[发明专利]一种基于深度学习的药物互作规则预测方法

权利要求书

1.一种基于深度学习的药物互作规则预测方法，该方法基于大数据的智能学习方法，通过学习药物结构的特征来捕获其与相互作用间的关系，其特征在于，包括如下步骤：

步骤S1、获取到已知的药物-药物相互作用对及其相互作用规则的自然语言描述，建立药物互作与互作规则间的药物互作-互作规则类别标签的数据集；

步骤S2、预处理输入药物对的分子结构SMILES，并分别将分子结构处理成矩阵作为共享网络的输入；

步骤S3、利用图卷积层，注意力池化，全连接层，批归一化，激活函数为ReLu，决策函数SoftMax和孪生网络结构构建权重共享的图卷积神经深度网络GCNN；

步骤S4、将步骤S2中处理好的药物对分子分别输入到权重共享的GCNN中，通过若干轮的迭代训练，获得网络模型的权重参数；

步骤S5、使用步骤S4中训练好的GCNN模型，输入需要预测的药物对，待模型提取到药物对的结构特征后，通过决策函数输出药物对所对应的相互作用规则类别；

所述步骤S3的GCNN的建立中，池化方式采用注意力池化的方法，包括三层图卷积层以及三层全连接层，注意力池化定义为：

P＝tanh(A^TWB)

[a_A]_i＝max_1≤j≤LbP_i,j及[a_B]_i＝max_1≤j≤LaP_i,j

rA＝P×softmax(a_A)及rB＝P×softmax(a_B)

其中，A和B分别是药物对中两个药物通过权重共享的GCNN所提取的特征矩阵，P是A，B矩阵间的作用的注意力对齐矩阵，a_A和a_B分别对P做行和列的最大池化，最后通过SoftMax函数得到药物对间的注意力权重rA，rB；

所述步骤S4中GCNN训练过程中，使用预处理好的训练样本作为输入进行有监督的模型训练，通过反向传播更新权重，通过图形处理器GPU进行模型推理，在模型过程中采用五倍交叉验证帮助调整超参数及验证模型稳定性；预处理好的测试样本输入网络对网络性能进行测试；模型优化的目标函数为多分类交叉熵，其定义为：

L_i＝-∑_it_i,jlog(p_i,j)

其中，p为预测值，t为真实值，i为数据点，j为数据所属的类别，L为损失值。

2.根据权利要求1所述的一种基于深度学习的药物互作规则预测方法，其特征在于，所述步骤S1具体实现过程为：从现有的知识数据中提取药物-药物互作的对应的药物分子名称和结构以及其互作规则，将提取到的药物互作规则分为141类作为药物相互作用的训练及预测标签；同时建立药物对-规则标签的对应关系并构建数据集；数据集分为训练集和测试集两类。

3.根据权利要求1所述的一种基于深度学习的药物互作规则预测方法，其特征在于，所述步骤S2具体实现过程为：共享网络模型有两个输入，即药物对，其中两个输入的形式是两种药物分子的分子线性输入规范，即分子结构SMILES，共享网络模型会自动对输入的分子结构SMILES进行拓扑结构的提取，将其转换成一个65×62的矩阵。