一种基于图转序列表示的药物相互作用事件类型预测方法

本发明涉及人工智能和生物学领域，特别是涉及一种基于图转序列表示的药物相互作用事件类型预测方法。

背景技术：

1、药物相互作用预测是计算机辅助药物发现领域的一个热点问题，可以更好地了解药物联合反应的副作用。大多数药物-药物相互作用（ddi）预测方法只关注药物-药物相互作用本身，而忽略了其事件类型。然而ddi事件类型也是理解ddi的一个重要因素。ddi被广泛认为是导致药物治疗失败和不良反应的重要因素之一。随着药物种类和数量的增加，以及多种药物的广泛使用，ddi的潜在危害也越来越受到关注。由于实验方法时间和资源的限制，计算机预测方法被广泛用于ddi的研究。到目前为止，已经有许多机器学习方法和深度学习方法来预测药物相互作用和药物相互作用事件类型。虽然上述方法取得了令人满意的结果，但仍然有改进的余地。与以往的工作不同，我们将药物特征关系先转换成三种不同的药物特征同构图，然后转化为单一的药物序列表示接着使用双向循环神经网络获得上下文药物对表示。

技术实现思路

1、本发明的目的在于，提供一种基于图转序列表示的药物相互作用事件类型预测方法，结果表明模型具有更小的参数空间并且药物-药物相互作用事件类型预测的准确性得到了提高。

2、 本发明提供一种基于图转序列表示的药物相互作用事件类型预测的方法，所述方法步骤如下。

3、步骤s1：数据集准备

4、提取药物-药物相互作用事件数据生成数据集，将数据集划分为训练集和测试集，输入到模型中进行训练和测试。

5、步骤s2：相似度矩阵构建

6、获取药物自身特征：化学亚结构、靶标、酶。利用高斯核相似度分别计算药物三个特征的药物-药物相似度矩阵。

7、步骤s3：特征图构建

8、将三个相似度矩阵构建成三个同构的药物-药物相互作用特征图。将三个同构药物特征图中的药物特征转换为一个药物序列表示。利用两个双向门控循环单元网络获取上下文药物对表示，利用前馈神经网络来预测药物-药物相互作用事件类型。

9、步骤s4：模型预测

10、将训练集输入到上述模型进行训练，得到预测模型；将测试集输入到预测模型，得到预测结果，并对结果进行分析。

技术特征：

1. 一种基于图转序列表示的药物相互作用事件类型预测方法，其特点在于，包括如下步骤。

2. 步骤s1： 数据集准备

3.步骤s2：相似度矩阵构建

4.步骤s3：特征图构建

5.步骤s4：模型预测

6.如权利要求1所述的基于图转序列表示的药物相互作用事件类型预测方法，其特征在于：步骤s2中，药物的每个特征对应一组描述符，因此每个特征被编码为二进制特征向量，其值（1或0）表示描述符的存在或不存在；使用高斯核相似度计算药物-药物相似度，高斯核相似度的公式如下：k(a,b)=exp(-γ(||a-b||2))，可以得到药物三个特征的高斯核相似矩阵。

7.如权利要求1所述的基于图转序列表示的药物相互作用事件类型预测方法，其特征在于：步骤s3将三个高斯核相似矩阵构造成相应的药物特征关系图，从这三个特征矩阵中构建药物序列；使用两个双向门控循环单元（gru）网络来学习药物序列表示，编码完成后，将两部分的编码结果相加，得到上下文药物-药物相互作用表示，然后将上下文药物-药物相互作用表示输入到前馈神经网络中进行分类。

技术总结
本发明公开了一种基于图转序列表示的药物相互作用事件类型预测方法，该方法主要包括：数据集准备，相似度矩阵构建，特征图构建，模型预测。本发明通过基于图转序列表示的药物相互作用事件类型预测方法，实现了药物‑药物相互作用事件类型预测，与现有的模型比较，有以下优点：（1）将药物特征关系转换为药物序列表示：首先根据药物自身特征构建三种不同的同构药物特征图，分别对应于药物靶标、酶和化学亚结构。将三个图中属于同一药物的特征联合起来得到一个单一的药物序列特征。（2）利用双向门控循环单元网络获得上下文药物对表示。（3）与现有模型相比，模型具有较高的ACC，Precision和较低的参数空间。

技术研发人员：王贵参,封慧,曹晨,王红梅,杜梦妍
受保护的技术使用者：长春工业大学
技术研发日：
技术公布日：2024/3/11