药物相互作用预测方法、计算机设备及介质与流程

本发明涉及人工智能领域。更具体地，涉及一种药物相互作用预测方法、计算机设备及介质。

背景技术：

1、药物相互作用(drug-drug interaction，ddi)是指同时或在一定时间内先后服用两种或两种以上药物时，一种药物的活性可能因其他药物的存在而发生改变。药物相互作用可能引发患者的许多不良反应，现已成为公共卫生的严重威胁之一。随着现代疾病谱的增加以及患者耐药性的升高，多药处方已成为常见的治疗选择，特别是对于伴有糖尿病、心血管疾病等多种慢性疾病的患者。这往往会增加临床相关风险，并对治疗管理提出了新的挑战。药物相互作用的发生通常是有害的，会使患者面临副作用和毒性的风险，甚至使患者的身体状况恶化。目前，药物相互作用的获取方式，通常是通过药物说明书获取，然而由于药物种类繁多，药物说明书不能覆盖所有起相互作用的药物。

技术实现思路

1、本发明的目的在于提供一种药物相互作用预测方法、计算机设备及介质，以解决现有技术存在的问题中的至少一个。

2、为达到上述目的，本发明采用下述技术方案：

3、本发明第一方面提供了一种药物相互作用预测方法，包括：

4、利用已训练的图神经网络，对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量，其中，所述待预测药物包括第一药物和第二药物；

5、利用已训练的第一网络，根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量；以及

6、利用已训练的第二网络，根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用。

7、可选地，所述对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量包括：

8、将待预测药物的分子结构中的原子特征化为图结构的节点并将待预测药物的分子结构中的化学键特征化为图结构的边，得到待预测药物的图结构；

9、对所述待预测药物的图结构进行迭代的图卷积运算以得到所述待预测药物的各节点的表示向量；以及

10、根据所述待预测药物的各节点的表示向量获取所述待预测药物的表示向量。

11、可选地，所述对所述待预测药物的图结构进行迭代的的图卷积运算以得到所述待预测药物的各节点的表示向量包括：对所述待预测药物的图结构进行设定迭代次数的图卷积运算以得到所述待预测药物的各节点的表示向量。

12、可选地，所述图卷积运算的公式化描述为：

13、ht+1(ei)＝σ(we×ht(ei)+wm×mt(ei))

14、其中，ht+1(ei)为对待预测药物的图结构进行第t+1次图卷积运算后得到的第i个节点ei的表示向量，t为自然数；σ为非线性激活函数；we为n1×n1的第一参数矩阵；wm为n1×n1的第二参数矩阵；对待预测药物的图结构进行第t+1次图卷积运算的第i个节点ei的第一中间变量第一中间变量初始值m0(ei)＝0；n(ei)表示节点ei的邻居节点集合；type(k,i)表示待预测药物的第i个节点ei与第k个节点ek之间的边的类型；wtype(k,i)为n1×n1的第三参数矩阵；待预测药物的第i个节点ei的表示向量初始值h0(ei)＝σ(w0×onehot(ei)；w0为n1×n2的第四参数矩阵；onehot(ei)为待预测药物的第i个节点ei的独热表示的n2维列向量。

15、可选地，所述根据所述待预测药物的各节点的表示向量获取所述待预测药物的表示向量包括：将计算得到的所述待预测药物的各节点的表示向量的平均值、最大值或线性加权值作为所述待预测药物的表示向量。

16、可选地，

17、将计算得到的所述待预测药物的各节点的表示向量的平均值作为所述待预测药物的表示向量的公式化描述为：

18、

19、其中，h为待预测药物的表示向量；待预测药物包含n个节点；ht(ei)为对待预测药物的图结构进行迭代的图卷积运算后得到的待预测药物的第i个节点ei的表示向量；

20、将计算得到的所述待预测药物的各节点的表示向量的最大值作为所述待预测药物的表示向量的公式化描述为：

21、h＝max(ht(ei)),i＝1,…,n；

22、将计算得到的所述待预测药物的各节点的表示向量的线性加权值作为所述待预测药物的表示向量公式化描述为：

23、

24、其中，待预测药物的第i个节点ei的权重αi为：

25、

26、其中，θ为n1维的第一参数列向量。

27、可选地，所述根据所述待预测药物的表示向量预测得到表征所述待预测药物与设定疾病种类之间关系的关系向量的公式化描述为：

28、y＝softmax(w2×h1+b2)

29、其中，y为表征所述待预测药物与设定疾病种类之间关系的关系向量；第二中间变量h1＝σ(w1×h+b1)；σ为非线性激活函数；h为所述待预测药物的表示向量；w1为n3×n1的第五参数矩阵；w2为n4×n3的第六参数矩阵，n4的取值为设定疾病种类的数量；b1为n3维的第二参数列向量；b2为n4维的第三参数列向量；softmax()表示softmax分类函数。

30、可选地，所述根据第一药物的表示向量、第二药物的表示向量、第一药物与设定疾病种类之间关系的关系向量和第二药物与设定疾病种类之间关系的关系向量预测得到第一药物与第二药物的药物相互作用的公式化描述为：

31、ylabel＝softmax(w4×ha,b+b4)

32、其中，ylabel为第一药物与第二药物的药物相互作用的预测结果；softmax()表示softmax分类函数；第三中间变量ha,b为：

33、ha,b＝σ(w3×cat(ha,hb,ha-hb,ha+hb,ha·hb,ya+yb-ya·yb)+b3)；

34、σ为非线性激活函数；cat()表示拼接函数；ya为第一药物与设定疾病种类之间关系的关系向量，为n4维列向量；yb为第二药物与设定疾病种类之间关系的关系向量，为n4维列向量；ha为第一药物的表示向量，为n1维列向量；hb为第二药物的表示向量，为n1维列向量；w3为n5×n6的第七参数矩阵，n6＝5*n1+n4；b3为n5维的第四参数列向量；w4为2×n5的第八参数矩阵，b4为2维的第五参数列向量。

35、可选地，在所述利用已训练的图神经网络，对待预测药物的分子结构进行特征映射以得到待预测药物的表示向量之前，所述方法还包括：

36、构建训练数据集，所述训练数据集包括多个标记有与设定疾病种类之间关系的药物的分子结构的第一训练数据，及多对标记有药物相互作用的药物分子结构的第二训练数据；以及

37、利用所述训练数据集，基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络。

38、可选地，所述基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络包括：

39、利用交叉熵损失函数及随机梯度下降算法，基于药物相互作用的损失值及药物与设定疾病种类之间关系的损失值同时训练得到图神经网络、第一网络和第二网络。

40、本发明第二方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明第一方面所述的方法。

41、本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面所述的方法。

42、本发明的有益效果如下：

43、本发明所述技术方案通过图神经网络学习得到药物的向量表示，进而结合药物与疾病种类之间的关系来预测得到药物相互作用，可在保证精确性的基础上提升覆盖度，可实现对研发中的新药物与其他药物之间的药物相互作用预测。