[发明专利]基于深度自编码和自适应融合的药物新用途预测方法

权利要求书

1.基于深度自编码和自适应融合的药物新用途预测方法，其特征在于，包括以下步骤，

步骤1：将药物化学结构数据和药物靶蛋白数据融合、降维，得到药物特征数据；

步骤2：利用药物特征数据，计算药物相似度，通过药物相似度计算药物-疾病关联预测值；

步骤3：利用药物副作用数据，计算药物相似度，通过药物相似度计算药物-疾病关联预测值；

步骤4：使用药物-疾病关联数据计算疾病相似度，通过疾病相似度计算药物-疾病关联预测值；

步骤5：分别确定步骤2-4计算的药物-疾病关联预测值的权重；

步骤6：利用确定的权重参数，融合步骤2-4计算的药物-疾病关联预测值，得到融合后的药物对疾病的预测值。

2.根据权利要求1所述的基于深度自编码和自适应融合的药物新用途预测方法，其特征在于，步骤1采用深度自编码器对药物特征数据进行融合、降维，降低数据的稀疏程度，深度自编码器包括编码单元和解码单元，编码单元包括输入层和3个构建层，均采用ReLU函数作为激活函数，解码单元包括3个采用ReLU函数作为激活函数的构建层和使用Sigmoid作为激活函数的输出层，编码单元和解码单元共用1个构建层。

3.根据权利要求1所述的基于深度自编码和自适应融合的药物新用途预测方法，其特征在于，步骤2中，计算药物的余弦相似度作为药物相似度，计算式如下

式中sim(d,d^*)表示药物d和药物d^*的相似度，分别表示药物d、药物d^*中第i个药物特征的值，n为特征维度。

4.根据权利要求3所述的基于深度自编码和自适应融合的药物新用途预测方法，其特征在于，步骤3中，计算谷本系数，得到药物相似度，计算式如下

式中sim(d,d^*)表示药物d和药物d^*的相似度，表示两种药物相同副作用的数量，I_d和分别表示两种药物分别产生的副作用数量。

5.根据权利要求4所述的基于深度自编码和自适应融合的药物新用途预测方法，其特征在于，步骤2、步骤3中，所述通过药物相似度计算药物-疾病关联预测值，计算式如下

式中表示基于数据源k计算出的药物d和疾病e之间的预测分数；NN'表示药物d和其Top-k邻居的并集；表示药物d^*和疾病e之间的关系值。

6.根据权利要求5所述的基于深度自编码和自适应融合的药物新用途预测方法，其特征在于，步骤4中，计算谷本系数，得到疾病相似度，计算式如下

式中sim(e,e^*)表示疾病e和疾病e^*的相似度，表示既可治疗疾病e又可治疗疾病e^*的药物的数量，I_e表示可治疗e的药物数量，表示可治疗疾病e^*的药物数量。

7.根据权利要求6所述的基于深度自编码和自适应融合的药物新用途预测方法，其特征在于，步骤4中，所述通过疾病相似度计算药物-疾病关联预测值，计算式如下

式中表示基于数据源k计算出的药物d和疾病e之间的预测分数，NN'表示疾病e和其Top-k邻居的并集，表示药物d和疾病e^*之间的关系值。

8.根据权利要求7所述的基于深度自编码和自适应融合的药物新用途预测方法，其特征在于，步骤5利用最优化函数求解计算药物-疾病关联预测值的权重，最优化函数如下

s.t.β_k＞0

式中β_k表示基于数据源k计算出的药物d和疾病e之间的预测分数的权重，K表示数据源的数量，{(d,e)|s_de＝1}表示在药物-疾病关联数据中药物d与疾病e之间的关联值为1的组合，{(d,e)|s_de＝0}表示值0的药物-疾病组合。

9.根据权利要求8所述的基于深度自编码和自适应融合的药物新用途预测方法，其特征在于，

步骤6中，所述融合步骤2-4计算的药物-疾病关联预测值，计算式如下

式中为融合后的药物d对疾病e预测值，β_k为基于数据源k计算出的药物d和疾病e之间的预测分数的权重，为k数据源中药物d对疾病e预测值。