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！

摘要：本发明公开了一种基于图表示和深度学习的药物发现方法，应用于药物‑靶点相互作用预测和药物‑药物相互作用预测。该方法结合图表示学习和深度学习，基于DrugBank数据库、KEGG数据库和PharmGKB数据库整合与药物、靶点相关的数据，构建两个知识图谱：KG‑DTI知识图谱和KG‑DDI知识图谱。然后，利用改进的图表示学习模型MHRW2Vec模型，获得反映药物和靶点相互作用关系的特征向量。最后，将获得的特征向量输入到改进的TBAN模型中，用于药物‑靶点相互作用预测和药物‑药物相互作用预测。实验表明，本发明的方法可以更深入地发现药物与其潜在邻域之间的关系，有利于提高药物‑靶点相互作用和药物‑药物相互作用预测的精度。

主权项：1.一种基于图表示和深度学习的药物发现方法，其特征在于，包括以下步骤：步骤一：从DrugBank数据库、KEGG数据库、PharmGKB数据库中提取生物信息数据，并进行实体命名映射；步骤二：对来自KEGG数据库的子数据库的生物信息数据进行整合，用于药物-靶点相互作用预测的KG-DTI知识图谱；对来自DrugBank数据库、PharmGKB数据库以及KEGG-drug数据库的数据进行整合，构建用于药物-药物相互作用预测的KG-DDI知识图谱；步骤三：构建MHRW2Vec图表示模型，所述MHRW2Vec图表示模型包括MHRW随机游走模型和Word2Vec模型两个组成部分，利用所述MHRW2Vec模型对步骤二的知识图谱进行图表示学习；步骤四：结合文本卷积神经网络、双向长短时记忆网络，并引入注意力机制构建TBAN模型，采用批标准化策略加速模型收敛，同时在每层网络中引入高斯噪声优化TBAN模型性能，训练结束后得到预测模型；步骤五：利用预测模型进行预测；其中，所述TBAN模型结构的训练过程中使用到的损失函数为交叉熵损失函数： 式中11L为损失函数值，N为样本数，yi表示样本i的标签，正例为1，负例为0，pi表示样本i预测为正类的概率；经过计算损失函数值，得到网络模型预测值与真实值之间的差距，然后利用梯度下降以及链式求导法则对神经网络参数进行更新，参数更新如下式所示： 式12和式13中α为学习率，J为损失函数，为节点间的权重，为偏置；步骤四具体包括以下步骤：1将m×n大小的特征向量作为TBAN模型的输入，其中m是样本数量，n是向量的维度，在文本卷积神经网络中采用批标准化策略加速模型收敛；2在每层网络中引入高斯噪声改善TBAN模型性能，之后所述特征向量通过融合注意力机制的双向长短时记忆网络，经过全连接层和Softmax层输出分类结果；3从未知的相互作用中随机选取负样本，正负样本比例为1：5，通过十折交叉验证对分类器进行超参数优化。

全文数据：

权利要求：

百度查询： 武汉科技大学 一种基于图表示和深度学习的药物发现方法