[发明专利]基于多模态深度神经网络药物-药物相互作用事件预测

权利要求书

1.一种基于多模态深度神经网络的药物-药物相互作用事件预测方法，其特征在于：包括如下步骤：

步骤S1：获取药物数据作为样本，所述药物数据包括药物-药物相互作用事件、药物异质特征以及基于药物属性构建的药物知识图谱；

步骤S2：基于药物知识图谱获得药物在知识图谱中的拓扑嵌入表示；以及基于药物异质特征进行相似性计算得到药物的相似嵌入表示；

步骤S3：将药物在知识图谱中的拓扑嵌入表示以及药物的相似嵌入表示进行拼接融合构建药物-药物相互作用事件预测模型，并利用步骤S1中样本中药物-药物的相互作用事件进行模型训练得到药物-药物相互作用事件预测模型；

步骤S4：利用步骤S3得到的药物-药物相互作用事件预测模型进行药物-药物相互作用事件预测；

其中，将待预测的药物对中药物在知识图谱中的拓扑嵌入表示以及药物的相似嵌入表示输入所述药物-药物相互作用事件预测模型得到药物-药物相互作用事件预测结果；

若药物异质特征包括：亚结构F^s、靶标F^t和酶F^e，步骤S2中基于药物异质特征进行相似性计算得到药物的相似嵌入表示为：

其中，药物d_i的亚结构相似嵌入靶标相似嵌入和酶相似嵌入对应E^s、E^t、E^m分别为亚结构相似矩阵、靶标相似矩阵、酶相似矩阵；

所述亚结构相似矩阵、靶标相似矩阵、酶相似矩阵中的元素均是利用药物对的药物异质特征及相似值计算公式计算得到；

步骤S2中基于药物知识图谱获得药物在知识图谱中的拓扑嵌入表示的过程如下：

首先，初始化药物知识图谱中每个节点的嵌入表示，节点包括药物节点和属性节点；

然后，利用计算药物知识图谱中药物节点与属性节点的边的权重分数，公式如下：

其中，为药物节点d_i和属性节点对应边的权重分数，分别表示药物d_i和关系r_in的初始化嵌入表示，所述关系r_in表示属性节点的功能描述，⊙表示Hamada积，W₁和b₁分别表示可训练权重和偏置；

其次，根据每个邻居节点的不同权重分数计算药物节点的邻居嵌入表示：

其中N_s(d_i)表示药物d_i的采样邻居节点集合，表示药物节点d_i的邻居嵌入表示，表示药物d_i的邻居节点t_n的初始嵌入表示；

最后，药物d_i在知识图谱中的拓扑嵌入表示：

其中，表示拼接操作。

2.根据权利要求1所述的方法，其特征在于：所述药物-药物相互作用事件预测模型如下所示：

其中，表示药物d_i,d_j的药物-药物相互作用事件的预测结果，分别为药物d_i,d_j的最终嵌入表示，表示拼接操作，σ是非线性激活函数softmax，W₃,b₃为可训练权重和偏置。

3.根据权利要求1所述的方法，其特征在于：所述亚结构相似矩阵、靶标相似矩阵、酶相似矩阵中的元素均是利用Jaccard相似计算得到，其中，Jaccard相似计算公式如下：

其中，J(F_i,F_j)表示两个药物的异质特征之间的相似值，F_i,F_j分别为两个药物的异质特征。

4.根据权利要求1所述的方法，其特征在于：步骤S1中基于药物属性构建的药物知识图谱表示如下：

其中，D表示药物集合，R表示关系集合，T表示药物的属性节点集合，d,r_dt,t分别表示药物、关系以及属性节点。