[发明专利]元学习药物-靶点相互作用预测系统及预测方法

说明书

元学习药物‑靶点相互作用预测系统及预测方法，涉及药物与靶点相互作用。系统包括知识图谱构建模块、知识图谱特征获取模块和元学习药物‑靶点相互作用预测模型；知识图谱构建模块用于生成以药物和靶点为中心的知识图谱数据集；知识图谱特征获取模块用于学习药物、靶点及其邻域的特征信息；元学习药物‑靶点相互作用预测模型用于利用知识图谱嵌入模块获取的药物和靶点特征来辅助关联预测。通过将知识图谱构建模块生成的知识图谱输入至transR模型中获取节点的特征信息，选择每种关系的少量边输入至神经网络系统中预训练神经网络模型，少量要预测的关系类型的边对神经网络系统微调，学习要预测的关系类型特征信息。性能优异，高稳定，高精度。

技术领域

本发明涉及药物与靶点相互作用，涉及利用大规模知识图谱获取特征信息，尤其涉及一种基于知识图谱的元学习药物-靶点相互作用预测系统及预测方法。

背景技术

药物是预防、诊断和治疗疾病的主要手段。新药开发的成本在逐渐增加，新药上市的时间也在变长。根据Tufts Center药物开发研究中心的一项研究报告，2016年一种新药上市的成本已经达到26亿美元。靶标是特定的蛋白质分子，如受体、酶等，存在于人体组织细胞中，药物能够通过作用于特定的靶点而发挥作用，治疗相应的疾病。药物-靶点相互作用的识别与预测是药物发现过程中研究的热点，因为它在寻找新的蛋白靶向药物和发现新的药物候选药物，以及理解药物作用机制至关重要。近年来，越来越多的研究和临床结果表明，已批准的药物可以用于治疗新的适应症。通过对已批准的药物化合物的研究，扩大现有适应症，发现新的靶点，从而减少药物开发的时间、成本和风险。虽然分子医学的出现和正在进行的人类基因组计划为发现新的未知靶蛋白提供更多的机会。然而，许多药物目前具有不完整的靶蛋白。

人们利用实验方法来验证药物靶点相互作用，但实验方法来确定药物靶点相互作用是耗时和昂贵的。为大大减少药物靶标识别所需的工作和资源，也有很多计算方法被提出用来预测药物与靶点可能潜在的关联。这些计算方法虽然可行，但仍存在一定的局限性。例如,矩阵或分类方法无法获取拓扑结构信息,基于网络的方法将被不完整的网络数据所影响以及基于文本挖掘的方法将受到自然语言的歧义和文本挖掘技术的局限性。除此之外大多数计算模型通常需要整合多源数据集的药物和靶点信息，如药物的结构、性质，靶点的蛋白序列等。部分方法整合药物和靶点的关联及其他相关联系，一些方法通过构建各类关系网络，并结合有效的图嵌入方法来预测药物与疾病的相互作用。但这些方法也会受到数据集可获取的标签稀少，难以用于批量训练等方面的限制。同时当前的主流方法均只考虑到药物与靶点间的单一关系，忽略药物与靶点之间是治疗还是抑制或者间接影响的关联区别，以及药物，疾病与其他实体之间存在的潜在关联。

知识图谱是一种除包含基础的关联网络信息之外，还包含网络中节点之间存在关联的原因和路径，蕴含丰富的实体和关联信息，为探索药物与疾病的关联以及其他实体存在潜在关联提供可能。同时，图神经网络的快速发展，使得通过现实中构建的网络数据中获取节点所代表的关联信息，设计有效的方法表示节点的特征并捕获节点之间的潜在关联成为可能。但知识图谱中存在需要类型的三元组数据，有很多类型的三元组的数据信息是不完整的，那单纯的知识图谱的方法在这些只存在少量关联三元组的数据上无法获得较好的结果。元学习寻求的是从同一概念中的几个实例中快速学习并不断适应更多概念的能力，这实际上是人类非常擅长的快速增量学习。利用元学习得思想可以将全部的公共信息从可观察到的三元组转移到不完整三元组，并通过观察少数实例加速任务内的学习过程，解决知识图中较少的链接预测问题。

为更好地将网络中的拓扑信息与现实中药物相关网络的不同关联属性相结合，并解决只有少量数据类型的药物-靶点的关联预测问题，有必要提供一种基于知识图谱的元学习的药物-靶点相互作用预测系统及预测方法来解决上述问题。

发明内容