[发明专利]基于暹罗结构与图对比学习的DDI预测方法在审
| 申请号： | 202310317847.1 | 申请日： | 2023-03-29 |
| 公开（公告）号： | CN116543852A | 公开（公告）日： | 2023-08-04 |
| 发明（设计）人： | 滕志霞;王云泽;董本志;汪国华 | 申请（专利权）人： | 东北林业大学 |
| 主分类号： | G16C20/50 | 分类号： | G16C20/50;G16C20/70;G16C20/90;G16H70/40;G06F18/22;G06F18/214;G06F18/25 |
| 代理公司： | 北京慕达星云知识产权代理事务所(特殊普通合伙) 11465 | 代理人： | 李冉 |
| 地址： | 150040 黑龙*** | 国省代码： | 黑龙江;23 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 暹罗 结构 对比 学习 ddi 预测 方法 | ||
1.一种基于暹罗结构与图对比学习的DDI预测方法，其特征在于，包括如下步骤：
S1：收集药物-药物相互作用文本数据以及药物的理化性质数据文件和靶向关系数据文件，对收集的数据进行筛选预处理，获取待处理的药物-药物相互作用原始数据集合；
S2：提取所述待处理的药物的理化性质数据文件中基于药物SMILES分子格式字符串的理化性质特征以及基于靶点，酶，通路的靶向关系特征，再将所述理化性质特征和靶向关系特征进行融合后获取基于药物的初始特征；
S3：根据药物-药物相互作用文本数据得到药物-药物相互作用邻接矩阵，所述药物-药物相互作用邻接矩阵结合S2中获得的基于药物理化性质与靶向关系的初始特征构建药物-药物相互作用异构图；
S4：将所述药物-药物相互作用异构图输入到基于暹罗结构的图对比学习模型中，从图拓扑结构中学习获得药物节点的嵌入特征；
S5：以所述药物节点的嵌入特征为输入，利用链路预测方法计算任意两个药物节点之间边的得分。
2.根据权利要求1所述的一种基于暹罗结构与图对比学习的DDI预测方法，其特征在于，所述S1中：
药物-药物相互作用文本数据包括：药物-药物相互作用文本；
药物的靶向关系数据文件包括：药物-靶点相互作用数据、药物-酶相互作用数据和药物-通路相互作用数据；
药物的理化性质数据文件包括：药物的SMILES分子格式字符串。
3.根据权利要求1所述的一种基于暹罗结构与图对比学习的DDI预测方法，其特征在于，所述S2包括：
S21：提取理化性质特征包括：将药物的SMILES分子格式字符串按照理化性质转换成药物分子指纹格式，并进一步编码为二进制的位向量，基于所述位向量计算药物-药物相似性矩阵；
S22：提取靶向关系特征包括：将药物-靶点相互作用数据、药物-酶相互作用数据和药物-通路相互作用数据按照药物-靶点、药物-酶和药物-通路相互作用关系转换为二进制的位向量，基于所述位向量分别计算得到药物-靶点相似性矩阵，药物-酶相似性矩阵，药物-通路相似性矩阵；
S23：将S21和S22中的四种相似性特征矩阵融合得到多源药物相似性矩阵，矩阵中的每一行为当前药物的二步药物特征。
4.根据权利要求3所述的一种基于暹罗结构与图对比学习的DDI预测方法，其特征在于，所述S21和所述S22中相似性矩阵的计算步骤包括：
相似性矩阵通过以下公式计算：
其中，N(DA,DB)11是位向量DA和DB中属性值同时为1的属性个数，N(DA,DB)01是位向量DA和DB中DA属性值为0且DB属性值为1的属性个数，N(DA,DB)10是位向量DA和DB中DA属性值为1且DB属性值为0的属性个数；
对于计算药物-药物相似性矩阵：DA,DB代表药物A和药物B的分子指纹位向量；
对于计算药物-靶点相似性矩阵：DA,DB代表药物-靶点的One-Hot向量；
对于计算药物-酶相似性矩阵：DA,DB代表药物-酶的One-Hot向量；
对于计算药物-通路相似性矩阵：DA,DB代表药物-通路的One-Hot向量。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于东北林业大学，未经东北林业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202310317847.1/1.html，转载请声明来源钻瓜专利网。
