基于图神经网络的药物不良相互作用预测

发布时间：2021-11-24 16:47

　　药物不良相互作用（Adverse Drug-Drug Interactions,DDIs）是指两种或者两种以上药物同时或在一定时间内先后应用时,在机体因素的参与下,药物因彼此之间的交互作用而发生的药动学或（和）药效学的变化。药物不良相互作用是药物治疗中一个非常重要的风险因子,可能给患者带来严重的副作用,甚至是死亡。虽然在药物开发阶段会通过大量体内和体外实验筛查出一些可能会发生不良药物相互作用的组合,这个过程需要消耗巨大的成本,需要一定的试验周期。但是在药物投入市场以后,由于人类生命体征的复杂性,仍有可能会出现大量新的副作用威胁着人类的身体健康和生命。随着医药信息化快速发展和不断完善,拥有了丰富的医药数据资源,人们开始借助数据分析和机器学习的手段在药物设计和治疗方案制定期间提前预测药物之间的不良相互反应。虽然已经有许多计算性研究方法提出,但仍然存在一些问题需要我们去重视和解决。这些方法的局限性主要有（i）不能更好地应对DDI这种高度不平衡数据（ii）大多是二阶段而不是端到端的模型（iii）不能捕捉药物之间的高阶相似性（iv）不能预测出具体DDI类型。为了解决以上问题,文章采取了图（网络）... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图２－１图神经网络分类示意图??

?山东大学硕士学位论文???泛?／?：?：?ｖ：：仅／??－￣１、＾一＾＃籲＃籲＃?一?＼一，??＼?—？?ｗ?—－?Ａ?—＼?／??＼?Ｅｎｃｏｄｅｆ?■零?零擊應?Ｄｅｃｏｄｅｒ?＼?／??／—?：：＃：｜：厂??［■—丨丨—■」?—??Ｉｎｐｕｔ?ｇｒａｐｈ?Ｏｕｔｐｕｔ?ｇｒａｐｈ??图３－１基于图神经网络的链接预测图??３．?２．?２问题定义与模型具体细节??首先构建图Ｇ＝?（Ｖ，Ｅ）用于编码器来非线性学习图中节点的邻域信息，｜Ｖ｜＝ｎ??表示图中共有ｎ个节点，每个节点代表一种药物，Ｅ为图中边的集合，表示图中??所有的药物－药物相互作用关系。图Ｇ用邻接矩阵ＡｅＲＷｘＷ表示，经过观察得到??Ａｅ｛〇，ｌ｝ＷｘＡ／，１表示已经存在的边，即己经有的药物－药物相互作用，０表示没??有相互作用的边或者是未明确而等待去发现的边，Ｎ表示药物节点数。Ａ中的行??向量用ａ表示，例如，我们用ａ，？表示矩阵Ａ的第ｉ行。药物节点的特征信息用Ｘｅ??表示，Ｆ表示药物特征向量的维数。在模型训练中出学习节点的结构信息??即邻域信息外，加入节点的语义信息会增加学习到节点特征向量表示更加准确。??加入节点单边信息的邻接矩阵用增广矩阵＾?＋?＾表示，Ｘ由（Ａ，Ｘ）??串联而成。自动编码器模型ｈ?（Ａ，Ｘ）的目标是学习到节点的一系列低维隐层向量??表示ＺＥ?ｘ?Ｄ，然后在减小原始矩阵Ａ和通过解码器重构的重构矩阵Ａ?？的过程??中就可以得到一个近似重构矩阵Ａ?＇??ｑ其中表示了图中第ｉ个节点的局部邻居信息。自动编码器结构在上执行的??一系列非线性变换可以概括为两部分：编码器沒（叫）：ＲＷ＂＊ＲＤ，和解码器／（２，）??。我们堆

?山东大学硕士学位论文???４．２．２问题定义??由上可知，我们将预测药物对之间的不良相互作用定义为在异构图上的多关??系链接预测问题，如图４－２所示。异构图用Ｇ＝?（Ｖ，／？）表示，｜Ｖ｜＝ｎ表示图中??共有ｎ个节点（包括药物节点和蛋白质节点），表示单个节点；表示图中??所有的边，分别有药物－药物相互作用边（包括不同的类型）、药物－蛋白质相互??作用边和蛋白质－蛋白质相互作用边。同时，异构图中的节点都有自己的特征向??量信息。表示为Ｘｌ，ｘ２，－，?ｘｎ。药物不良相互作用预测的多关系预测是预测不同的??药物之间的相互作用类型，即边的具体类型，在图Ｇ中的话，即预测给定的一组??药物对（Ｖｉ，Ｖｙ），与一种药物－药物类型相对应的边ｒＧ／？，发生的??概率。在Ｒ－ＧＣＮ?Ａｕｔｏｅｎｃｏｄｅｒ模型中，编码器将每个实体％映射为实值向量ＺｉＧＲｄ，??解码器依赖节点的表示重构图中的边，也就是说，为每个三元组计算其??得分。??Ｎｏｄｅ?ｆｅａｔｕｒｅ?ｖｅｃｔｏｒ?ＩＩ??Ｏ?Ｄｒｕ？?圍?Ｙ?圍??〇?Ｐｒｏｔｅｉｎ??图４－１药物及蛋白质分子异构图??２７??


本文编号：3516381