基于视觉增强与对比推理的药物相互作用预测方法及装置
本发明涉及药物,尤其涉及一种基于视觉增强与对比推理的药物相互作用预测方法及装置。
背景技术:
1、在肿瘤、慢性心血管疾病等复杂疾病的临床治疗中,多药联合方案已成为突破单药疗效瓶颈的核心手段。通过不同作用机制药物的协同作用,既能降低单一药物的剂量依赖毒性,又能覆盖疾病的多靶点病理通路,显著改善患者预后。但药物之间的相互作用(ddi)是临床用药安全的主要隐患,据临床数据统计,约30%的严重药物不良反应直接源于未被预测的ddi,其中代谢通路竞争、靶点拮抗等强相互作用可能导致药效丧失甚至危及生命,因此精准、全面的ddi预测已成为药物研发与临床决策的关键支撑。近年来,深度学习技术为ddi预测提供了高效的计算解决方案,目前已有的基于深度学习的ddi预测算法的处理步骤一般是:①提取药物特征:利用卷积神经网络(cnn)提取药物分子的图像特征,利用循环神经网络(rnn)或transformer提取motif序列特征。②特征融合:通过简单的拼接或单向的注意力机制将两种模态的特征进行融合。③预测输出:将融合后的特征输入全连接层,利用softmax函数进行ddi类型分类。
2、现有方法的不足是采用resnet18等卷积神经网络提取药物分子图像特征。然而药物分子图像高度稀疏,有效结构仅集中在少数像素区域,局部卷积的感受野难以捕捉亚结构间的长距离空间依赖,导致视觉特征缺乏全局连贯性,难以反映分子的完整作用构象。
技术实现思路
1、本发明的目的就在于为了解决上述问题设计了一种基于视觉增强与对比推理的药物相互作用预测方法及装置。
2、本发明通过以下技术方案来实现上述目的:
3、基于视觉增强与对比推理的药物相互作用预测方法,包括:
4、s1、构建初始的药物相互作用预测模型和可学习的原型矩阵;药物相互作用预测模型包括序列编码模块、视觉特征提取模块、双向交叉注意力融合模块、特征投影模块和预测输出模块;序列编码模块的输出和视觉特征提取模块的输出均作为双向交叉注意力融合模块的输入;双向交叉注意力融合模块的输出作为特征投影模块的输入;特征投影模块的输出作为预测输出模块的输入;序列编码模块用于提取药物对中两个药物的smiles表示的motif序列特征;视觉特征提取模块提取药物对中两个药物的smiles表示的多尺度视觉特征;双向交叉注意力融合模块用于对motif序列特征和多尺度视觉特征进行双向交叉注意力融合,获得最终融合特征;特征投影模块用于将最终融合特征映射至单位超球面流形,获得投影特征向量;预测输出模块基于投影特征向量和原型矩阵中的原型向量分析药物对的相互作用预测结果;
5、s2、获取训练数据集,训练数据集包括多个样本,每个样本为一对已标注药物相互作用类型的药物对;
6、s3、利用训练数据集对初始的药物相互作用预测模型和原型矩阵进行联合优化训练,获得优化后的药物相互作用预测模型和更新后的原型矩阵;
7、s4、获取待预测的药物对的两个药物的smiles表示;
8、s5、利用优化后的药物相互作用预测模型和更新后的原型矩阵,获得待预测的药物对的相互作用预测结果。
9、基于视觉增强与对比推理的药物相互作用预测装置,包括:
10、储存器;储存器用于储存计算机程序;
11、执行器;执行器用于执行储存器中的计算机程序,所述计算机程序被执行时,实现如上述的基于视觉增强与对比推理的药物相互作用预测方法。
12、本发明的有益效果在于:通过序列编码模块对smiles表示进行精细化编码;通过视觉特征提取模块提取多尺度视觉特征,并利用双向交叉注意力融合模块动态融合motif序列特征和多尺度视觉特征的结构信息,实现化学语义与空间拓扑的深度交互与互补;通过可学习的原型记忆库,显著提升稀疏样本的判别能力。
1.基于视觉增强与对比推理的药物相互作用预测方法,其特征在于,包括:
2.根据权利要求1所述的基于视觉增强与对比推理的药物相互作用预测方法,其特征在于,序列编码模块对药物对进行序列编码获得motif序列特征具体包括:
3.根据权利要求2所述的基于视觉增强与对比推理的药物相互作用预测方法,其特征在于,在(4)中包括:
4.根据权利要求1所述的基于视觉增强与对比推理的药物相互作用预测方法,其特征在于,视觉特征提取模块对药物对进行视觉特征提取,获得多尺度视觉特征,具体包括:
5.根据权利要求1所述的基于视觉增强与对比推理的药物相互作用预测方法,其特征在于,双向交叉注意力融合模块用于对motif序列特征和多尺度视觉特征进行双向交叉注意力融合,获得最终融合特征;具体包括:
6.根据权利要求1所述的基于视觉增强与对比推理的药物相互作用预测方法,其特征在于,特征投影模块将最终融合特征输入到非线性投影头,对非线性投影头的输出执行归一化操作,将最终融合特征映射到单位超球面流形,获得投影特征向量。
7.根据权利要求1所述的基于视觉增强与对比推理的药物相互作用预测方法,其特征在于,预测输出模块计算投影特征向量与原型矩阵p中各原型向量之间的点积相似度,并通过带有温度系数的softmax函数转化为概率分布,作为药物相互作用类型预测结果,表示为:,表示对相似度进行温度缩放,pt表示原型矩阵p的转置,τ表示温度系数。
8.根据权利要求1所述的基于视觉增强与对比推理的药物相互作用预测方法,其特征在于,在s2与s3之间包括s2’、利用训练数据集和初始的药物相互作用预测模型确定可学习的原型矩阵中原型向量的初始值;具体为:将训练数据集的样本输入所述初始的药物相互作用预测模型进行前向传播,获取所有样本经特征投影模块输出的投影特征向量;针对每一种药物相互作用类型,计算所有属于该药物相互作用类型的样本的投影特征向量的算术平均值,并将该算术平均值作为原型矩阵中对应药物相互作用类型的原型向量的初始值。
9.根据权利要求1所述的基于视觉增强与对比推理的药物相互作用预测方法,其特征在于,在s3中,使用总损失对初始的药物相互作用预测模型和原型矩阵进行联合优化训练,表示为:,为监督对比损失;为交叉熵损失;为监督对比损失的权重系数;,,,b为当前训练批次中的样本集合,为批次中的样本数量;为当前训练批次中样本a经超球面投影后的投影特征向量;为当前训练批次中与样本a属于同一相互作用类型且不包含样本自身的正样本集合;为正样本集合的大小;+1中的1对应样本a所属类别的原型向量,其中表示样本所属类别的索引;表示原型矩阵中第k类药物相互作用类型对应的原型向量;为正样本集合中的样本特征向量;τ为温度系数,为归一化分母,包含样本a分别与所属类别的原型、各非所属类别的原型及批次中除样本a外所有样本的相似度之和;为批次中除样本a外的其他样本的投影特征向量;k表示药物相互作用类型总数;表示真实标签y在第k类上的值;表示预测概率分布在第k类上的预测概率。
10.基于视觉增强与对比推理的药物相互作用预测装置,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com