、ZhangDDI和了MCF_DDI在不同大小数据集上的优异表现，归因于多通道融合了分子间子结构的局部信示了MCF_DDI在DrugBank基准数据集中这两种设置下的性能表现。采用五折交叉验证的方[0210]通过比较这些变体模型与原始的MCF_DDI模型，可以分析每个模块对模型整体性基团可以与这些氮原子通过氢键进行相互作用，可能会增强或修改美托洛尔与β受体的结注到的子结构确实对DDI的预测起到了良好的[0214]总的来说，我们对MCF_DDI模型在子结构特征提取及其可解释性方面的表现进行我们期待MCF_DDI模型在药物相互作用研究领域发挥更大的作用，为人类健康事业做出更于这十对药物，我们使用药物反应检查工具D(/)和DrugBank(/interax/multi_search)去找到能够支持他们的证