[发明专利]基于超图神经网络的药物-标靶相互作用预测方法

权利要求书

1.基于超图神经网络的药物-标靶相互作用预测方法，其特征在于，步骤如下：

步骤1、从公开数据库上搜集药物-标靶相互作用信息作为数据集；

从公开数据库中搜集大量的药物-标靶相互作用信息，形成数据集，将获得的数据集分为训练集和测试集，利用训练集中的数据构建用于建模的异质生物网络；

步骤2、对异质生物网络进行建模获得异质生物超图；

步骤3、根据步骤2中获得的异质生物超图G生成其对偶超图；

步骤4、利用超图神经网络进行药物、标靶特征提取，生成药物嵌入和标靶嵌入；

步骤5、计算药物和标靶之间相互作用的概率；

步骤6、训练超图神经网络模型。

2.根据权利要求1所述的基于超图神经网络的药物-标靶相互作用预测方法，其特征在于，步骤1具体如下：

从公开数据库中搜集大量的药物-标靶相互作用信息，形成数据集，将获得的数据集分为训练集和测试集，利用训练集中的数据构建用于建模的异质生物网络；异质生物网络G_h＝{V_h,E_h}指的是包含多种类型节点和边的生物网络，其中V_h＝{v₁,…,v_M}代表节点，E_h＝{e₁,…,e_N}代表边；令O和R分别作为节点类型和边的类型的集合，其中，O＝{药物,标靶},R＝{药物-标靶相互作用}。

3.根据权利要求2所述的基于超图神经网络的药物-标靶相互作用预测方法，其特征在于，步骤2具体如下：

为了能够分析药物和标靶之间的相互作用，捕获它们之间的高阶复杂关系,对异质生物网络进行建模获得异质生物超图G＝{V＝{v₁,…,v_M},E＝{e₁,…,e_N}}；超图不同于传统图，超图中一条边不再只能够链接两个节点，而是可以链接两个以上的节点，称为超边；采用关联矩阵代表异质生物超图中药物-标靶相互作用的高阶复杂关系，即药物为超边，与药物产生相互作用的标靶为节点，所以关联矩阵H_d-t矩阵中的一列代表由一种药物确定的一条超边；如果第i个节点与第j条超边相连，即第i个标靶与第j个药物相连，那么关联矩阵H_d-t中第i行，第j列的数据点H_d-t^i,j＝1，否则H_d-t^i,j＝0。

4.根据权利要求3所述的基于超图神经网络的药物-标靶相互作用预测方法，其特征在于，步骤3具体如下：

异质生物超图G的对偶超图G’＝{V’,E’}被用来捕获异质生物网络中的标靶-药物相互作用关系，其中V’＝E代表节点，E’＝V代表边；对偶超图的关联矩阵为H_d-t的转置，代表了标靶-药物相互作用的高阶复杂关系。

5.根据权利要求4所述的基于超图神经网络的药物-标靶相互作用预测方法，其特征在于，步骤4具体如下：

超图神经网络由超图卷积层组成，被用来提取异质生物超图及其对偶超图中的高阶复杂关系以得到药物嵌入Z_d和标靶嵌入Z_t；

其中D_d^v和D_d^e分别是异质生物超图中代表药物-标靶相互作用的高阶复杂关系的关联矩阵H_d-t中节点和超边的度矩阵；D_t^v和D_t^e分别是异质生物超图中代表标靶-药物相互作用的高阶复杂关系的关联矩阵H_t-d中节点和超边的度矩阵；节点的度矩阵第k行，第k列的数据点是第k个节点的度；超边的度矩阵第j行，第j列的数据点是第j条超边的度；W是可学习参数的权重矩阵，(·)^T是转置操作；X_d和X_t分别是药物节点特征和标靶节点特征，分别用N×N和M×M的单位阵代替；f是非线性激活函数。