[发明专利]一种基于深度学习多源异构网络的药物重定位方法

权利要求书

1.一种基于深度学习多源异构网络的药物重定位方法，其特征在于，包括以下步骤：

步骤一：基于随机游走方法计算多源异构网络的拓扑结构信息，包括以下步骤：

1.1.输入多源异构数据集D＝[D₁,D₂,…,D₉]，其中，D表示和药物相关的多源异构数据集，D1,D2,D3,…,D9分别表示药物-药物相互作用矩阵，药物-靶标相互作用矩阵，药物-副作用关联矩阵以及6种药物相似性矩阵；

1.2.基于随机游走方法，分别计算并捕获D中数据集的网络结构信息并描述每种药物的拓扑上下文，得到每个矩阵的概率共现矩阵集合C＝[C₁,C₂,C₃…C₉]，C表示概率共现矩阵的集合，C1,C2,C3,…,C9分别表示步骤1.1中的输入数据集D的概率共现矩阵，其中概率共现矩阵的计算公式为：

C_i,k＝wC_i,k-1A+(1-w)D_i

其中C_i,k表示概率共现矩阵集合C中每个矩阵C_i的第k轮迭代结果，D_i表示步骤1.1中的输入数据集合D中的原始01矩阵，w表示概率，A表示原始邻接矩阵；

1.3.将1.2步骤获得的概率共现矩阵集合C作为输入，分别计算集合中每个概率共现矩阵的移位正点互信息矩阵PPMI,其中PPMI矩阵的计算公式为:

其中C为步骤1.2中获得的概率共现矩阵，C(i,j)表示概率共现矩阵C中第i行，第j列的数据，Nr和Nc分别表示矩阵的行数和列数，求得的负数值设置为0；

步骤二：利用步骤一生成的多源异构数据的互信息矩阵PPMI数据集对图卷积编码器神经网络进行训练，其中，图卷积编码器神经网络包括四个图卷积层、四个sigmoid层和一个拼接层，且网络顺序为图卷积层、sigmoid层、图卷积层、sigmoid层、拼接层、图卷积层、sigmoid层、图卷积层、sigmoid层；每个图卷积层的维度分别为500，100，500，1519，每个拼接层维度为9*100；

步骤三：将交叉熵损失函数作为图卷积编码器神经网络的损失函数，并结合BP算法更新网络参数，使得网络随着训练的进行，网络输出越来越接近正确输入数据， 其中，损失函数为：Loss＝-∑_kt_k*log y_k，其中，k表示输入到图卷积编码器神经网络的药物关联数据，log表示以e为底数的自然对数，y_k是模型的输出，t_k是输入到图卷积编码器模型的药物关联矩阵的正确标签；训练完成后保留输出模型的第二层图卷积层的药物特征矩阵作为步骤四的输入数据；

步骤四：利用步骤三的训练后的药物特征矩阵和已知的药物-疾病关联矩阵作为输入，对变分自编码器模型进行训练，其中，变分自编码器模型神经网络包括六个全连接层，四个Relu层，一个sigmoid层，且网络顺序为全连接层、Relu层、全连接层、Relu层、两个全连接层分别计算均值和方差、全连接层、Relu层、全连接层、Relu层、sigmoid层；

步骤五：将高斯平方差损失函数，交叉熵损失函数以及计算高斯分布的KL散度作为变分自编码器神经网络的损失函数，并结合BP算法更新网络参数，使得网络随着训练的进行，网络输出越来越接近正确输入数据，其中，变分自编码器的损失函数为：

其中，y_j和x_j是模型的输出，L表示样本中随机抽取的样本数，和表示计算随机样本L中每个样本的满足高斯分布的数据，m表示y的维度，d表示x的维度，μ_j和σ_j表示变分自编码器两个全连接层分别计算均值和方差，p_θ表示满足u_j和z_j情况下，y_j和x_j的后验概率。