作者开发了DDIT(Drug Disease Interaction Type),这是一种用户友好的预测工具,可将多个临床表型整合到有条件的受限玻尔兹曼机(RBM)中,以鉴定药物-疾病关联(drug-disease associations,DDA)的不同表型,包括预测输入中尚不清楚的DDA。 背景 药物再利用(drug repurposing)为高速、低风险药物开发提供了一种有效方法。基于...
识别药物与疾病的关联可以有效地挑选出候选关联并进行进一步验证,因此可以加速药物开发。深度学习方法已被证明在许多任务中更有效,包括但不限于人脸识别、问答系统、计算生物学,并且在药物-疾病关联预测中也有成功的应用。最近,图卷积网络展示了它在生物医学领域的强大能力,如microRNA(miRNA)-疾病关联预测和miRNA-耐药关...
在药物-疾病关联预测,deepDR方法从10个与药物相关的网络中计算正点互信息(PPMI)矩阵作为特征,并使用多模态深度自编码器融合PPMI矩阵,最后将融合特征通过变分自编码器进行药物适应症推断。deepDR的优点在于其充分利用了药物相似性网络的拓扑信息,但是并没有考虑疾病的辅助信息;此外,deepDR包括2个独立组件,并不是一个端到...
识别药物与疾病的关联可以有效地挑选出候选关联并进行进一步验证,因此可以加速药物开发。深度学习方法已被证明在许多任务中更有效,包括但不限于人脸识别、问答系统、计算生物学,并且在药物-疾病关联预测中也有成功的应用。最近,图卷积网络展示了它在生物医学领域的强大能力,如microRNA(miRNA)-疾病关联预测和miRNA-耐药关...
以得到每一个药物和每一个疾病之间的第一关联度预测值；利用第二机器学习模型对异构矩阵进行处理，以得到关联度矩阵，其中关联度矩阵包括每一个药物和每一个疾病之间的第二关联度预测值；根据每一个药物和每一个疾病之间的第一关联度预测值和第二关联度预测值，得到每一个药物和每一个疾病之间的关联度预测结果。
1、本发明提出基于矩阵补全和双策略图推理的药物-疾病关联预测方法,提出了新的矩阵补全方法和双向邻域约束图推理,解决了现有技术中因药物-疾病关联网络中大量缺失信息未得到充分补充,以及图推理技术受限于局部性和单向推理,导致预测精度不足的问题。 2、本发明的技术方案是这样实现的: ...
3、因此,需要环节标签稀疏性以及充分捕获高阶语义与交互信息从而提高预测准确度的药物-疾病关联预测方法。 技术实现思路 1、有鉴于此,本发明提供了基于跨视图对比学习的药物-疾病关联预测方法及系统,通过定义有效的跨视图对比学习辅助任务,解决现有方法所面临的标签稀疏性以及增强视图中必要关联结构缺失问题。
本发明提出了一种基于变分自编码器的药物‑疾病关联预测方法,主要解决现有技术预测药物‑疾病关联精度较低的问题,包括如下步骤:(1)构建药物‑疾病关联矩阵A和疾病‑药物关联矩阵B;(2)构建药物特征矩阵C和疾病特征矩阵D;(3)搭建基于变分自编码器的药物‑疾病关联预测模型H;(4)对基于变分自编码器的药物‑疾...
将药物和疾病的相似性矩阵输入至两个独立的图神经网络中进行监督学习,提取药物和疾病的特征表示;利用矩阵整合药物和疾病的特征表示,得到本次的药物‑疾病预测关联矩阵;将本次的药物‑疾病预测关联矩阵代替随机游走后的药物‑疾病关联矩阵,使两个图神经网络重复进行上述监督学习,直至满足预设优化目标,得到最终的预测...
通过提取药物和疾病特征以及有效融合药物和疾病多重相似性特征实现药物和疾病相关性预测的方法进行研究,具体工作如下:第一,提出一种基于堆叠自编码器的药物-疾病相关性预测算法.首先,利用堆叠自编码器从原始药物和疾病关联矩阵中学习药物和疾病的潜在特征.然后,通过整合药物和疾病的潜在特征,药物结构相似性和疾病语义相似...