[发明专利]一种基于多模态网络和宽度学习的药物相互作用预测方法

权利要求书

1.一种基于多模态网络和宽度学习的药物相互作用预测方法，其特征在于，利用药物相互作用预测模型对药物相互作用进行预测，该药物相互作用预测模型包括输入层、嵌入层以及宽度学习层，预测的过程包括：

在输入层中，获取药物的多模态特征信息，并求取各个模态下的药物交互图；

在嵌入层中，通过图注意力网络学习药物在不同模态下的特征；

在宽度学习层中，利用宽度学习系统进行多模态特征融合，并通过融合后的药物多模态特征来预测每个药物对之间存在相互作用的概率。

2.根据权利要求1所述的一种基于多模态网络和宽度学习的药物相互作用预测方法，其特征在于，获取药物的多模态特征信息，并求取各个模态下的药物交互图，包括：

从drugbank和KEGG数据库中获取药物的化学亚结构、靶点、酶和通路模态特征信息；

求取化学亚结构、靶点、酶和通路模态下的药物交互图G_s、G_t、G_e、G_p。

3.根据权利要求2所述的一种基于多模态网络和宽度学习的药物相互作用预测方法，其特征在于，求取化学亚结构模态下的药物交互图G_s，包括：

通过以下公式计算药物在化学亚结构模态下的相似度矩阵S_s：

其中，F_s表示药物对应的化学亚结构的二元特征向量；M₁₁表示两种药物特征向量中对应位置的值均为1的元素总数，M₀₁表示两个特征向量中对应位置在F_su中的值为0且在F_sv中的值为1；M₁₀表示两个特征向量中对应位置在F_su中的值为1且在F_sv中的值为0；

根据相似度矩阵，得到在化学亚结构模态下的药物交互图G_s：

其中，N_v和N_u分别表示药物v和u的邻居节点集合。

4.根据权利要求2或3所述的一种基于多模态网络和宽度学习的药物相互作用预测方法，其特征在于，通过图注意力网络学习药物在化学亚结构模态下的特征表示，包括：

设第l层输入和输出的药物分子特征为h_i和h_i′；

先将l层输入的特征经过一个参数共享的线性变换，设其权重矩阵W；

然后，在交互图G_s中对每个节点都是用注意力机制attention来计算其他节点与该节点之间的注意力分数：

e_ij表示药物j对药物i的重要性；

接着，使用softmax归一化注意力权重，LeakyReLU激活函数进行非线性化，并使用注意力权重聚合邻节点特征，计算注意力系数：

其中，a表示注意力网络的权重向量；

计算出注意力系数后，采用多头注意力的形式对药物分子特征进行更新：

其中，K表示多头注意力的头数，多头注意力在平行子空间中分别学习K个不同的注意力分数；

在经过图注意力网络的特征提取后，得到药物在化学亚结构模态下的特征表示Z_s。