一种基于自适应多核图神经网络的药物互作预测

本发明涉及智能计算与数据挖掘领域，具体讲是涉及一种基于自适应多核图神经网络的药物互作预测方法，简称amkgnn。背景技术：1、由于人类疾病发病机制复杂，经常出现对单一药物的耐药性。与单一治疗相比，多药联合治疗可以提高药物疗效，降低药物毒性，或减轻耐药性。然而同时使用多种药物可能会产生药物互作，从而引发严重的药物不良反应。因此，提出准确的药物互作预测方法对于减轻药物副作用以及安全用药具有重要意义。2、考虑到传统的生物学研究成本高且耗时长，研究人员已经提出了多种计算方法以检测药物之间的潜在互作。现有的计算方法大致分为四类：基于相似性的方法、基于矩阵分解的方法、基于网络的方法和基于深度学习的方法。3、基于相似性的方法通常依赖于这样的假设，即如果药物a和药物b之间存在药物互作，并且药物c具有与药物a相似的结构，则药物c和药物b之间可能存在药物互作。zhang等人整合了多种生物和化学数据，以预测潜在的药物互作。gottlieb等人提出了indi框架，采用七种药物相似性度量计算最佳药物相似性对。基于矩阵分解的方法旨在捕获未观察到的潜在药物互作。zhang等人提出了一种流形正则化矩阵分解方法mrmf，结合了多个流形正则化项以预测药物互作。yu等人提出了一种半非负矩阵分解方法ddinmf，将药物互作按类型划分为增强型和减弱型，旨在预测潜在的药物互作类型。基于网络的方法通常集成网络的拓扑和属性信息以预测潜在的药物互作。park等人利用随机游走算法遍历蛋白质互作网络并计算与药物对相关蛋白质的评分，以获得药物互作发生概率。yu等人提出了一种基于多路复用网络的嵌入框架newmin，通过利用已知药物互作计算每层网络得分。近年来，深度学习因其强大的学习能力被广泛应用于药物互作预测任务。liu等人利用注意力神经网络学习药物嵌入表示，并将其输入深度神经网络以预测药物互作。yu等人提出了一种用于药物互作预测的关系感知网络嵌入方法raneddi，综合关系感知网络结构信息和药物互作网络拓扑信息，以得到药物嵌入表示。zhang等人提出了一种基于多模态深度自动编码器的方法ddimdae，集成了多种药物特征并将其输入随机森林以预测潜在的药物互作。尽管基于深度学习的模型通常能够提高药物互作预测的准确性，但它们将不同类型的药物互作集成在单个药物互作图，可能会忽略一些有用信息。技术实现思路1、为了克服上述药物互作预测方法的缺陷，本发明提供了一种基于自适应多核图神经网络的药物互作预测方法。2、本发明包括以下步骤：3、步骤1：给定药物互作数据，按照药物互作类型划分为增加类型和减少类型，分别构建增加药物互作图和减少药物互作图，并利用药物特征数据构建药物特征矩阵。4、步骤2：构建两个特定卷积模块和一个具有参数共享策略的共识卷积模块，以提取不同药物互作图中节点的特定嵌入表示和共享嵌入表示。5、步骤3：将自动编码器与自适应核图神经网络逐层连接，并将其输出集成到自适应核图神经网络，以生成更准确的节点嵌入表示。6、步骤4：利用注意力机制加权融合节点的特定和共享嵌入表示，以生成最终的节点嵌入表示，将药物对的嵌入表示作为深度神经网络的输入，以得到药物互作预测结果。技术特征：1.一种基于自适应多核图神经网络的药物互作预测方法，其特征在于，包括以下步骤，2.根据权利要求1所述的一种基于自适应多核图神经网络的药物互作预测方法，其特征在于，步骤1中所述的根据两种类型药物互作数据分别构建药物互作图，利用药物互作图和药物特征学习药物嵌入表示，根据增加类型药物互作数据和减少类型药物互作数据分别构造增加药物互作图和减少药物互作图，相应的邻接矩阵标记为和；利用药物特征数据构建药物特征矩阵，初始化为。3.根据权利要求1所述的一种基于自适应多核图神经网络的药物互作预测方法，其特征在于，步骤2中所述的特定卷积模块和共识卷积模块不仅有效学习药物互作图中节点的特定信息，还可以捕获两个图之间的共享信息，以生成更全面的节点嵌入表示，具体步骤如下；4.根据权利要求1所述的一种基于自适应多核图神经网络的药物互作预测方法，其特征在于，步骤3中引入自动编码器，将自动编码器与自适应核图神经网络逐层连接，并将其输出集成到自适应核图神经网络，以生成更准确的节点嵌入表示，具体步骤如下；5.根据权利要求1所述的一种基于自适应多核图神经网络的药物互作预测方法，其特征在于，步骤4中所述的注意力机制自动学习不同嵌入表示的重要性权重，以有效融合来自不同类型药物互作图的多个嵌入表示，具体步骤如下；技术总结本发明属于智能计算与数据挖掘领域，公开了一种基于自适应多核图神经网络的药物互作预测方法。首先，针对原始药物互作数据，按照药物互作类型分别构建增加药物互作图和减少药物互作图。其次，构建特定卷积模块和共识卷积模块，以提取药物互作图中节点的嵌入表示。然后，将自动编码器的输出集成到自适应核图神经网络中，以生成更准确的嵌入表示。接着，利用注意力机制加权融合节点的特定和共享嵌入，以生成最终的节点嵌入表示。随后，将药物对的嵌入表示输入到深度神经网络，得到药物互作预测结果。本发明方法充分挖掘了不同类型药物互作数据的潜在特征信息并将其有效融合，对提高患者临床诊断结果的准确性以及推动精准医疗具有重要意义。技术研发人员：尚军亮,赵临千,任倩倩,张媛媛,刘金星受保护的技术使用者：曲阜师范大学技术研发日：技术公布日：2024/8/15