基于多尺度特征融合的药物-药物相互作用预测的研究
这是一篇关于药物-药物相互作用,特征融合,知识图谱,图神经网络的论文, 主要内容为药物-药物相互作用多指当服用两种或两种以上药物时会产生不良药物副作用。不良药物反应极有可能导致其他疾病甚至造成患者死亡,因此对药物相互作用进行准确预测至关重要。基于传统实验室的预测方法面临着人力物力以及财力等问题。随着高通量技术以及深度学习技术的进步,生物医药领域积累了大量可用数据,如何使用深度学习技术去挖掘数据中潜存的有价值的信息具有重要的意义。对此,本文基于多源生物医学数据、目前较为流行的知识图谱以及图神经网络技术对药物之间潜在的不良反应进行研究。本文主要研究工作内容如下:(1)针对大多数研究工作仅关注药物-药物相似性网络或者与药物相关的相似性特征,而很少挖掘不同网络或者特征之间存在的相关性以及高阶语义信息等问题,本文提出了一种基于知识感知的图注意力网络模型Graph DDI用于预测药物相互作用。该算法首先根据从Drug Bank以及KEGG数据库中收集的结构化数据构建生物医药知识图谱,其次通过知识图谱表征模型学习网络的全局拓扑结构以及关系推理模式,并将其作为后续网络节点和关系的初始化表征向量。之后通过多层图注意网络传播模块的迭代学习,可以获得图中目标节点的不同邻居节点的重要程度,并学到融合了局部拓扑结构以及高阶连通语义信息的节点表征,从而用于预测药物之间是否存在相互作用。经实验验证,Graph DDI模型在药物相互作用预测任务上比现有先进的模型拥有更加优越的性能。(2)针对大多数研究工作只关注单一模态的数据,如药物分子结构序列等,而没有考虑药物分子结构以及包含药物辅助信息的知识图谱之间存在的互补作用等问题,本文提出了一种新的多尺度特征融合模型MUFFIN。该模型同时利用了药物化学结构以及生物医药知识图谱以预测药物之间存在的不良反应。该算法通过将嵌入层学到的表征送入双层特征融合架构,使其可以从交叉层以及元素层两个不同单元的角度,联合学习药物内部分子结构图以及外部生物医药知识图谱特征的融合表征,并可以有效地将多种模态数据的特征进行更好地组合交互,从而提高预测药物相互作用的能力。特别地,本文考虑了三种不同的药物相互作用预测任务(即二分类、多分类以及多标签分类任务)来评估MUFFIN模型的有效性。经实验验证,MUFFIN模型在不同实验设置中均展示出了最好的性能,这也进一步证明了模型的有效性以及融合多种模态信息的重要性。
基于多尺度特征融合的药物-药物相互作用预测的研究
这是一篇关于药物-药物相互作用,特征融合,知识图谱,图神经网络的论文, 主要内容为药物-药物相互作用多指当服用两种或两种以上药物时会产生不良药物副作用。不良药物反应极有可能导致其他疾病甚至造成患者死亡,因此对药物相互作用进行准确预测至关重要。基于传统实验室的预测方法面临着人力物力以及财力等问题。随着高通量技术以及深度学习技术的进步,生物医药领域积累了大量可用数据,如何使用深度学习技术去挖掘数据中潜存的有价值的信息具有重要的意义。对此,本文基于多源生物医学数据、目前较为流行的知识图谱以及图神经网络技术对药物之间潜在的不良反应进行研究。本文主要研究工作内容如下:(1)针对大多数研究工作仅关注药物-药物相似性网络或者与药物相关的相似性特征,而很少挖掘不同网络或者特征之间存在的相关性以及高阶语义信息等问题,本文提出了一种基于知识感知的图注意力网络模型Graph DDI用于预测药物相互作用。该算法首先根据从Drug Bank以及KEGG数据库中收集的结构化数据构建生物医药知识图谱,其次通过知识图谱表征模型学习网络的全局拓扑结构以及关系推理模式,并将其作为后续网络节点和关系的初始化表征向量。之后通过多层图注意网络传播模块的迭代学习,可以获得图中目标节点的不同邻居节点的重要程度,并学到融合了局部拓扑结构以及高阶连通语义信息的节点表征,从而用于预测药物之间是否存在相互作用。经实验验证,Graph DDI模型在药物相互作用预测任务上比现有先进的模型拥有更加优越的性能。(2)针对大多数研究工作只关注单一模态的数据,如药物分子结构序列等,而没有考虑药物分子结构以及包含药物辅助信息的知识图谱之间存在的互补作用等问题,本文提出了一种新的多尺度特征融合模型MUFFIN。该模型同时利用了药物化学结构以及生物医药知识图谱以预测药物之间存在的不良反应。该算法通过将嵌入层学到的表征送入双层特征融合架构,使其可以从交叉层以及元素层两个不同单元的角度,联合学习药物内部分子结构图以及外部生物医药知识图谱特征的融合表征,并可以有效地将多种模态数据的特征进行更好地组合交互,从而提高预测药物相互作用的能力。特别地,本文考虑了三种不同的药物相互作用预测任务(即二分类、多分类以及多标签分类任务)来评估MUFFIN模型的有效性。经实验验证,MUFFIN模型在不同实验设置中均展示出了最好的性能,这也进一步证明了模型的有效性以及融合多种模态信息的重要性。
基于知识图谱可解释的药物相互作用预测方法研究
这是一篇关于药物-药物相互作用,知识图谱,可解释性,多重注意力,对比学习的论文, 主要内容为多种药物的联合用药极有可能引发药物相互作用(Drug-Drug Interact,DDI)。DDI是一把双刃剑,正向的DDI会增强疗效,而负向的DDI会削弱药效,引起药物不良反应(Drug-Drug Adverse Reaction,DDADR),甚至危及生命。而且,随着获批药物数量的增加,发生药物之间相互作用的可能性日益增加。因此,如何有效预测DDI成为临床实践中亟待解决又非常艰巨的任务。尽管体内和体外的湿实验可以发现潜在的DDI,但是需要较长的试验周期,并且消耗大量的研究资源。目前,基于机器学习和深度学习的计算方法已经被广泛应用于DDI预测任务,药物数据资源的不断丰富也使得这些方法的性能不断提升,然而DDI预测任务仍面临着诸多挑战:(1)目前基于机器学习和深度学习的DDI预测方法大多是数据驱动的,存在数据稀疏和冷启动问题,且过度依赖稀少的标记数据,没有充分利用大量的无标记数据;(2)现有的数据驱动DDI预测方法包含的多元信息不够丰富(如没有充分地利用药物的化学结构信息),因此无法获得具有丰富语义的药物特征表示,进而影响DDI预测结果。同时这些方法缺乏结果的解释性,而结果可解释性对于医学相关领域非常重要;(3)基于知识驱动的DDI预测方法受限于传统的知识图谱嵌入方法和训练模式,获得的药物特征表示质量不高,需要改进基于知识驱动的DDI预测方法,获得更具有辨识度的药物特征表示,进而提高DDI预测效果。针对以上问题,本论文对DDI预测问题和现有关键技术进行了研究,逐步深入地提出了一系列基于知识图谱可解释的DDI预测方法。论文的主要创新成果如下:(1)提出了基于结构感知和多视图共识约束对比学习的药物相互作用预测方法(SAMVC-GCL),以解决数据驱动DDI预测方法数据稀疏,且过度依赖标记数据的问题。首先,利用与药物相关的生物医学信息和药物子结构信息构建药物知识图谱,并应用信息流理论进行药物知识图谱上的信息传播,构成DDI网络;其次,运用多模态图卷积网络(Graph Convolution Network,GCN)对DDI网络进行卷积,并使用多视图共识约束对比学习策略进行模型训练,从而得到信息更加丰富、质量更高的药物特征表示;最后,利用注意力机制(Attention Mechanism,AM)融合多源药物特征表示,并进行DDI预测。(2)提出了基于知识图谱和多重注意力编码的药物相互作用预测方法(KGMAC),以解决目前DDI预测方法不具有DDI预测结果可解释性的问题。首先,构建化学元素知识图谱,通过知识图谱嵌入技术初始化知识图谱,并将其增广到药物分子结构图中,生成具有领域知识的药物分子增强图;之后,通过多重注意力编码器融合药物化学结构的拓扑信息和知识图谱中的领域信息,生成高质量的药物特征表示并用于下一步的DDI预测任务。此成果也成为后续继续优化研究的基础。(3)提出了基于知识图谱和双通道对比学习的药物相互作用预测方法(KGDCL),以解决基于知识驱动的DDI预测方法受限于传统的知识图谱嵌入方法和训练模式,获得的药物特征表示质量不高的问题。首先,使用多重注意力编码器和GCN编码器对双通道数据分别进行编码,生成基于药物分子增强图和原始药物分子结构图的药物特征表示;之后,使用硬负样本挖掘的方式产生负样本。它与随机增删结点等方式相比,生成的负样本质量更高,更有助于对比训练;最后,通过双通道对比学习的方式进行模型训练,进一步提升了药物特征表示质量,进而提高了DDI预测性能。本论文在TWOSIDES、Drug Bank、SIDER、OFFSIDES和Pub Chem数据集上进行了丰富的实验,并且采用多项指标进行评估。实验结果表明,本论文提出的一系列模型从准确度和可解释性两方面优于目前一些优秀的DDI预测模型,实现了DDI的可解释预测,有助于制定更有效的用药治疗方案和提高新药研发效率。
基于图神经网络的生物网络表示学习研究
这是一篇关于生物网络,表示学习,图神经网络,药物-药物相互作用,癌症预测的论文, 主要内容为随着计算机技术的进步,很多生物数据以网络的格式进行存储。越来越多的科研学者聚焦于生物网络数据的研究,包括药物-药物相互作用预测和癌症患者预期寿命预测。准确的药物-药物相互作用预测可以帮助医生做出更有效的决策,为患者建立合适的治疗方案。但是现有的工作很少关注药物与多模态数据之间的潜在相关性。在癌症患者预期寿命预测方面,尽管许多方法取得了不错的性能,但仍有改进空间,主要包括两个方面:如何利用癌症患者与多模态医疗数据之间的结构信息,如何挖掘多模态医学数据之间的互补信息。本文提出了两种生物网络表示学习模型,有效解决了药物-药物相互作用预测和癌症患者预期寿命预测的难点。本文的主要工作及贡献如下:(1)本文提出一个生物知识图谱表示学习模型,用于药物-药物相互作用事件的预测。在该模型中,设计了一个双通道框架,包括基于生物知识图谱的通道、基于异质特征的通道以及表示融合层。在基于生物知识图谱的通道中,设计图神经网络从生物知识图谱中提取了药物的拓扑结构信息和语义关系。在基于异质特征的通道中,挖掘了不同药物异质特征的多模态相似性。最后,设计了一个表示融合层,进行了药物拓扑结构信息和异质特征的联合表示学习,探索了多模态数据的跨模态互补性。在数据集上进行了广泛的实验,证明了模型具有良好的预测性能。(2)本文还提出一种癌症-基因网络表示学习模型,用于癌症患者预期寿命的预测。在该癌症患者预期寿命预测模型中,首先利用基因表达数据或拷贝数变异数据构建了不同的癌症-基因网络,用于探索癌症患者与基因表达数据的内在关系。基于已构建的癌症-基因网络,提出了一个新颖的多模态图神经网络模型来计算每个患者的嵌入表示。最后,通过多模态表示融合层将癌症患者的多模态表示进一步融合,从而进行癌症患者预期寿命的预测。在真实世界的数据集上进行了大量的实验。实验结果表明,该模型在癌症患者预期寿命预测的准确性方面优于经典和最新的对比方法。图17幅,表9个,参考文献92篇
基于多尺度特征融合的药物-药物相互作用预测的研究
这是一篇关于药物-药物相互作用,特征融合,知识图谱,图神经网络的论文, 主要内容为药物-药物相互作用多指当服用两种或两种以上药物时会产生不良药物副作用。不良药物反应极有可能导致其他疾病甚至造成患者死亡,因此对药物相互作用进行准确预测至关重要。基于传统实验室的预测方法面临着人力物力以及财力等问题。随着高通量技术以及深度学习技术的进步,生物医药领域积累了大量可用数据,如何使用深度学习技术去挖掘数据中潜存的有价值的信息具有重要的意义。对此,本文基于多源生物医学数据、目前较为流行的知识图谱以及图神经网络技术对药物之间潜在的不良反应进行研究。本文主要研究工作内容如下:(1)针对大多数研究工作仅关注药物-药物相似性网络或者与药物相关的相似性特征,而很少挖掘不同网络或者特征之间存在的相关性以及高阶语义信息等问题,本文提出了一种基于知识感知的图注意力网络模型Graph DDI用于预测药物相互作用。该算法首先根据从Drug Bank以及KEGG数据库中收集的结构化数据构建生物医药知识图谱,其次通过知识图谱表征模型学习网络的全局拓扑结构以及关系推理模式,并将其作为后续网络节点和关系的初始化表征向量。之后通过多层图注意网络传播模块的迭代学习,可以获得图中目标节点的不同邻居节点的重要程度,并学到融合了局部拓扑结构以及高阶连通语义信息的节点表征,从而用于预测药物之间是否存在相互作用。经实验验证,Graph DDI模型在药物相互作用预测任务上比现有先进的模型拥有更加优越的性能。(2)针对大多数研究工作只关注单一模态的数据,如药物分子结构序列等,而没有考虑药物分子结构以及包含药物辅助信息的知识图谱之间存在的互补作用等问题,本文提出了一种新的多尺度特征融合模型MUFFIN。该模型同时利用了药物化学结构以及生物医药知识图谱以预测药物之间存在的不良反应。该算法通过将嵌入层学到的表征送入双层特征融合架构,使其可以从交叉层以及元素层两个不同单元的角度,联合学习药物内部分子结构图以及外部生物医药知识图谱特征的融合表征,并可以有效地将多种模态数据的特征进行更好地组合交互,从而提高预测药物相互作用的能力。特别地,本文考虑了三种不同的药物相互作用预测任务(即二分类、多分类以及多标签分类任务)来评估MUFFIN模型的有效性。经实验验证,MUFFIN模型在不同实验设置中均展示出了最好的性能,这也进一步证明了模型的有效性以及融合多种模态信息的重要性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计客栈 ，原文地址：https://m.bishedaima.com/lunwen/56225.html
