一种基于网络推理的药物通路预测方法及其应用

技术特征：
1.一种基于网络推理的药物通路预测方法，其特征在于，包括以下步骤：1)构建子结构-药物-通路异构网络：利用公开的药物基因组学数据，计算药物诱导的基因标签，使用通路富集分析，构建已知药物-通路网络；通过计算药物-通路网络中药物的化学子结构信息，构建子结构-药物网络；最后整合子结构-药物网络和药物-通路网络，构建子结构-药物-通路异构网络a：其中，a
ds
为子结构-药物网络，a
dp
为已知药物-通路网络；2)扩展基于网络推理算法到异构网络：根据构建的子结构-药物-通路异构网络，对于任意一个药物，与之连接的通路节点和子结构节点各分配一个单位的初始资源，构建基于网络推理算法的初始资源矩阵a
′
；在而后每一步资源扩散过程中，网络中拥有初始资源的子结构节点和通路节点，会把节点本身的资源平均分配给与之相连接的邻居节点，再根据资源扩散的次数构建基于网络推理算法的转移矩阵w，资源扩散的次数构建基于网络推理算法的转移矩阵w，其中，c(i，j)为加入了可调节参数的初始资源矩阵，n
d
为药物集合，n
s
为子结构集合，n
p
为通路集合；3)预测新的药物-通路关系：基于所构建的子结构-药物-通路异构网络的初始资源矩阵a
′
，以及每一步资源扩散过程中的转移矩阵w，迭代地在该异构网络中进行推理，最终的资源扩散转移矩阵的计算公式如下：f＝a
′×
w
k
f(i，n
d
n
s
j)的值即是基于网络推理的算法预测药物-通路相互作用的打分，其中，i∈(0，n
d
]，j∈(0，n
p
]是两个正整数；k为资源扩散的次数，对于给定的药物，对于网络中的任意一个通路节点而言，其拥有资源数的多少表明药物与通路之间存在关联性的强弱，即通路节点拥有的资源数越多，其分数越高，药物与该通路之间存在关联性的可能性越大。2.根据权利要求1所述的基于网络推理的药物通路预测方法，其特征在于，其中，步骤1)中，构建子结构-药物-通路异构网络a的过程包括以下步骤：1.1)利用公开的药物基因组学数据，计算药物诱导的基因标签，通过使用通路富集分析，构建已知的药物-通路网络：该网络中，药物集合表示有n种药物，通路集合表示有n种药物，通路集合
表示有n种通路；i∈(0，n
d
]，j∈(0，n
p
]是两个正整数；1.2)基于药物的化学结构信息，计算药物的子结构，构建子结构-药物网络：其中，i∈(0，n
d
]，j∈(0，n
s
]是两个正整数；在该网络中，药物集合]是两个正整数；在该网络中，药物集合表示有n种药物，子结构集合表示有n种子结构；1.3)整合上述两个网络，构建子结构-药物-通路异构网络，表示形式为：。3.根据权利要求1所述的基于网络推理的药物通路预测方法，其特征在于：其中，所述步骤2)包括以下步骤：2.1)构建初始资源矩阵：根据基于网络推理的算法，资源扩散的过程中引入可调节参数α∈[0，1)，用于调节不同节点类型的初始资源分配权重；在初始资源分配过程中，对子结构-药物-通路网络中的任意一个药物节点的所有邻居节点分配一个单位的初始资源，其中，各个子结构节点赋予平均分享总量为α的初始资源，各个通路节点则赋予平均分享总量为1-α的初始资源，带有初始资源分配权重的药物-通路网络和子结构-药物网络的矩阵表示形式分别为：其中，i∈(0，n
d
]，j∈(0，n
p
]是两个正整数。其中，i∈(0，n
d
]，j∈(0，n
s
]是两个正整数。子结构-药物-通路异构网络的初始资源矩阵表示形式为：2.2)构建资源转移矩阵：首先重新定义在资源扩散过程中子结构-药物网络和药物-通路网络的矩阵表示形式，排除那些没有已知通路节点的全新化学实体小分子的影响，具体如下：其中，i∈(0，n
d
]，j∈(0，n
p
]是两个正整数。其中，i∈(0，n
d
]，j∈(0，n
s
]是两个正整数。根据基于网络推理的算法，在资源扩散的过程中引入另外两个可调节参数β∈[0，1)和γ∈(-∞， ∞)，参数β用于调节不同边的类型在资源扩散过程中对模型造成的影响，参数
γ用于调节在资源扩散过程中枢纽节点对模型造成的影响。这样，每一步资源扩散过程的转移矩阵表示形式为：转移矩阵表示形式为：转移矩阵表示形式为：其中，i，j∈(0，n
d
n
s
n
p
]是两个正整数。4.根据权利要求3所述的基于网络推理的药物通路预测方法，其特征在于：其中，α为0.1，β为0.1，γ为-0.8，k为2。5.基于权利要求1～4任一项所述的预测方法构建的药物通路预测模型，其特征在于，包括：输入显示模块、药物通路关系计算模块以及存储模块，其中，所述输入显示模块用于输入疾病-通路网络、与疾病相关的化学实体以及待分析药物组合物，并显示分析结果；所述药物通路关系计算模块依据药物通路预测方法对药物与通路之间存在关联性进行计算，筛选得到潜在通路，并基于该通路对待分析药物组合物与通路之间的相互作用进行打分，所述存储模块实时记录药物通路关系计算模块的结果并进行存储。6.根据权利要求5所述的药物通路预测模型，其特征在于：其中，所述潜在通路为与个数最多的疾病相关的化学实体存在关系的通路。

技术总结
本发明提供了一种基于网络推理的药物通路预测方法及预测模型，采用以下步骤构建得到：首先通过使用大规模药物基因组学数据，构建已知的药物-通路网络；通过计算化学子结构的信息，构建子结构-药物网络；整合子结构-药物网络和药物-通路网络，构建子结构-药物-通路异构网络；然后基于网络推理算法应用到子结构-药物-通路异构网络上，构建药物-通路预测模型；在该模型中，输入新的化学实体分子，输出潜在的通路关系；并结合基于通路的药物重定位策略，发现上市药物中其他的疾病治疗效应。本发明简单有效，在药物通路预测方面及基于通路的药物重定位方面具有较优预测性能；且快速得出结果，相较于试验确定的药物通路关系更加快速高效。速高效。速高效。


技术研发人员：唐贇 吴曾睿 王吉烨 刘桂霞 李卫华
受保护的技术使用者：华东理工大学
技术研发日：2020.11.20
技术公布日：2022/5/20