[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

说明书

本发明公开了基于深度自编码和自适应融合的药物新用途预测方法，包括：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；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；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；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；分别确定计算的药物‑疾病关联预测值的权重；融合计算的药物‑疾病关联预测值，得到融合后的药物对疾病的预测值。本发明融合分别基于药物相似度、疾病相似度计算得到的药物‑疾病关联预测值，得到融合后的药物对疾病的预测值，提高了预测结果的准确度。

技术领域

本发明属于药物用途预测领域，具体涉及一种基于深度自编码和自适应融合的药物新用途预测方法。

背景技术

药物重定位，又称“老药新用”，是指寻找已有适应症药物的新用途。药物重定位因其能有效减少新药研制的成本和时间而受到了国内外学者的广泛关注。目前，药物重新定位有五种典型的计算方法：(1)根据药物的化学结构预测新药适应症；(2)从蛋白质靶标相互作用网络推断药物适应症；(3)根据副作用的相似性确定药物之间的关系；(4)分析药物治疗后的基因表达以推断新的适应症；(5)使用分子对接建立背景化学-蛋白质相互作用组。这些方法仅专注于药物活性的不同方面，因此导致其预测存在偏差，而且这些方法容易受药物信息源中的噪声的影响。针对这些问题，Li和Lu等人开发了一种方法，通过探索相似药物的化学特征和二部图增强的分子特征来挖掘潜在的新药适应症。Gottlieb等人开发了一种称为PREDICT的方法，该方法通过化学结构、副作用和药物靶标的相似性来衡量药物的成对相似性，然后将这些计算出的相似性用作逻辑回归分类器的特征，以预测药物与疾病之间的新型关联。罗等人介绍了一种Bi-Random walk方法来实现基于综合相似性度量的药物重新定位。这种方法在多数据源融合中缺乏灵活性。

发明内容

本发明的目的是针对上述问题，提供一种基于深度自编码和自适应融合的药物新用途预测方法，先使用深度自编码器对药物特征数据降维，再分别利用药物特征数据、药物副作用数据计算药物相似度并计算得到药物-疾病关联预测值，利用药物-疾病关联数据计算疾病相似度并计算得到药物-疾病关联预测值，然后融合得到药物对疾病的预测值，以避免单一的基于药物相似度或疾病相似度计算得到药物预测结果的偏差问题和多源数据融合预测效率低的问题。

本发明的技术方案是基于深度自编码和自适应融合的药物新用途预测方法，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。

优选地，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。

优选地，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