本發(fā)明涉及藥物相互作用預(yù)測，特別是基于時空圖注意力網(wǎng)絡(luò)的藥物相互作用預(yù)測系統(tǒng)及其方法。

背景技術(shù)：

1、近年來，隨著多藥聯(lián)用和復(fù)雜治療方案的普及，藥物相互作用的預(yù)測和風(fēng)險評估已成為臨床醫(yī)學(xué)和藥學(xué)研究的重點領(lǐng)域。傳統(tǒng)的藥物相互作用預(yù)測方法主要依賴于實驗室研究和臨床試驗，這不僅耗時耗力，而且難以全面覆蓋所有可能的藥物組合。隨著計算機技術(shù)和人工智能的發(fā)展，基于機器學(xué)習(xí)的藥物相互作用預(yù)測方法逐漸成為研究熱點。

2、現(xiàn)有的機器學(xué)習(xí)方法主要集中在使用藥物的化學(xué)結(jié)構(gòu)、靶點信息和基因表達數(shù)據(jù)等靜態(tài)特征來預(yù)測藥物相互作用。例如，一些研究者使用支持向量機(svm)或隨機森林(random?forest)等傳統(tǒng)機器學(xué)習(xí)算法，基于藥物的分子指紋或蛋白質(zhì)序列信息進行相互作用預(yù)測。這些方法雖然在某些情況下取得了一定成效，但仍存在明顯的局限性。首先，它們往往忽視了藥物作用的時間動態(tài)特性，無法捕捉藥物在體內(nèi)隨時間變化的復(fù)雜相互作用模式。其次，這些方法難以有效建模藥物之間的間接相互作用，特別是通過生物大分子介導(dǎo)的復(fù)雜相互作用網(wǎng)絡(luò)。

3、近期，一些研究者開始嘗試使用深度學(xué)習(xí)方法，如圖神經(jīng)網(wǎng)絡(luò)(gnn)來建模藥物相互作用網(wǎng)絡(luò)。這些方法在一定程度上改善了對復(fù)雜相互作用的建模能力，但仍然主要關(guān)注靜態(tài)的相互作用模式，難以準(zhǔn)確預(yù)測和評估動態(tài)變化的藥物相互作用風(fēng)險。此外，現(xiàn)有的大多數(shù)方法缺乏對預(yù)測結(jié)果的可解釋性，這在臨床決策中是一個嚴(yán)重的缺陷。

4、鑒于現(xiàn)有技術(shù)的不足，亟需一種能夠同時考慮藥物相互作用的時間動態(tài)特性和復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，并提供可解釋性風(fēng)險評估的預(yù)測系統(tǒng)。本發(fā)明正是針對這一迫切需求提出的創(chuàng)新性解決方案。

技術(shù)實現(xiàn)思路

1、本發(fā)明提出的基于時空圖注意力網(wǎng)絡(luò)的藥物相互作用預(yù)測系統(tǒng)及其風(fēng)險評估方法，旨在解決現(xiàn)有技術(shù)中無法有效捕捉藥物相互作用時間動態(tài)特性、難以建模復(fù)雜相互作用網(wǎng)絡(luò)以及缺乏可解釋性風(fēng)險評估的技術(shù)問題。

2、本發(fā)明提出了基于時空圖注意力網(wǎng)絡(luò)的藥物相互作用預(yù)測系統(tǒng)，包括：

3、子圖生成模塊，用于：

4、獲取藥物分子及其代謝產(chǎn)物的數(shù)據(jù)；

5、生成包括直接交互子圖和間接交互子圖的藥物分子時空動態(tài)圖；

6、增強時空分子圖表示模塊，與所述子圖生成模塊相連，用于：

7、接收所述藥物分子時空動態(tài)圖；

8、基于所述藥物分子時空動態(tài)圖，捕獲藥物分子圖的時間動態(tài)特征；

9、建立藥物之間通過生物大分子相互作用的中介傳遞關(guān)系；

10、生成藥物分子節(jié)點表示向量和時間上下文向量；

11、藥物相互作用預(yù)測模塊，與所述增強時空分子圖表示模塊相連，用于：

12、接收所述藥物分子節(jié)點表示向量和時間上下文向量；

13、基于所述藥物分子節(jié)點表示向量和時間上下文向量，預(yù)測未來時間窗口內(nèi)藥物之間的相互作用；

14、風(fēng)險評估模塊，與所述藥物相互作用預(yù)測模塊相連，用于：

15、接收所述未來時間窗口內(nèi)藥物之間的相互作用預(yù)測結(jié)果；

16、基于概率圖模型，對所述預(yù)測結(jié)果進行可解釋性風(fēng)險評估。

17、作為優(yōu)選，所述子圖生成模塊包括：

18、經(jīng)監(jiān)督學(xué)習(xí)單元，用于：

19、計算訓(xùn)練集藥物分子集中藥物節(jié)點的向量表示之間的相關(guān)性；

20、獲得藥物之間的相關(guān)性矩陣m1；

21、雙向圖注意力單元，用于：

22、基于所述相關(guān)性矩陣m1，捕獲藥物之間直接作用關(guān)系；

23、生成直接交互子圖h1；

24、自監(jiān)督學(xué)習(xí)單元，用于：

25、引入圖注意力層，捕獲藥物之間的直接和間接作用關(guān)系；

26、生成間接交互子圖h2。

27、作為優(yōu)選，所述雙向圖注意力單元采用如下計算公式更新藥物分子節(jié)點表示：

28、h1＝h1′·w1+b1,

29、其中，h′1是經(jīng)過第一層圖注意力網(wǎng)絡(luò)的輸出，w1為可訓(xùn)練的參數(shù)矩陣，b1為偏置項。

30、作為優(yōu)選，所述自監(jiān)督學(xué)習(xí)單元采用如下計算公式更新藥物分子節(jié)點表示：

31、h2＝h2″·w2+b2,

32、其中，h″2是經(jīng)過第二層圖注意力網(wǎng)絡(luò)的輸出，w2為可訓(xùn)練的參數(shù)矩陣，b2為偏置項。

33、作為優(yōu)選，所述增強時空分子圖表示模塊包括：

34、時空特征提取單元，用于：

35、計算t-k時刻和t時刻的關(guān)系矩陣mk；

36、基于所述關(guān)系矩陣mk，獲取藥物與時間的交互關(guān)系特征；

37、第一圖注意力更新單元，用于：

38、基于所述關(guān)系矩陣mk，計算t時刻的藥物分子節(jié)點表示；

39、第二圖注意力更新單元，用于：

40、計算藥物分子節(jié)點之間的相關(guān)性矩陣；

41、基于所述相關(guān)性矩陣，進一步更新t時刻的藥物分子節(jié)點表示。

42、作為優(yōu)選，所述第一圖注意力更新單元采用如下計算公式更新t時刻的藥物分子節(jié)點表示：

43、x′(i)＝σ′(ai·(mt-k·s(i)+mt-k·s(j))),

44、其中，x′(i)是更新后的藥物分子節(jié)點表示，σ′為激活函數(shù)，ai為可學(xué)習(xí)參數(shù)，mt-k為t-k時刻和t時刻的關(guān)系矩陣，s(i)和s(j)分別為i和j節(jié)點的表示。

45、作為優(yōu)選，所述藥物相互作用預(yù)測模塊包括：

46、全局平均池化單元，用于：

47、將所述藥物分子節(jié)點表示向量融合到時間上下文向量中；

48、概率圖模型單元，用于：

49、構(gòu)建藥物相互作用的概率圖模型；

50、評估藥物在未來t時間窗口內(nèi)相互作用概率的分布。

51、作為優(yōu)選，所述概率圖模型單元采用如下公式構(gòu)建概率圖模型：

52、p(y|x)＝πt?p(yt|xt,yt-1),

53、其中，y表示藥物相互作用的預(yù)測結(jié)果，x表示輸入特征，t表示時間步。作為優(yōu)選，所述風(fēng)險評估模塊采用最大似然估計方法進行風(fēng)險評估，其

54、近似解為：

55、

56、作為優(yōu)選，所述概率圖模型單元采用如下公式構(gòu)建概率圖模型其中，k為負(fù)時間窗口的總數(shù)，k′為正時間窗口的總數(shù)，zt-k為t-k時刻的潛在變量，zt+1為t+1時刻的潛在變量，θ為模型參數(shù)。

57、采用所述的基于時空圖注意力網(wǎng)絡(luò)的藥物相互作用預(yù)測系統(tǒng)的方法，包括以下步驟：

58、構(gòu)建藥物分子圖，包括：

59、通過所述子圖生成模塊獲得藥物分子圖，所述藥物分子圖包括直接交互子圖和間接交互子圖；

60、捕獲時空特征，包括：

61、通過所述增強時空分子圖表示模塊，捕獲藥物分子圖的時間動態(tài)特征；

62、建立藥物之間間接通過生物大分子相互作用的中介傳遞關(guān)系；

63、獲得藥物分子節(jié)點表示向量和時間上下文向量；

64、預(yù)測藥物相互作用，包括：

65、通過所述藥物相互作用預(yù)測模塊，利用所述藥物分子節(jié)點表示向量和時間上下文向量預(yù)測未來時間窗口內(nèi)藥物之間的相互作用；

66、進行風(fēng)險評估，包括：

67、根據(jù)所述藥物之間的相互作用預(yù)測結(jié)果，評估藥物與時間窗口的交互關(guān)系；

68、構(gòu)建基于概率圖模型的藥物相互作用預(yù)測系統(tǒng)；

69、基于所述概率圖模型的藥物相互作用預(yù)測系統(tǒng)，進行可解釋性風(fēng)險評估。

70、本發(fā)明的有益效果主要體現(xiàn)在以下幾個方面：

71、本發(fā)明通過創(chuàng)新性地結(jié)合時空圖注意力網(wǎng)絡(luò)、概率圖模型和可解釋性風(fēng)險評估方法，實現(xiàn)了對藥物相互作用的精確預(yù)測和可靠風(fēng)險評估。該系統(tǒng)的核心優(yōu)勢體現(xiàn)在以下幾個方面：

72、首先，本發(fā)明的子圖生成模塊通過融合直接交互子圖和間接交互子圖，全面捕捉了藥物分子之間的復(fù)雜相互作用關(guān)系。這種設(shè)計不僅考慮了藥物的直接作用，還能有效建模通過生物大分子介導(dǎo)的間接相互作用，大幅提升了對復(fù)雜藥物相互作用網(wǎng)絡(luò)的建模能力。

73、其次，增強時空分子圖表示模塊創(chuàng)新性地引入了時間維度，通過捕獲藥物分子圖的時間動態(tài)特征，實現(xiàn)了對藥物相互作用時序模式的精確建模。這一特性使得本發(fā)明能夠準(zhǔn)確預(yù)測藥物在不同時間點的相互作用強度變化，為臨床用藥方案的制定提供了重要依據(jù)。

74、再者，藥物相互作用預(yù)測模塊采用了先進的概率圖模型，不僅能夠預(yù)測藥物相互作用的強度，還能評估預(yù)測結(jié)果的不確定性。這種概率方法大大提高了預(yù)測的可靠性，為臨床決策提供了更全面的信息支持。

75、最后，本發(fā)明的風(fēng)險評估模塊通過采用最大似然估計方法，實現(xiàn)了對預(yù)測結(jié)果的可解釋性評估。這一特性使得醫(yī)生和研究人員能夠清晰理解預(yù)測結(jié)果的依據(jù)和可靠性，從而做出更加明智的臨床決策。

76、從整體架構(gòu)來看，本發(fā)明各模塊之間緊密協(xié)作，形成了一個完整的藥物相互作用預(yù)測和風(fēng)險評估流程。子圖生成模塊為后續(xù)分析提供了豐富的特征表示，增強時空分子圖表示模塊捕獲了時間動態(tài)特性，藥物相互作用預(yù)測模塊實現(xiàn)了精確預(yù)測，而風(fēng)險評估模塊則提供了可靠的風(fēng)險評估。這種模塊間的協(xié)同效應(yīng)不僅解決了現(xiàn)有技術(shù)中的各項技術(shù)矛盾，還產(chǎn)生了顯著的效果疊加和互補。

77、從微觀角度來看，本發(fā)明在多個技術(shù)細(xì)節(jié)上都有創(chuàng)新和突破。例如，在子圖生成過程中采用的雙向圖注意力機制，能夠有效捕獲藥物分子間的非對稱相互作用；增強時空分子圖表示模塊中使用的多層次圖注意力更新機制，則能夠充分利用藥物相互作用的多尺度特性。這些微觀層面的創(chuàng)新共同構(gòu)建了本發(fā)明的技術(shù)壁壘，使其在藥物相互作用預(yù)測和風(fēng)險評估領(lǐng)域具有顯著的技術(shù)優(yōu)勢。

78、總的來說，本發(fā)明通過創(chuàng)新性地解決了藥物相互作用預(yù)測中的關(guān)鍵技術(shù)難題，不僅提高了預(yù)測的準(zhǔn)確性和可靠性，還為臨床決策提供了可解釋的風(fēng)險評估結(jié)果。這一系統(tǒng)有望在個性化醫(yī)療、新藥研發(fā)和藥物安全評估等領(lǐng)域發(fā)揮重要作用，為提高用藥安全性和治療效果做出重要貢獻。