[发明专利]一种基于深度学习的药物互作规则预测方法

说明书

本发明涉及一种基于深度学习的药物互作规则预测方法。使用大量具有药物互作规则的药物对标签训练基于图卷积以及全连的深度学习网络。网络首先训练三层权重共享的图卷积(GCNN)以及注意力池化来提取到输入药物对的高纬度特征，然后通过三层全连接(FN)神经网络进行进一步特征提取，最后通过一个多分类函数进行药物互作规则的预测。将训练好的网络应用到当前需要预测的药物对，在决策层即可获得输入药物对的互作结果。本发明中的网络可以有效地识别115种药物相互作用规则，不仅可以在药物发现过程中对候选分子可能药物互作的预测，而且同时可以指导合理地用药，促进用药安全。

技术领域

本发明属于计算机视觉以及自然语言处理，药物设计和医药领域，具体涉及一种基于深度学习的药物互作规则预测方法。

背景技术

药物相互作用的识别和预测有助于用药安全以及药物研发，药物互作和药物不良反应的发生密切相关，此外药物互作也是致使药物在研发过程失败的一大重要因素。目前主要使用两种策略来预测药物互作，一种是实验鉴定，另一种是计算的方法挖掘。前者主要专注于生物学和临床的实验来确定药物间互作，但是这种鉴定方式非常耗时耗力，而且还不能鉴定出所有的药物间的互作。对于计算机预测识别的方式，近些年由于得益于大数据挖掘以及机器学习算法的提升，其在药物特征提取及副作用预测方面得到了很好地应用。此外，对于大数据的处理，采用机器学习中深度学习的方式，相比于其它机器学习方法(如逻辑回归，随机森林等),深度学习更能高效并且自动提取药物的特征(如代谢，结构，基因等)。

深度学习在不同领域也得到了很好的应用，针对不同的领域，有其对应的先进的算法，如卷积神经网络应用于图像处理领域，长短期记忆网络应用于自然语言处理领域。对于图像处理领域，卷积神经网络算法也在不断的进行优化，特别是在处理不规则的图结构(如分子结构，社交网络等)时,也提出了针对不规则图的卷积算法以实现更好的预测性能。

由于药物或化学物质的结构可以被理解成图的结构，因此研究化学结构和其性质的关系特别适合用图神经网络进行处理，可以提升其预测性能。此外在目前预测药物互作的模型，大多都结合了药物的各种性质(如代谢数据，表型数据，副作用数据等)，但这些数据在大多数情况下时不可准确获得的。但是对于药物或者化学物质的化学结构，其有很好的易得性。因此本发明正是利用图卷积神经网络以及药物化学结构来实现对药物互作规则的识别的目的。

发明内容

本发明的目的在于提供一种基于深度学习的药物互作规则预测方法，结合孪生神经网络，图卷积神经网络，注意力机制，提高了模型的预测性能以及模型的鲁棒性，并且模型具有可解释性。

为实现上述目的，本发明的技术方案是：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，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函数，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。