[发明专利]一种基于张量神经网络的药物-药物相互作用预测方法

说明书

本发明属于生物信息领域，具体涉及一种基于张量神经网络的药物‑药物相互作用(Drug‑Drug Interaction，DDI)预测方法，该方法将药物首先表示为不同的化学子结构的集合，通过构建子结构张量并建立张量神经网络模型，利用此模型求解出化学子结构‑化学子结构间的相互作用(substructure‑substructure interaction，SSI)，通过SSI来最终预测出DDI发生的概率。该方法具有可解释性高，能预测药物间相互作用的多种关系，可在冷启动条件下进行预测的特点，能有效克服以往神经网络DDI预测模型中难以解释的缺陷，有助于临床专家进行药物间相互作用反应的解释和新药物的构建。

技术领域

本发明属于生物信息技术领域，具体涉及一种基于张量神经网络的药物-药物相互作用(Drug-Drug Interaction，DDI)预测方法，尤其是基于张量分解的神经网络DDI预测方法。

背景技术

单一药物往往无法满足临床治疗的需求，一般需要使用多种药物联合治疗复杂疾病，这可能导致药物间不良反应发生，从而导致人体机能受损，因DDI引起的对人体的不良反应已经在全球范围内造成了巨大的经济损失，如何有效识别出药物间的相互作用已成为众多学者关心的热点问题。

目前，研究人员已经利用多种神经网络模型进行DDI预测，重要的模型包括卷积神经网络、图神经网络，循环神经网络等，但是，当前基于神经网络的DDI预测模型往往直接研究整个药物结构，对导致DDI发生的药物成分缺乏研究，模型的可解释性不足，使得临床专家无法根据预测结果进行分析，在实际应用中存在较大限制。研究表明，药物的特定行为往往与它的某些化学子结构相关，而不是整个药物直接作用。

目前，研究人员已经发明多种模型进行DDI预测，如DDIMDL(A multimodal deeplearning framework for predicting drug-drug interaction events)利用Jaccard相似度计算得到药物间相似度向量，将药物对的向量串联作为深度神经网络模型的输入，预测药物对间的DDI情况。GoGCN(GoGNN:graph of graphs neural network for predictingstructured entity interactions.)把药物结构和已知DDI建模在一张药物结构-药物间相互作用的双层图上，通过图神经网络训练这个双层图来进行DDI预测。这些模型的主要缺陷在于：(1)模型的可解释性不足，使得临床专家无法根据预测结果进行分析，在实际应用中存在较大限制；(2)无法预测同一对药物间的多类型相互作用。

发明内容

为了解决上述技术问题，本发明提供了一种基于张量神经网络的药物-药物相互作用预测方法。

本发明的目的是提供一种基于张量神经网络的药物-药物相互作用预测方法，包括：

根据药物子结构的划分标准，对药物所有的化学子结构及其相互作用类型构建了一个“子结构×子结构×相互作用类型”的张量ST；

依据张量ST的运算方式，对其进行CP分解，使其近似于一组秩1张量之和；

针对这些秩1张量，重构成张量的因子矩阵，并对因子矩阵构建张量神经网络模型进行训练，最终得到“子结构×子结构×相互作用类型”间的关系，从而得到DDI发生的概率。

优选的，上述基于张量神经网络的药物-药物相互作用预测方法，所述药物子结构的划分标准方法为依据Pubchem数据集划分，其中，表示数据集中所有的子结构或官能团的集合，s_i表示S中编号为i的子结构；表示数据集中所有药物的集合，d_p表示D中编号为p的药物；表示所有药物中存在的f种相互作用的类型，l_i表示L中编号为i的相互作用类型。

优选的，上述基于张量神经网络的药物-药物相互作用预测方法，张量ST的i行j列k层元素ST_ijk表示SSI_ijk发生的概率