CN119480149A 一种可解释多关系图神经网络的药物反应预测方法 （安徽农业大学）

一种可解释多关系图神经网络的药物反应行定义。本发明运用融入注意力机制的R_GCN模2结合原始图与预测结果生成计算图，提取待解释边邻域据为，通过DNN层对其进行特征学习，得到细胞系表征，其中，所述细胞系相似性三元组的生成过程包括：计算细胞系i和细胞系j之间的余弦相似c所述药物相似性三元组的生成过程包括：计算药物m和药物n之间的余弦相似度：所述将药物的半最大抑制浓度转化为敏感性和抗性关系，得到药物反应关系的步骤，3将细胞系表征Hc和药物表征Hd作为节点，细胞系节点集合Vc中的每个节点对应一个细sim来自自身以及通过关系r∈R与其相连的邻居节点Vj∈V的特征外，引入注意力机制计算注分别为节点i和节点j在第l层的隐藏状态，通过一个共享的线性变换Wa和激活函数;节点自身特征的线性变换权重矩阵，用于对节点i在第l层的隐藏状态进行线性变换；;4;"和"分别为节点i和节点j在第l层的隐藏状态；wg表示节点自身特系r相关的线性变换权重矩阵，用于对节点j在第l层的隐藏状态进行与关系r相关的线域图包含与待解释边在k步连接范围内的节;相关节点簇Vi和药物j的相关节点簇Vj，其中Vi包含与i有相似或间接相似关系的细胞系节j包含与j类似相关的药物节点；;5在互信息方面，通过计算和优化互信息，从信息论角度确定与;数，用于控制图大小；通过合成结构分数与互信息公式，得到最终优化目标。利用有向异质网络中的抗性边、敏感性边、;召回率用于评估模型解释对所有正确解释的覆盖程度，计算在前k个解释中正确解释;TP@k为前k个预测中的正确解释数量，FN@N表示模型总共N个6。10.根据权利要求9所述的可解释多关系图神经网络的药物反应预测方法，其特征在;7[0003]近年来，图神经网络GNNs在生物信息学领域的CDR预测任务中显示出潜力，基于[0005]本发明实施例的目的在于提供一种可解释多关系图神经网络的药物反应预测方8c所述药物相似性三元组的生成过程包括：计算药物m和药物n之间的余弦相似度：d[m]表示药物m的表征向量，Hd[n]表示药物n的表征向将细胞系表征Hc和药物表征Hd作为节点，细胞系节点集合Vc中的每个节点对应一simsim9聚合来自自身以及通过关系r∈R与其相连的邻居节点Vj∈V的特征外，引入注意力机制计分别为节点i和节点j在第l层的隐藏状态，通过一个共享的线性变换Wa和激活函数;示节点自身特征的线性变换权重矩阵，用于对节点i在第l层的隐藏状态进行线性变w"表示与关系r相关的线性变换权重矩阵，用于节点j在第l层的隐藏状态进行与;Nf表示节点i通过关系r连接的邻居节点集合；表示节点i与通过关系;于节点Vi和Vj，寻找对预测结果（i,r,j）最关键的子图Gs，互信息MI计算公式为：H(YIG=G,)=-EYC:llogp,YIG=G;)l，其中，PΦ表示预测结果Y在给定子图Gs条件;r是参与r关系的节点超参数，用于控制图大小；通过合成结构分数与互信息公式，得到最终优化目标。精确率用于衡量模型解释的准确性，计算在模型给出的前k个解释中正确解释的召回率用于评估模型解释对所有正确解释的覆盖程度，计算在前k个解释中正确解释的数量占模型所有正确解释数量的比例，计算公式为。。c所述药物相似性三元组的生成过程包括：计算药物m和药物n之间的余弦相似度：将细胞系表征Hc和药物表征Hd作为节点，细胞系节点集合Vc中的每个节点对应一simsim能够在这个网络框架内分析细胞系与药物之间的复杂关系和潜在的药物反[0032]选择R_GCN模型是因为其在处理基于多关系有向异质图的下游任务中已展现出有;w"表示与关系r相关的线性变换权重矩阵，用于节点j在第l层的隐藏状态进行与;;出潜在的细胞系与药物之间的新链接关系，为后续对药物反应预测结果的解释提供了基率为fr，则边类型的权重Wr可通过以下公式计算：,fi表示边类型集合R={r1,H(YIG=G,)=-EYC:llogp,YIG=G;)l，其中，PΦ表示预测结果Y在给定子图Gs条件下的概率分布，Φ是固定的模型参数；Enc,表示在给定子图Gs条互信息衡量了Gs与G0之间的依赖程度，值越大表示子图Gs对预测结果的解释能力越强；例s中的节点和边组合与预测结果密切相关，从而为解释提供有力依;r是参与r关系的节点超参数，用于控制图大小；通过合成结构分数与互信息公式，得到最终优化目标;精确率用于衡量模型解释的准确性，计算在模型给出的前k个解释中正确解释的召回率用于评估模型解释对所有正确解释的覆盖程度，计算在前k个解释中正确,能更全面地反映模型解释的质量，,该指标通过计算不同训练时期解释模型提[0042]综上所述，本发明可解释多关系图神经网络的药物的重要程度动态分配权重。从利用共享线性变换与激活函数计算注