1.基于图正则化矩阵分解的药物疾病关联关系的预测方法,其特征在于,包括以下步骤:步骤1,根据疾病的分类信息,分别针对各疾病构建有向无环图,基于各疾病的有向无环图提取各疾病之间的语义相似性,再结合现有数据库获取各疾病与药物之间的关联关系,利用图卷积方法在各疾病的有向无环图中提取疾病特征,构建疾病特征矩阵,计算各疾病之间的余弦相似性,通过将各疾病之间的语义相似性和余弦相似性相融合,得到基于有向无环图的疾病关联关系;
步骤2,提取现有数据库中各药物分子的药物特征,得到药物特征矩阵,通过计算各药物特征之间的余弦相似性,得到药物分子相似性网络;
步骤3,根据疾病特征矩阵和药物特征矩阵,建立药物分子与疾病之间的关联矩阵;
步骤4,基于图正则化与核方法的矩阵分解算法,对药物分子与疾病之间的关联矩阵进行特征分解,结合现有数据库的药物疾病关系图网络,构建目标函数,优化药物相似性网络和疾病相似性网络中节点的近邻关系,预测药物分子与疾病之间的关联。
2.根据权利要求1所述的基于图正则化矩阵分解的药物疾病关联关系的预测方法,其特征在于,所述步骤1中,具体包括以下步骤:步骤1.1,根据疾病的分类信息,分别针对各疾病构建有向无环图,获取各疾病有向无环图中所有节点的语义值;
所述有向无环图内设置有多个节点,将疾病d本身作为子节点、将于疾病d相关的疾病作为父辈节点,分别针对各疾病构建有向无环图,有向无环图表示为:DAG(d)=(N(d),E(d)) (1)式中,d为疾病名称,DAG(·)为疾病的有向无环图,N(·)为有向无环图中与疾病有关的父辈节点,E(·)为有向无环图中父辈节点与子节点之间的连接关系;
分别计算各疾病有向无环图中所有节点的语义值,如公式(2)所示:
式中,n为节点编号,n'为节点n的子节点,Cd(·)为节点相对于疾病d的语义值,Δ为语义贡献因子;
分别根据各疾病有向无环图中所有节点的语义值,确定各疾病的语义值,如公式(3)所示:DV(d)=∑n∈N(d)Cd(n) (3)式中,DV(·)为疾病的语义值;
步骤1.2,根据各疾病的语义值,计算疾病之间的语义相似性,如公式(4)所示:式中, 为疾病i与疾病j之间的语义相似性,x为疾病i与疾病j的有向无环图均含有的节点, 为节点x相对于疾病i的语义值, 为节点x相对于疾病j的语义值,为节点n相对于疾病di的语义值,DV(di)为疾病i的语义值,DV(dj)为疾病j的语义值;
步骤1.3,基于现有数据库获取治疗各疾病所采用的药物,分别针对各疾病确定疾病与药物之间的关联关系,提取疾病与药物之间的关联关系并作为描述符,(所述描述符为二进制向量,描述符的长度为数据库中药物的数量)若疾病与药物相关联,则将描述符的取值设置为1,若疾病与药物之间不存在关联,则将描述符的取值设置为0;
分别针对各疾病,利用图卷积方法在各有向无环图中提取疾病特征,构建疾病特征矩阵,确定各疾病特征的特征值,如公式(5)所示:式中,Xd为描述符值, 为有向无环图中所有节点卷积计算后的特征值,GCN(·)为图卷积函数,Vd为疾病特征的特征值,Pool(·)为聚合函数;
步骤1.4,根据各疾病特征,计算疾病之间的余弦相似性,如公式(6)所示:式中, 为疾病i与疾病j之间的余弦相似性,m为疾病特征的编号,M为疾病特征的总数, 为第m个疾病特征相对于疾病i的特征值, 为第m个疾病特征相对于疾病j的特征值;
步骤1.5,将各疾病之间的语义相似性和余弦相似性相融合,得到基于有向无环图的疾病关联关系,如公式(7)所示:式中, 为疾病i与疾病j之间的关联度,α为融合系数。
3.根据权利要求2所述的基于图正则化矩阵分解的药物疾病关联关系的预测方法,其特征在于,所述步骤1.3中,所述描述符为二进制向量,描述符的长度为数据库中药物的数量。
4.根据权利要求2所述的基于图正则化矩阵分解的药物疾病关联关系的预测方法,其特征在于,所述步骤2中,根据现有数据库中所有药物的分子结构,确定数据库中所包含的药物分子,利用摩根指纹提取现有数据库中所有药物分子的药物特征,建立药物特征矩阵,并计算药物特征矩阵中各药物特征之间的余弦相似性,得到药物分子相似性网络。
5.根据权利要求4所述的基于图正则化矩阵分解的药物疾病关联关系的预测方法,其特征在于,所述步骤3中,药物分子与疾病之间的关联矩阵为:式中,Y为药物分子与疾病之间的关联矩阵,D为疾病特征矩阵,G为药物分子特征矩阵。
6.根据权利要求1所述的基于图正则化矩阵分解的药物疾病关联关系的预测方法,其特征在于,所述步骤4中,利用核方法对药物分子与疾病之间的关联矩阵进行特征分解,得到药物相似性矩阵A和疾病相似性矩阵B,药物相似性矩阵A和疾病相似性矩阵B之间的关联函数为:f(I,J)=∑m,nλm,nκG(<aI,am>)κD(<bJ,bn>) (9)式中,f为药物相似性矩阵A和疾病相似性矩阵B之间的关联函数,I为关联矩阵Y内向量的行序号,用于表示关联矩阵内的药物分子名称,J为关联矩阵Y内向量的列序号,用于表示关联矩阵内的疾病名称;am为药物相似性矩阵A中第m行的数值,bn为疾病相似性矩阵B中第n行的数值,κG为药物向量核函数,κD为疾病向量核函数,aI为药物相似性矩阵A中第I行的数值,bJ为疾病相似性矩阵B中第J行的数值;
基于Kronecker最小二乘法,利用药物向量核函数和疾病向量核函数的Kronecker积加速计算过程,分别对药物向量核函数和疾病向量核函数进行特征分解,获取药物分子与疾病之间的关联函数为:其中,
式中,QG为药物相似性矩阵,QD为疾病相似性矩阵,T为转置矩阵;
根据现有数据库药物疾病关系图网络中药物分子与疾病之间的关联,合并特征分解得到的药物相似性矩阵和疾病相似性矩阵构建目标函数,如公式(12)所示:G*
式中,ym,n为现有数据库中药物分子m与疾病n之间的关系,S 为药物的近邻相似性矩D*阵,S 为疾病的近邻相似性矩阵, 为关联函数f在核K相关的Hilbert空间上的范数,λ、β均为正则化参数;
根据药物相似性矩阵和疾病相似性矩阵,构建药物相似性网络和疾病相似性网络,基于图正则化处理药物相似性网络和疾病相似性网络,分别保留药物相似性网络和疾病相似性网络中各节点相邻节点的几何结构信息,计算得到药物相似性权重和疾病相似性权重,如公式(13)所示:G D
式中,W为药物相似性权重,W为疾病相似性权重,Np(·)为节点P周围节点的集合;
根据药物相似性权重和疾病相似性权重,计算得到药物近邻相似性矩阵以及疾病近邻相似性矩阵,如公式(14)所示:G* G D* D
式中,S 为药物近邻相似性矩阵,S为药物相似性矩阵;S 为疾病近邻相似性矩阵,S为疾病相似性矩阵;
由于药物近邻相似性矩阵与药物相似性矩阵、疾病近邻相似性矩阵与疾病相似性矩阵的几何结构一致,基于药物近邻相似性矩阵和疾病近邻相似性矩阵,利用构建目标函数预测药物分子与疾病之间的关联。