[发明专利]抗病毒药物重定位模型的训练方法、系统、装置及产品

权利要求书

1.一种抗病毒药物重定位模型的训练方法，其特征在于，包括：

通过数据库获取药物与病毒之间的关联数据；

将所述药物与病毒之间的关联数据输入至抗病毒药物重新定位架构中，所述抗病毒药物重新定位架构由若干模型组建；

构建规则模型，基于所述药物与病毒之间的关联数据获取对应的药物和病毒之间的规则，所述规则为药物和病毒之间的关联属性，并基于两个实体路径的关系序列生成所述规则，所述基于两个实体路径的关系序列生成所述规则，还包括：规则学习模块，基于所述药物与病毒之间的关联数据生成多个预设规则；规则筛选模块，基于硬阈值筛选方法和/或软阈值筛选方法筛选出最有用的预设规则，所述预设规则是基于卡方目标函数、线性回归函数和Sigmoid函数对多个规则进行多任务学习，从而获取规则中的有用信息得到的；

构建预测模型，基于所述关联数据和药物与病毒之间的权重生成抗病毒药物的预测分数，并基于所述预测分数对药物抗病毒可能性进行分析，其中，所述药物与病毒之间的权重是基于所述药物和病毒之间的关联属性得到的；

构建多任务学习模型，协同训练所述规则模型和所述预测模型并使所述规则模型和所述预测模型共享权重，以获取最优权重；

将病毒数据和药物数据传送至所述抗病毒药物重新定位架构中，以完成所述抗病毒药物重定位模型的训练；

其中，所述预测模型包括：

输入层，所述输入层用于获取所述病毒数据和所述药物数据；

隐藏层，所述隐藏层基于所述病毒数据和所述药物数据生成向量；

输出层，所述输出层基于所述隐藏层的输出函数、所述向量、所述药物和病毒之间的权重生成所述抗病毒药物的预测分数。

2.根据权利要求1所述的方法，其特征在于，所述输入层用于获取所述病毒数据和所述药物数据，具体为：病毒转录组表达谱和病毒转录组表达谱。

3.根据权利要求1所述的方法，其特征在于，所述药物与病毒之间的关联数据，还包括以下一种或者多种：药物和病毒知识图谱数据、病毒和药物转录组表达谱数据。

4.根据权利要求1所述的方法，其特征在于，通过数据库获取药物与病毒之间的关联数据之前，还包括：

基于PubMed、EMBASE、Wiley、药物数据库，构建药物和靶标关联关系、病毒和药物关联关系、病毒和宿主蛋白关联关系、蛋白质和蛋白质关联关系、病毒和病毒家族关联关系，以生成药物与病毒之间的关联数据。

5.一种抗病毒药物重定位模型的训练系统，其特征在于，所述系统包括：

获取模块，被配置用于通过数据库获取药物与病毒之间的关联数据；

输入模块，被配置用于将所述药物与病毒之间的关联数据输入至抗病毒药物重新定位架构中，所述抗病毒药物重新定位架构由若干模型组建；

构建规则模型模块，被配置用于基于所述药物与病毒之间的关联数据获取对应的药物和病毒之间的规则，所述规则为药物和病毒之间的关联属性，并基于两个实体路径的关系序列生成所述规则，基于两个实体路径的关系序列生成所述规则，还包括：规则学习模块，基于所述药物与病毒之间的关联数据生成多个预设规则；规则筛选模块，基于硬阈值筛选方法和/或软阈值筛选方法筛选出最有用的预设规则，所述预设规则是基于卡方目标函数、线性回归函数和Sigmoid函数对多个规则进行多任务学习，从而获取规则中的有用信息得到的；

构建预测模型模块，被配置用于基于所述关联数据和药物与病毒之间的权重生成抗病毒药物的预测分数，并基于所述预测分数对药物抗病毒可能性进行分析，其中，所述药物与病毒之间的权重是基于所述药物和病毒之间的关联属性得到的；

多任务学习模块，被配置用于协同训练所述规则模型和所述预测模型并使所述规则模型和所述预测模型共享权重，以获取最优权重；

训练模块，被配置用于将病毒数据和药物数据传送至所述抗病毒药物重新定位架构中，以完成所述抗病毒药物重定位模型的训练；

其中，所述预测模型包括：

输入层，所述输入层用于获取所述病毒数据和所述药物数据；

隐藏层，所述隐藏层基于所述病毒数据和所述药物数据生成向量；

输出层，所述输出层基于所述隐藏层的输出函数、所述向量、所述药物和病毒之间的权重生成所述抗病毒药物的预测分数。