建立药物协同作用预测模型的方法、预测方法及对应装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113643752A(43)申请公布日2021.11.12(21)申请号202110867932.6(22)申请日2021.07.29(71)申请人北京百度网讯科技有限公司地址100085北京市海淀区上地十街10号百度大厦2层(72)发明人胡靖(74)专利代理机构北京鸿德海业知识产权代理有限公司11412代理人田宏宾(51)Int.Cl.G16B15/30(2019.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书9页附图5页(54)发明名称建立药物协同作用预测模型的方法、预测方法及对应装置(57)摘要本公开公开了建立药物协同作用预测模型的方法、预测方法及对应装置，涉及人工智能技术领域下的深度学习和AI医疗等技术。具体实现方案包括：获取关系图，所述关系图中的节点包括药物节点和蛋白质节点，边指示节点间存在相互作用；从所述关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本；将训练样本中的药物节点对作为药物协同作用预测模型的输入，将药物节点对是否存在协同作用的标注作为目标输出，训练所述药物协同作用预测模型；其中所述药物协同作用预测模型基于图卷积网络对所述关系图进行学习得到。基于此能够实现药物协同作用的自动预测，相比较全部采用试验的方式更加节省人力物力成本。CN113643752ACN113643752A权利要求书1/3页1.一种建立药物协同作用预测模型的方法，包括：获取关系图，所述关系图中的节点包括药物节点和蛋白质节点，边指示节点间存在相互作用；从所述关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本；将训练样本中的药物节点对作为药物协同作用预测模型的输入，将药物节点对是否存在协同作用的标注作为目标输出，训练所述药物协同作用预测模型；其中所述药物协同作用预测模型基于图卷积网络对所述关系图进行学习得到。2.根据权利要求1所述的方法，其中，所述药物协同作用预测模型包括图卷积网络层和分类层；所述图卷积网络层用以在所述关系图中获取输入的药物节点对中各药物节点对应的子图，药物节点对应的子图包括药物节点、该药物节点在预设邻域范围内的邻居节点以及该药物节点、邻居节点之间的边；对药物节点对应的子图进行图卷积处理，得到药物节点对应的向量表示；所述分类层用以利用药物节点对中各药物节点对应的向量表示，得到该药物节点对是否存在协同作用的分类结果；所述药物协同作用预测模型的训练目标为：最小化分类结果与对应标注之间的差异。3.根据权利要求2所述的方法，其中，所述预设邻域范围包括：一阶蛋白质邻居节点和一阶蛋白质邻居节点的邻居蛋白质节点。4.根据权利要求2所述的方法，其中，所述关系图中药物节点之间的边以细胞系进行标识，所述训练样本的标注包含细胞系标签；所述分类结果为药物对在所述细胞系是否存在协同作用。5.根据权利要求2所述的方法，其中，所述对药物节点对应的子图进行图卷积处理包括：对所述药物节点对应的子图所包含各节点的特征和各边的特征进行嵌入处理；对所述嵌入处理得到的各节点的特征向量和各边的特征向量进行聚合处理，得到该药物节点对应的向量表示。6.根据权利要求5所述的方法，其中，各边的特征向量的初始值由疾病分类任务预先训练得到；各节点的特征向量的初始值由CCI化合物化合物互作任务预先得到。7.一种药物协同作用的预测方法，包括：从关系图中确定待识别药物节点对；利用所述药物协同作用预测模型对所述待识别药物节点对进行预测，得到所述待识别药物节点对是否存在协同作用的预测结果；其中所述药物协同作用预测模型采用如权利要求1至6中任一项所述的方法预先训练得到。8.一种药物协同作用的预测方法，包括：确定目标细胞系以及从所述关系图中确定待识别药物节点对；利用所述药物协同作用预测模型对所述待识别药物节点对进行预测，得到所述待识别2CN113643752A权利要求书2/3页药物节点对在所述目标细胞系是否存在协同作用的预测结果；其中所述药物协同作用预测模型采用如权利要求4所述的方法预先训练得到。9.一种建立药物协同作用预测模型的装置，包括：图获取单元，用于获取关系图，所述关系图中的节点包括药物节点和蛋白质节点，边指示节点间存在相互作用；样本采集单元，用于从所述关系图中采集已明确协同作用的药物节点对以及该药物节点对是否存在协同作用的标注作为训练样本；模型训练单元，用于将训练样本中的药物节点对作为药物协同作用预测模型的输入，将药物节点对是否存在协同作用的标注作为目标输出，训练所述药物协同作用预测模型；其中所述药物协同作用预测模型基于图卷积网络对所述关系图进行学习得到