买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河南大学

摘要：本发明公开了一种基于图转换网络的药物ATCCode预测方法即DACPGTN，首先，获取与药物相关的靶标蛋白质与疾病，通过基于不同评价标准下的药物相互作用信息，得到7种药物相似性，并查找或计算与药物关联的靶标蛋白质、疾病相似性信息，将相似性信息作为特征，共同构建相应的复合特征矩阵，其次，考虑引入药物、靶标蛋白质、疾病三种实体间存在的已知关联信息，构建代表多个不同边关系的异构图，并使用图转化网络中GraphTransformerLayer，学习多个异构邻接矩阵的关联信息，从而学习到药物‑靶标蛋白质‑疾病之间的潜在多重关联图结构，最终将GraphTransformerLayer得到的关联信息图结构，与药物‑靶标蛋白质‑疾病复合特征矩阵，一起输入到端对端预测模块中进行学习，做出最终药物ATCCode预测；本发明简单有效，通过与其他方法比较，及在数据集上测试表明，该发明在药物ATCCode预测方面具有较好的性能。

主权项：1.一种基于图转换网络的药物ATCCode预测方法，其特征在于，包括以下步骤：1利用已知药物获取与药物相关的靶标蛋白质、疾病，并计算疾病相似性与获取靶标蛋白相似性，靶标蛋白质获取、疾病相似性计算具体过程如下：首先，从String数据库中获取药物相关靶标蛋白质间的综合得分，作为靶标蛋白质的相似性信息；其次，获取药物与相关疾病间的关联矩阵，利用关联矩阵计算每一列的皮尔逊相关系数，即每种疾病与所有药物关联信息中提供的信息，作为疾病相似性信息；对获取的已知的不同评价标准下的药物相似性信息，同一维度上做叠加操作并取均值，作为药物特征矩阵；靶标蛋白质相似性、疾病相似性，作为靶标蛋白质、疾病的特征矩阵；对三种实体的特征矩阵，利用PCA技术降维到同一维度，上下拼接构建复合特征矩阵；2构建药物-靶标蛋白质异构网络、药物-疾病异构网络、靶标蛋白质-疾病异构网络及各异构网络的转置：根据实体间关联信息，异构网络具体构建过程如下：Drug-Target异构网络，若当前药物i与靶标蛋白j之间存在关联关系，异构网络中相应位置元素Drug-Targetij值为1，相应位置元素值为0，最终得到值全为0、1的稀疏矩阵Drug-Target；同理，构建Drug-Disease异构网络、Target-Disease异构网络；对由实体间关联信息构建的异构网络，进行转置操作，最终得到不同实体间异构网络集合即药物-靶标蛋白质异构网络Drug-Target，药物-疾病异构网络Drug-Disease，靶标蛋白质-疾病异构网络Target-Disease，靶标蛋白质-药物异构网络Drug-TargetT，疾病-药物异构网络Drug-DiseaseT，疾病-靶标蛋白质异构网络Target-DiseaseT；3基于步骤2获取的异构网络集合使用GraphTransformerLayer获取药物-靶标蛋白质-疾病三种实体间潜在的关联信息，构建新的潜在关联信息矩阵；GraphTransformerLayer具体的实现如下： 其中φ为卷积层，Wφ∈R1×1×K为卷积层φ的参数；GraphTransformerlayer从异构网络集合中选择邻接矩阵，并通过两个选择的邻接矩阵Q1和Q2的矩阵乘法，学习到新的图结构；邻接矩阵的软选择是将从中获得非负权重，并对候选邻接矩阵进行1×1卷积加权求和；4基于步骤3中GraphTransformerLayer获取的药物-靶标蛋白质-疾病间潜在的关联信息，与步骤1中构建的复合特征矩阵，输入到端对端预测模块，对药物节点进行ATCCode预测。

全文数据：

权利要求：

百度查询： 河南大学 基于图转换网络的药物ATC Code预测方法