-
公开(公告)号:CN111681718A
公开(公告)日:2020-09-18
申请号:CN202010531562.4
申请日:2020-06-11
Applicant: 湖南大学
Abstract: 本发明属于计算机生物信息学领域,公开了一种基于深度学习多源异构网络的药物重定位方法。本发明包括步骤:使用随机游走方法,得到概率共生矩阵数据集;利用移位正点互信息(PPMI)矩阵方法计算数据集;利用计算所得的多源数据集对图卷积编码器模型进行训练,获得药物信息的低维嵌入表示作为变分自编码器的输入数据进行参数训练,将训练好的模型结合已知的药物疾病关联矩阵做最终的药物重定位预测。本发明避免了传统特征提取方法的局限,如:高度依赖于医护人员的经提取出有区分性的高质量特征,也往往存在一定的困难,而且准确率低,本发明借助于图卷积编码器模型和变分自编码器网络模型,实现高精度的药物重定位预测。
-
公开(公告)号:CN113053457B
公开(公告)日:2022-04-05
申请号:CN202110321988.1
申请日:2021-03-25
Applicant: 湖南大学
Abstract: 本发明属于机器学习以及计算机生物信息学领域,公开了一种基于多通路图卷积神经网络的药物靶标预测方法。本发明包括步骤:基于随机游走的方法,计算药物信息的概率共现矩阵;通过概率共现矩阵计算移位正点互信息(PPMI)矩阵,通过使用计算所得的PPMI矩阵以及带自环的药物信息邻接矩阵作为全局和局部一致性的卷积核,对药物信息网络做图卷积操作,整合复杂有效的节点及拓扑结构知识,并通过交叉熵损失函数以及均方差损失函数联合对模型进行训练,将训练完成的模型作为药物靶标潜在关系预测的模型。本发明避免了传统药物靶标预测方法的局限性。本发明借助于多通路图卷积神经网络模型,实现高精度的药物靶标预测。
-
公开(公告)号:CN113053457A
公开(公告)日:2021-06-29
申请号:CN202110321988.1
申请日:2021-03-25
Applicant: 湖南大学
Abstract: 本发明属于机器学习以及计算机生物信息学领域,公开了一种基于多通路图卷积神经网络的药物靶标预测方法。本发明包括步骤:基于随机游走的方法,计算药物信息的概率共现矩阵;通过概率共现矩阵计算移位正点互信息(PPMI)矩阵,通过使用计算所得的PPMI矩阵以及带自环的药物信息邻接矩阵作为全局和局部一致性的卷积核,对药物信息网络做图卷积操作,整合复杂有效的节点及拓扑结构知识,并通过交叉熵损失函数以及均方差损失函数联合对模型进行训练,将训练完成的模型作为药物靶标潜在关系预测的模型。本发明避免了传统药物靶标预测方法的局限性。本发明借助于多通路图卷积神经网络模型,实现高精度的药物靶标预测。
-
公开(公告)号:CN111681718B
公开(公告)日:2022-08-23
申请号:CN202010531562.4
申请日:2020-06-11
Applicant: 湖南大学
Abstract: 本发明属于计算机生物信息学领域,公开了一种基于深度学习多源异构网络的药物重定位方法。本发明包括步骤:使用随机游走方法,得到概率共生矩阵数据集;利用移位正点互信息(PPMI)矩阵方法计算数据集;利用计算所得的多源数据集对图卷积编码器模型进行训练,获得药物信息的低维嵌入表示作为变分自编码器的输入数据进行参数训练,将训练好的模型结合已知的药物疾病关联矩阵做最终的药物重定位预测。本发明避免了传统特征提取方法的局限,如:高度依赖于医护人员的经提取出有区分性的高质量特征,也往往存在一定的困难,而且准确率低,本发明借助于图卷积编码器模型和变分自编码器网络模型,实现高精度的药物重定位预测。
-
公开(公告)号:CN111524546B
公开(公告)日:2022-05-03
申请号:CN202010288303.3
申请日:2020-04-14
Applicant: 湖南大学
Abstract: 本发明属于计算机技术应用领域,公开了一种基于异构信息的药物‑靶标相互作用预测方法。在已知药物‑靶标、药物‑药物和靶标‑靶标的关系矩阵的前提下,通过构建药物和靶标的可变特征表示,重建各关系矩阵。将各重建矩阵与原矩阵之差作为误差矩阵,将各误差矩阵逐元素求平方后再逐元素加和作为重建误差。将重建误差反向求导,通过梯度下降的方法同步更新变量,使重建误差逐渐收敛到最小。取重建误差最小化时的重建药物‑靶标关系矩阵,与原关系矩阵进行对比即可得到新预测出的药物‑靶标相互作用关系。本发明可以充分整合药物和靶标相关的异构信息,为计算机辅助药物发现和药物重定位提供有力的工具,具有良好的应用前景。
-
公开(公告)号:CN111524546A
公开(公告)日:2020-08-11
申请号:CN202010288303.3
申请日:2020-04-14
Applicant: 湖南大学
Abstract: 本发明属于计算机技术应用领域,公开了一种基于异构信息的药物‑靶标相互作用预测方法。在已知药物‑靶标、药物‑药物和靶标‑靶标的关系矩阵的前提下,通过构建药物和靶标的可变特征表示,重建各关系矩阵。将各重建矩阵与原矩阵之差作为误差矩阵,将各误差矩阵逐元素求平方后再逐元素加和作为重建误差。将重建误差反向求导,通过梯度下降的方法同步更新变量,使重建误差逐渐收敛到最小。取重建误差最小化时的重建药物‑靶标关系矩阵,与原关系矩阵进行对比即可得到新预测出的药物‑靶标相互作用关系。本发明可以充分整合药物和靶标相关的异构信息,为计算机辅助药物发现和药物重定位提供有力的工具,具有良好的应用前景。
-
-
-
-
-