买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：宁夏大学

摘要：本发明公开了一种药物靶点关系的预测方法、装置和设备。先获取药物‑靶点交互多关系图作为训练数据集，然后基于多关系图神经网络，构造针对实体的实体级注意力、针对药物和靶点间关系类型的关系级注意力以及药物或靶点实体嵌入层级的层级注意力，得到对比学习主视图，再基于对比学习主视图进行层次注意力去除得到多个对比视图，并通过对比学习联合对比视图和对比学习主视图训练后进行应用。采用多视图嵌入技术和层次注意力机制，使每个视图包含的特征信息都有不同的侧重点。利用对比学习的思想，学习药物‑靶点交互多关系图的嵌入表示，在对比学习中对比视图能够根据实际药物发现场景灵活调整参数，提高了对于不同疾病类型的图数据的适用性。

主权项：1.一种药物靶点关系的预测方法，其特征在于，包括：获取药物-靶点交互多关系图；所述药物-靶点交互多关系图为：G＝V,R,ξ，{v,r,u∈V×R×V}；基于多关系图神经网络，通过下式构造药物-靶点交互多关系图在每种药物-靶点关系类型下不同药物或靶点实体重要性的实体级注意力： 通过下式构造药物-靶点交互多关系图在每种药物或靶点实体下不同药物-靶点关系类型重要性的关系级注意力： 及通过下式构造药物-靶点交互多关系图药物或靶点实体嵌入层级的层级注意力：以得到药物-靶点多关系图分层关注网络并将其作为对比学习主视图；得到的药物-靶点多关系图分层关注网络的各传播层为： 去除药物-靶点多关系图分层关注网络中的实体级注意力，得到第一对比视图；去除药物-靶点多关系图分层关注网络中的实体级注意力和关系级注意力，得到第二对比视图；得到的第二对比视图的各传播层为： 将药物-靶点交互多关系图分别输入对比学习主视图、第一对比视图及第二对比视图进行网络嵌入；根据最大化对比学习主视图中目标实体和其邻居实体之间网络嵌入的一致性和最大化第一对比视图和第二对比视图中目标实体与对比学习主视图全图嵌入之间的差异，构造总对比损失；并以最小化总对比损失为优化目标，对药物-靶点多关系图分层关注网络进行训练；并通过训练后的药物-靶点多关系图分层关注网络进行药物靶点关系的预测；第一对比视图和对比学习主视图之间第一对比损失函数为：第二对比视图和对比学习主视图之间第二对比损失函数为：总对比损失为：其中，G为药物-靶点交互多关系图，V为包括药物和靶点的实体集合，R为药物和靶点间的关系集合，ξ表示知识集合，三元组v,r,u中v为药物实体，u为靶点实体，r为药物实体v和靶点实体u的关系类型；表示药物-靶点关系类型r下药物实体v的输入表示向量，表示药物-靶点关系类型r下靶点实体u的输入表示向量，||表示连接运算符，ar表示药物-靶点关系类型r的关注度函数的权重向量参数，表示基于softmax函数在药物-靶点关系类型r下实体间的重要性系数，表征靶点实体u对药物实体v的重要性，σ表示激活函数，qT表示药物或靶点实体级注意力向量，R表示药物-靶点关系类型的集合，Wr和br为待训练参数，为药物-靶点关系类型r下药物实体v的所有邻居靶点实体的集合，表示在药物实体v下不同药物-靶点关系类型的重要性，为药物实体或靶点实体在嵌入传播层i的向量表示，ci为不同传播层对药物实体v的重要性，表征第i层嵌入对最终实体表示的自适应贡献的层级关注；表示药物实体v在i∈I层中的向量表示，表示靶点实体u在i∈I层中的向量表示，表示药物-靶点关系类型r下药物实体v的邻居节点集合，和表示第i层的待训练权矩阵；表示第一个对比视图中药物-靶点关系类型r下药物实体v的输入表示向量，表示第一个对比视图中药物-靶点关系类型r下靶点实体u的输入表示向量，表示第二个对比视图中药物-靶点关系类型r下药物实体v的输入表示向量，表示第二个对比视图中药物-靶点关系类型r下靶点实体u的输入表示向量；g为对比学习主视图对药物-靶点交互多关系图G＝V,R,ξ的网络嵌入全局图表示，e表示网络嵌入全局图中药物或靶点实体对应目标节点的包括多个邻居实体的子图表示，W为待训练参数矩阵，表示在第一对比视图中实体u的向量表示，|V|表示主视图中药物和靶点实体的数量，表示在第一对比视图中药物和靶点实体的数量，表示在第二对比视图中药物和靶点实体的数量，表示在第二对比视图中靶点实体u的向量表示，θ1和θ2是对比损失控制贡献的超参数，Lm为主要目标函数，Ω表示训练集，表示药物-靶点实体对v,u属于药物-靶点关系类型r的概率，表示对应的标签。

全文数据：

权利要求：

百度查询： 宁夏大学 一种药物靶点关系的预测方法、装置和设备