[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

说明书

本发明属于计算机生物信息学领域，公开了一种基于深度学习多源异构网络的药物重定位方法。本发明包括步骤：使用随机游走方法，得到概率共生矩阵数据集；利用移位正点互信息(PPMI)矩阵方法计算数据集；利用计算所得的多源数据集对图卷积编码器模型进行训练，获得药物信息的低维嵌入表示作为变分自编码器的输入数据进行参数训练，将训练好的模型结合已知的药物疾病关联矩阵做最终的药物重定位预测。本发明避免了传统特征提取方法的局限，如：高度依赖于医护人员的经提取出有区分性的高质量特征，也往往存在一定的困难，而且准确率低，本发明借助于图卷积编码器模型和变分自编码器网络模型，实现高精度的药物重定位预测。

技术领域：

本发明属于计算机生物信息网络嵌入及机器学习技术领域，涉及多源异构网络的药物重定位方法，特别涉及一种基于深度学习的多源异构网络的药物重定位方法。

背景技术：

新药开发是一个极其耗时费力的高风险过程。充分发掘已有药物的新用途、对药物进行重定位，一直受到生物医药产业的广泛重视。如何从大量尚未被证实的关系对中发现具有潜在治疗关系的药物－疾病，是药物重定位问题的研究焦点。借助机器学习模型，从已有的药物和疾病的关联关系出发，分析整合药物信息，可以提高潜在的药物疾病关系对的富集程度，以降低预测的假阳性率。

在过去的几年中，出现了一系列基于图的卷积网络模型，用于计算节点和链路的信息潜在特征表示。国内外研究者对基于生物医学数据的网络嵌入技术进行了大量的研究工作，并取得了一系列重要的研究成果。其中，所采用的研究方法可以分为两类：一类为基于人工特征提取的传统机器学习算法，另一类为基于深度学习的方法。例如，Kipf和Welling提出了一种新的基于节点特征及其连接的图卷积网络(GraphCNN)，可用于节点分类。

自编码器是一种神经网络架构，能够发现数据中的结构，以便开发输入的压缩表示。一般自编码器架构的许多不同变种，其目标是确保压缩表征表示原始数据输入的有意义的属性。自编码器学习如何根据训练期间从数据中发现的属性(即，输入特征向量之间的相关性)来压缩数据，所以这些模型通常能够重构与训练中观察到的模型相似的数据。

深度神经网络模型在网络嵌入上取得的成功，鼓舞了越来越多的学者利用深度学习模型解决药物重定位问题。一方面，深度学习能够自动从多源异构网络中学习特征，避免了传统机器学习算法中人工设计、提取特征的复杂性和局限性，另一方面，深度神经网络在自然语言处理、物体识别、图像分类识别等领域获得了广泛应用，为深度神经网络在药物重定位中的应用奠定基础。

针对药物信息数据样本不平衡的问题，本发明提供一种基于深度学习多源异构网络的药物重定位方法，为避免传统特征提取方法的局限，如：高度依赖于医护人员的经验知识、带有很强主观性，耗费大量的时间和精力完成，提取出有区分性的高质量特征也往往存在一定的困难，而且准确率低，本发明借助于图卷积编码器模型和变分自编码器神经网络，自动学习多源异构的药物低维网络特征，完成药物-疾病关联预测的药物重定位工作。

发明内容：

针对如何有效的融合和平衡多种异构信息来进行药物疾病链接预测的问题，本发明提供一种基于深度神经网络的药物重定位方法，为了实现本发明的目的，通过以下技术方案来实现：

一种基于深度学习多源异构网络的药物重定位方法，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；