申请/专利权人:齐鲁工业大学(山东省科学院)
申请日:2024-03-12
公开(公告)日:2024-06-11
公开(公告)号:CN118173198A
主分类号:G16C20/50
分类号:G16C20/50;G16H70/40;G06N3/042;G06N3/0442;G06N3/0499;G06N3/08
优先权:
专利状态码:在审-公开
法律状态:2024.06.11#公开
摘要:本发明公开了多关系对比学习药物相互作用预测方法、系统、介质及设备,属于图神经网络及药物相互作用预测技术领域,本发明要解决的技术问题为如何捕获有关药物相互作用的隐式信息,提高药物相互作用预测的准确性,技术方案为:获取待预测的两种药物的SMILES序列和分子图特征,集成待预测的两种药物的多维特征信息,捕获待预测的两种药物内部及药物之间全面的关系特征;使用RDKit工具将待预测的两种药物SMILES序列转换为药物分子图,将药物分子图通过TrimNet方法提取药物特征;获取待预测的两种药物与已知相互作用关系药物的DDI网络图;将药物分子的特征向量作为DDI网络图的特征向量,使用多层GAT网络层融合药物分子特征向量和外部DDI特征,获取更新后的药物表示向量。
主权项:1.一种多关系对比学习药物相互作用预测方法,其特征在于,该方法具体如下:获取待预测的两种药物的SMILES序列和分子图特征,集成待预测的两种药物的多维特征信息,捕获待预测的两种药物内部及药物之间全面的关系特征;使用RDKit工具将待预测的两种药物SMILES序列转换为药物分子图,将药物分子图通过TrimNet方法提取药物特征;其中,药物分子图是由原子和化学键构成;获取待预测的两种药物与已知相互作用关系药物的DDI网络图;将药物分子的特征向量作为DDI网络图的特征向量,使用多层GAT网络层融合药物分子特征向量和外部DDI特征,获取更新后的药物表示向量;使用双视图负对应增强策略,通过打乱节点特征和边特征分别创建损坏图的两个视图,再在局部-全部信息最大化策略下对DDI网络图实现多关系对比学习;将药物分子特征和更新后的药物分子表示向量连接起来输入至交互预测器,获取待预测的两种药物之间的相互作用关系。
全文数据:
权利要求:
百度查询: 齐鲁工业大学(山东省科学院) 多关系对比学习药物相互作用预测方法、系统、介质及设备
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。