基于图表示学习的药物组合预测研究

发布时间：2020-12-12 08:52

　　复杂疾病的致病机理复杂,如果使用单种药物进行治疗,容易产生抗药性。药物组合治疗具有高效和低毒等特性,正在成为一种新的复杂疾病治疗手段。尽管人们开发了高通量药物组合筛选平台,但是进行药物组合实验所需的金钱和时间代价很大。因此需要一种算法帮助找到潜在的协同的药物组合,进一步的缩小药物组合实验范围。目前药物组合预测模型可以分为四类:基于表达数据的药物组合预测模型、基于PPI网络的药物组合预测模型、基于代谢路径的药物组合预测模型和基于药物相似性的机器学习药物组合预测模型。这些模型存在数据有偏、结果差和可用数据少等缺点。本文提出一种基于图表示学习的药物组合预测算法NEMNDC（Network Embedding framework in Multiplex Networks for Drug Combinations）,改进了现有的基于药物相似性的机器学习药物组合预测模型。首先,通过部分的药物组合数据对每层药物相似性网络进行重要性评估;然后,使用二阶有偏随机游走进行网络采样,得到随机游走的路径,并根据路径生成训练模型所需的正负样本;随后,通过构建SkipGram模型学习药物节点的向量表示;最后,... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

药物组合预测算法总体框图

(3-2)图3.3 二阶有偏随机游走示意图[44]txd代表节点t和节点 x 之间的网络上最短距离，由于最多只看二阶信息，因此距离肯定在{0,1,2}中。v 节点代表现在的节点，下一个节点 x ，上一个节点是t，根据节点t和 x 之间的关系，用 ( t , x)来调节邻接矩阵W权重，调整后的 ( t , x ) W可以按照一定的选择游走向社团内部或者游走向社团外部。通过调节路径上节点出现的概率，可以改变随机游走后的路径中节点的前后频率

如图 3.4 所示，含有 6 个节点和 9 条边，每条边的权重都是 1，同时是一个无向图。图3.4 无向单层网络示意图图3.5 网络路径示意图1 3 6 2 3 4 1 5 6


本文编号：2912231