[发明专利]一种基于交互表示学习的药物特征表示方法

权利要求书

1.一种基于交互表示学习的药物特征表示方法，其特征在于：包括以下步骤：

S1：收集药物的多尺度描述数据；

S2：提取药物的多尺度特征，包括采用异构图表示学习提取药物的宏观特征，采用分子图表示学习提取药物的微观特征；

S3：使用多尺度数据的双向循环交互学习机制，交互学习药物的多尺度特征表示。

2.根据权利要求1所述的一种基于交互表示学习的药物特征表示方法，其特征在于：所述的步骤S1中，具体步骤为：

S11：从药物数据库DrugBank中获取药物互作用数据、药物靶点数据和药物酶数据，并使用ID映射服务器将药物的靶点映射到药物数据库KEGG DRUG中，获得药物的代谢通路数据；

S12：从药物数据库BioGRID中获取药物和蛋白质相互作用的数据，将上述药物描述数据和它们之间各种类型的关系构建成异构的药物关联网络，获得药物的宏观维度数据；

S13：从药物数据库PubChem中获取每个药物分子的规范SMILES表示并进行预处理，将SMILES字符串依次转换为分子结构图和图数据结构的表示形式，采用节点和边分别表示原子和化学键，得到药物的微观维度数据。

3.根据权利要求1所述的一种基于交互表示学习的药物特征表示方法，其特征在于：所述的步骤S2中，提取药物的宏观特征的具体步骤为：

S21：构建面向异构图的表示学习模型；

设所有节点类型的集合为O，将每个节点v_i∈V划分为特定的节点类型；所有链接类型的集合为R，将每个链接e∈E划分为特定的链接类型；设描述药物的异构网络G＝(V，E)与节点类型映射函数ε：V→O和链接类型映射函数ψ：E→R相关；将药物的互作用数据、靶点、酶和代谢通路特征构建为药物的异构关联网络；

采用药物的异构图表示学习模型为每个节点学习一个特征表示即映射函数：

设|R|＞1，E_r包含属于类型r∈R的所有链接，则：

E＝∪_r∈RE_r，

将异构网络根据链接的类型划分为多个子网络：

G_r=(V，E_r)；

为每个节点在每种链接的类型上学习到统一的低维向量表示，并整合得到节点的宏观特征表示；

设节点v_i在链接类型r上的邻居节点集合为N_i，r，通过随机初始化得到每个节点在链接类型r上的初始向量表示设aggregator函数为聚合函数，用于采用包括平均、池化的方式聚合信息；update函数为更新函数；

将链接类型r上的节点v_i在链接类型r上的邻居信息聚合、更新得到第k阶向量表示为则定义更新公式如下：

经过K次迭代后，节点v_i在链接类型r上的向量表示u_i，r等价于设M为链接类型的数目，拼接节点v_i在所有链接类型上的向量表示，得到节点的特征向量表示U_i：

S22：采用基于注意力机制的图神经网络框架，通过注意力机制聚合不同类型的边的信息提取药物节点的宏观特征表示；

设w_r和W_r对于链接类型r是可训练的参数，采用自注意力机制计算节点的特征向量表示U_i中的线性组合的系数即链接类型r对节点v_i的注意力权重：

设D_r是可训练的转化矩阵，则节点v_i在链接类型r上的向量表示为：

则节点v_i在异构图上学习到药物的宏观特征表示为：