[发明专利]基于知识图谱的药物靶标作用深度学习预测系统、计算机设备、存储介质

权利要求书

1.一种基于知识图谱的药物靶标作用深度学习预测系统包括四部分：药物靶标知识图谱的构建、药物靶标知识图谱的嵌入表达、药物靶标知识图谱的特征提取、药物靶标相互作用的预测。

2.如权利要求1所述的系统，其特征在于，所述系统总体流程包括：首先，处理药物靶标数据，构建药物靶标知识图谱；其次，通过对药物靶标知识图谱的嵌入表达得到药物、靶标实体的向量表示；然后利用卷积神经网络提取药物-靶标的特征；最后，将卷积神经网络提取的药物-靶标特征输入到全连接神经网络进行回归和分类并预测药物-靶标相互作用的概率。

3.如权利要求2所述的系统，其特征在于，所述区域处理药物靶标数据，构建药物靶标知识图谱的步骤具体包括：提取药物靶标的标识符，已知药物靶标之间存在相互作用表示为”Drug X has Target Y”，并通过已知相互作用的药物靶标对构建知识图谱。

4.如权利要求2所述的系统，其特征在于，所述区域通过对药物靶标知识图谱嵌入表达，得到药物靶标数据的向量表示，具体实现步骤包括将生成的药物-靶标知识图谱作为输入，通过知识图谱的嵌入表达得到药物靶标实体的向量表示，药物靶标知识图谱所采用的嵌入表达方式为DistMult，提取到的药物靶标实体的向量维度都是200维。

5.如权利要求2所述的系统，其特征在于，所述区域利用卷积神经网络提取药物-靶标特征，还包括，首先将药物靶标向量拼接在一起，拼接后的输入向量维度为400，然后输入到卷积神经网络并提取药物靶标的特征。这里的卷积神经网络类似于Inception模型，有两个通路，这两个通路有相同的一维卷积神经网络结构，命名为Conv-Conv，每一个通路的Conv结构中都有一维卷积神经网络、批归一化、最大池化层以及为了避免过拟合设置的dropout层。

6.如权利要求1所述的系统，其特征在于，所述区域药物靶标相互作用的预测，还包括将卷积神经网络提取到的特征作为输入，通过全连接层神经网络预测药物靶标之间的相互作用关系，得到药物靶标之间的预测分数。并通过设置阈值的方式，对药物靶标相互作用关系进行二分类，在这里所选用的阈值时0.5，大于阈值，标签设置为1，小于阈值标签设置为0，通过反向传播的方式更新模型中的参数。使用二元交叉熵作为模型的损失函数，学习率设置为1e-3,并使用Adagrad作为优化器优化模型。

7.一种计算机设备，包括存储器、显卡、中央处理器以及存储在所述存储器上的可被所述中央处理器以及显卡并行处理的可执行程序，其特征在于，所述中央处理器和显卡执行所述程序时实现以下步骤：构建药物靶标知识图谱，提取知识图谱的特征并获取药物、靶标的实体的向量表示；将药物靶标对实体的向量拼接起来，通过卷积神经网络模型提取药物靶点特征，参照Inception网络模型，包括两个通路的卷积神经网络；最终将卷积神经网络提取的药物靶标特征输入到全连接神经网络模型中，预测药物靶标之间的相互作用，并得到药物靶标预测分数。

8.如权利要求7所述的计算机设备，其特征在于，卷积神经网络模型将药物靶标拼接的向量作为输入，知识图谱嵌入表达得到的实体向量都表示为200维的，药物靶标向量拼接在一起是400维，然后通过通道数为2的卷积神经网络模型进一步提取特征。将卷积神经网络提取到的药物靶标特征作为全连接层神经网络的输入，并通过全连接层神经网络预测药物靶标之间的相互作用关系。

9.一种存储介质，其存储有计算机程序，其特征在于，当所述计算机程序被中央处理器执行时实现以下步骤：构建药物靶标知识图谱，提取知识图谱的特征并获取药物、靶标的实体的向量表示；将药物靶标对实体的向量拼接起来，通过卷积神经网络模型提取药物靶点特征，参照Inception网络模型，包括两个通路的卷积神经网络；最终将卷积神经网络提取的药物靶标特征输入到全连接神经网络模型中，预测药物靶标之间的相互作用，并得到药物靶标预测分数。