[发明专利]关系预测方法、装置及电子设备

说明书

本发明实施例提供一种关系预测方法、装置及电子设备，该关系预测方法包括：分别对多个药物单属性相似性网络、多个靶标单属性相似性网络、多个疾病单属性相似性网络进行融合，得到融合药物相似性网络、融合靶标相似性网络、融合疾病相似性网络；根据融合药物相似性网络、融合靶标相似性网络、融合疾病相似性网络构建三元异质网络；对三元异质网络的网络节点进行预测，得到第一关联关系，该第一关联关系包括第一药靶关联关系、第一药病关联关系、第一靶病关联关系。以此能够充分挖掘药物‑靶标‑疾病三元关联关系信息，融合了药物、疾病和靶标多个属性的相似性网络，不会因使用单一属性带来的偏性从而影响预测结果的准确性。

技术领域

本发明涉及数据分析领域，具体而言，涉及一种关系预测方法、装置及电子设备。

背景技术

对于现有的药靶关联关系预测或者药病关联关系预测方法，只使用了药物、靶标、疾病三者中的一种单一属性数据，仅能得到二元关联关系的预测结果，数据分析较为片面，可靠性低。

发明内容

有鉴于此，本发明实施例的目的在于提供一种关系预测方法、装置及电子设备，以提供可靠、全面的预测数据。

第一方面，本发明实施例提供一种关系预测方法，所述方法包括：

分别对多个药物单属性相似性网络、多个靶标单属性相似性网络、多个疾病单属性相似性网络进行融合，得到融合药物相似性网络、融合靶标相似性网络、融合疾病相似性网络；

根据所述融合药物相似性网络、所述融合靶标相似性网络、所述融合疾病相似性网络构建三元异质网络；

对所述三元异质网络的网络节点进行预测，得到第一关联关系，所述第一关联关系包括第一药靶关联关系、第一药病关联关系、第一靶病关联关系。

通过上述方法，充分利用了多源属性数据的互补性，先得到具有多种属性的融合相似性网络，并考虑到了药物、靶标、疾病之间可能存在隐含的关系，构建了三元异质网络，对所述三元异质网络中的网络节点进行预测，挖掘药、靶、病三者之间的关系，相较于仅考虑单一属性的预测方法而言，预测分析结果更为可靠，数据更为全面。

在一个可能的设计中，在所述分别对多个药物单属性相似性网络、多个靶标单属性相似性网络、多个疾病单属性相似性网络进行融合，得到融合药物相似性网络、融合靶标相似性网络、融合疾病相似性网络之前，所述方法还包括：

根据药物、靶标、疾病各自的属性分别建立多个药物单属性相似性网络、多个靶标单属性相似性网络、多个疾病单属性相似性网络；

其中，任一药物单属性相似性网络表示为药物×药物的相似性矩阵，所述药物×药物的相似性矩阵中的值表示药物的相似性分数；任一靶标单属性相似性网络表示为靶标×靶标的相似性矩阵，所述靶标×靶标的相似性矩阵中的值表示靶标的相似性分数；任一疾病单属性相似性网络表示为疾病×疾病的相似性矩阵，所述疾病×疾病的相似性矩阵中的值表示疾病的相似性分数。

通过上述方法，提供了一种建立单属性相似性网络的可能的实现方式，能够得到所有药物两两之间的相似性、所有靶标两两之间的相似性、所有疾病两两之间的相似性。

在一个可能的设计中，所述根据药物、靶标、疾病各自的属性分别建立多个药物单属性相似性网络、多个靶标单属性相似性网络、多个疾病单属性相似性网络，包括：

对于药物，基于副作用、药物结构、物化性质、治疗属性构建四个药物单属性相似性网络；

对于靶标，基于靶标的共通路、蛋白质-蛋白质相互作用网络的拓扑距离、基因本体论、蛋白质序列构建四个靶标单属性相似性网络；

对于疾病，基于疾病的共通路、疾病本体论、症状构建三个疾病单属性相似性网络。