基于图转换网络的药物ATCCode预测方法

技术特征：
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：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；同理，构建异构网络、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（），药物-疾病异构网络（），靶标蛋白质-疾病异构网络（），靶标蛋白质-药物异构网络（），疾病-药物异构网络（），疾病-靶标蛋白质异构网络（）；3）基于步骤2）获取的异构网络集合，使用graph transformer layer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；graph transformer layer具体的实现如下：其中为卷积层，为卷积层的参数；graph transformer layer从异构网络集合中选择邻接矩阵(不同类型异构网络)，并通过两个选择的邻接矩阵和的矩阵乘法，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graph transformer layer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。2.根据权利要求1所述的基于图转换网络的药物atccode预测方法，其特征在于：所述的步骤4）中，端对端预测模块，由gcn层作为特征提取器，使用多层线性层进行降维操作，线性层间添加dropout；gcn层输出节点数为150，线性层1包含150个神经元，线性层2包含128个神经元，线性层3包含64个神经元，线性层4作为输出层，包含14个神经元；端对端预测模块训练及预测阶段，对多标签分类问题转化为预测的目标类得分与非目标类得分两两作差比较，利用激活函数配合交叉熵损失函数在多标签分类上的平滑推广，引入一个额外的0类，使目标类的分数都大于，非目标类的分数都小于，具体实现通过下式完成：
，分别为正负样本集合，设定阈值=0，最终得到loss即为激活函数与交叉熵损失函数在多标签分类问题上的推广：借助于函数的良好性质，平衡权重且解决类别不平衡问题，进行端对端预测模块的训练，在最终预测阶段，最后一层线性层中，输出大于0的类别即为预测结果。

技术总结
本发明公开了一种基于图转换网络的药物ATC Code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Graph Transformer Layer，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Graph Transformer Layer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ATC Code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ATC Code预测方面具有较好的性能。Code预测方面具有较好的性能。Code预测方面具有较好的性能。


技术研发人员：罗慧敏 索志豪 阎朝坤 张戈 王建林
受保护的技术使用者：河南大学
技术研发日：2022.01.18
技术公布日：2022/4/29