[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

说明书

本发明公开了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、系统、终端及可读存储介质，该方法包括：获取药物‑药物相互作用事件、药物异质特征以及药物知识图谱；获取药物在知识图谱中的拓扑嵌入表示和药物的相似嵌入表示；将药物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，并利用样本中药物‑药物的相互作用事件进行模型训练；进而利用预测模型进行药物‑药物相互作用事件预测；即将待预测的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预测模型得到药物‑药物相互作用事件预测结果。本发明利用不同模态特征间的关联性与互补性，进而提高预测结果的准确性。

技术领域

本发明属于药物设计和医药技术领域，具体涉及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、系统、终端及可读存储介质。

背景技术

随着药物种类数量的快速增长，当服用多种药物进行疾病的治疗时，确保药物之间的安全至关重要。药物-药物相互作用(Drug and Drug Interaction，DDI)预测问题是指当多种药物同时服用的时候，由于组成药物的化合物分子的影响、药物作用的靶向蛋白、靶向通路以及不同酶的作用可能导致药物之间发生不良的相互作用，从而对患者造成不良的伤害或者巨大的医疗费用。另外，DDI还可能导致不同的生物学后果和事件。因此，准确预测DDI事件已成为一项临床重要任务，可帮助临床医生做出有效的决策并建立适当的治疗方案。另外，正确使用多种药物可以最大程度地降低患者的治疗风险和发挥药物的协同效益。

药物-药物相互作用事件来源于多种方面，包括组成药物的化合物分子的影响、药物作用的靶向蛋白、靶向通路以及酶的作用等，这些因素影响着药物之间的相互作用事件。每一种因素与药物都可以组合成一个独立的特征矩阵，将多个特征矩阵的信息聚集会提供给药物-药物相互作用事件预测任务很大的帮助。然而，由于缺乏足够的临床数据和知识，药物-药物相互作用事件的预测任务是一个严峻的挑战。因此，发现潜在药物-药物相互作用事件的研究方案在改善医疗保健和提高药物警戒性上具有深远的影响。

但是现有的方法大多数利用药物的多源特征进行独立的分析，从而导致现有方法中药物-药物相互作用预测结果的可靠性还有待进一步提高。

发明内容

本发明针对现有技术存在的问题，提供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，其分析不同模态特征间的关联性与互补性以提高DDI事件预测的准确性。

一方面，本发明提供的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，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。

本发明的技术思路为：通过构建药物知识图谱，设计图神经网络利用药物的拓扑结构和语义信息获得药物的拓扑嵌入表示；通过收集药物的异质特征，计算药物异质特征的相似性作为药物的相似嵌入表示；通过将药物的拓扑嵌入表示和相似嵌入表示进行拼接，经过多层全连接层进行多模态特征分析，进行药物-药物相互作用事件的预测。