一种融合高低阶信息有效识别药物-靶标相互作用预测方法

技术领域

本发明涉及药物-靶标相互作用预测技术领域，具体涉及一种融合来自超图的高阶信息和拓扑图的低阶信息有效识别药物-靶标相互作用预测方法。

背景技术

药物-靶标相互作用关联预测，旨在确定已有的药物靶标关联预测任务的基础上，探索未知和潜在的药物-靶标的相互作用关联，这对于药物重定位和加速药物研发、缩短药物开发周期都有重要的意义。然而，传统通过湿实验方法(例如：蛋白质微阵列和亲和层析)，不仅耗时昂贵而且适用的规模往往受限。近年来，芯片和高性能计算的发展促进了计算机对复杂数据处理能力的大幅提升，因此开发一种有效的计算方法来预测药物-靶标之间的相互作用成为一个亟待解决的问题。目前基于计算方法的药物-靶标相互作用预测方法面临着数据稀疏和预测精度低下挑战，且它们普遍只考虑了药物靶标低阶关联信息、未考虑药物-靶标对之间的关联等问题。而基于超图表示学习充分考虑实体之间多对多的高阶关联信息能力，本发明提出一种融合高低阶信息有效识别药物-靶标相互作用预测方法。

发明内容

本发明的目的是为了解决上述药物-靶标相互作用预测领域所存在的困难，提供一种融合高低阶信息有效识别药物-靶标相互作用预测的方法，在整合药物和靶标的高低阶关联信息基础上，并充分考虑到药物-靶标对之间高低阶信息的互补性，旨在帮助科研工作者进行正确的关联预测。本发明的技术方案如下：

A、基于已知药物与靶标相互作用、药物与疾病相互作用、药物与药物相互作用和药物与副作用相互作用构建药物超图；基于已知靶标与药物相互作用、靶标与靶标相互作用和靶标与疾病相互作用构建靶标超图。

B、基于已构建的药物超图和靶标超图关联矩阵，提取药物和靶标的高阶关联信息并与普通的药物靶标低阶关联信息整合在一个网络中。

C、基于融合高低阶信息的药物靶标相互作用网络，分别构建药物-靶标对超图和拓扑图网络结构。

D、基于深度神经网络对药物-靶标对实现二分类关联预测。

E、基于自适应梯度下降优化算法反向传播训练模型参数。

根据权利A所述的基于已知药物与靶标相互作用、药物与疾病相互作用、药物与药物相互作用和药物与副作用相互作用构建药物超图；基于已知靶标与药物相互作用、靶标与靶标相互作用和靶标与疾病相互作用构建靶标超图。本发明从DrugBank(Version 3.0)数据库下载药物与药物和药物与靶标相互作用数据，HPRD database(Release 9)数据库下载蛋白质与蛋白质相互作用数据，Comparative Toxicogenomics(Database5)数据库下载疾病与药物和疾病与靶标相互作用数据，SIDER database(Version 2)下载副作用与药物相互作用数据。基于药物与不同实体相互作用的关联数据，每种实体作为一种超边连接一个或多个药物节点构建药物的超图关联矩阵。以此类似思想构建靶标超图关联矩阵。

根据权利B所述的基于已构建的药物超图和靶标超图关联矩阵，提取药物和靶标的高阶关联信息并与普通的药物靶标低阶关联信息整合在一个网络中。使用已构建的药物超图关联矩阵和靶标超图关联矩阵，分别提取药物之间和蛋白质之间融合不同超边实体的高阶关联信息，并与药物靶标低阶关联信息整合为一个融合高低阶信息的药物靶标网络。

根据权利C所述的基于融合高低阶信息的药物靶标相互作用网络，分别构建药物-靶标对超图和拓扑图网络结构。基于整合的药物靶标网络，从共用不同实体角度出发，构建药物-靶标对超图网络结构；从特征角度出发，根据KNN思想构建药物-靶标对拓扑网络结构。

根据权利D所述的基于深度神经网络对药物-靶标对实现二分类关联预测。本发明充分融合药物-靶标对的超图网络结构(高阶关联)信息和拓扑网络结构(低阶关联)信息。将融合得到的药物-靶标对高低阶信息投入深层神经网络以实现药物-靶标对的二分类任务。

根据权利E所述的基于自适应梯度下降优化算法反向传播训练模型参数。本发明使用小批量梯度下降法，每次迭代通过从数据集抽取小批量的数据进行训练。使用小批量自适应梯度下降优化算法进行优化，在参数的梯度较大情况下，自适应减小学习率；而在参数的梯度较小情况下，自适应增大学习率。以解决使用小批量的数据会产生下降过程中振荡问题，加快深层神经网络的训练速度同时减少梯度下降时上下震荡的状况。

附图说明

图1是一种融合高低阶信息有效识别药物-靶标相互作用预测过程；

具体实施方式

为使本发明的目的、技术方案与优点更加清楚，下面结合附图对本发明的特征检测方法作进一步详细的说明。

数据预处理阶段，整合来源于DrugBank(Version 3.0)、HPRD database(Release9)、Comparative Toxicogenomics(Database5)和SIDER database(Version 2)数据库下与药物和靶标相关的多源数据，分别构建药物超图和靶标超图。

基于构建的药物和靶标超图关联矩阵提取药物和靶标的高阶关联信息，并与药物靶标低阶关联信息整合在一个网络结构中。

基于整合的网络结构，为深度挖掘药物与靶标之间的关系，从药物-靶标对角度出发分别构建药物-靶标对的超图结构和拓扑图结构，以进一步挖掘药物-靶标对的高低阶信息。

将药物-靶标对的高低阶信息充分融合作为最终特征表示，输入深度神经网络完成药物-靶标对的二分类关联预测任务。使用自适应梯度下降优化算法优化模型，迭代提升药物-靶标相互作用预测的准确率。