[发明专利]基于非负张量分解的药物-药物相互作用预测方法及系统

说明书

本发明公开了一种基于非负张量分解的药物‑药物相互作用预测方法及系统，属于计算机辅助药物研究技术领域。该预测方法包括以下步骤：获取药理类型药物‑药物相互作用的网络数据、药物特征以及新药物特征；利用基于核函数的主成分分析方法对药物特征和新药物特征进行降维；通过非负张量分解方法构建训练模型，得到药物的潜在空间特征；根据降维后的新药物特征以及药物的潜在空间特征，得到新药物的潜在空间特征，并通过非负张量分解方法构建预测模型，得到新药物潜在的药理类型药物‑药物相互作用的预测得分。本发明提供的预测方法的整个过程快速简捷便利，其消耗较少的时间便可达到很好的预测效果，能够适用不同规模的社交网络和生物信息网络。

技术领域

本发明涉及计算机辅助药物研究技术领域，具体是一种基于非负张量分解的药物-药物相互作用预测方法及系统。

背景技术

在同时使用多种药物的情况下，每种药物的药效作用可能彼此并不独立的，不同药物之间在药代动力学(Pharmacokinetic，PK)或药效动力学(Pharmacodynamic，PD)行为方面会相互影响，这种影响被称为药物-药物相互作用(Drug-Drug Interaction，DDI)。药物与药物之间产生的相互作用可能引发药物不良反应，继而导致复杂疾病治疗失败。因此，在开具复合药物处方之前识别DDI具有非常重要的意义。

然而，传统的DDI识别方法依赖于临床鉴定，通常需要消耗大量的金钱和时间。虽然，现有的计算方法利用药物特性(例如，化学结构等)能够大规模地预测潜在的DDI；但是，现有计算方法只能预测“有或无”DDI，故至少还存在如下不足：其一，不能预测包含药理类型(PK类型和PD类型)的DDI、药理类型DDI发生在药代动力学和/或药效动力学层次；其二、无法解释两种药物产生相互作用的原因；其三、不能为新开发的药物预测DDI。

发明内容

本发明的目的在于提供基于非负张量分解的药物-药物相互作用预测方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明实施例提供如下技术方案：

一种基于非负张量分解的药物-药物相互作用预测方法，包括以下步骤：

获取药理类型药物-药物相互作用的网络数据、药物特征以及新药物特征；

利用基于核函数的主成分分析方法对药物特征和新药物特征进行降维；

根据药理类型药物-药物相互作用的网络数据以及降维后的药物特征，通过非负张量分解方法构建训练模型，得到药物的潜在空间特征；

根据降维后的新药物特征以及药物的潜在空间特征，得到新药物的潜在空间特征，并通过非负张量分解方法构建预测模型，得到新药物潜在的药理类型药物-药物相互作用的预测得分。

本发明实施例提供的一种优选方案，所述的步骤中，降维后的药物特征与药物的潜在空间特征之间通过偏最小二乘法回归方法进行关联。

本发明实施例提供的另一种优选方案，所述的步骤中，根据降维后的新药物特征以及药物的潜在空间特征，通过偏最小二乘法回归映射得到新药物的潜在空间特征。

本发明实施例提供的另一种优选方案，所述的步骤中，在构建训练模型过程中存在两个可调参数，两个可调参数分别为张量分解的潜在空间因子数量以及偏最小二乘法回归的潜在因子数量。

本发明实施例提供的另一种优选方案，所述的预测方法还包括以下步骤：

利用接收器工作特征曲线下面积(Area under the receiver operatingcharacteristic curve，AUROC)和精确召回曲线下面积(Area under the precise recallcurve，AUPR)对预测得分进行性能评估。

本发明实施例还提供了一种基于非负张量分解的药物-药物相互作用预测系统，其包括：