(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111658146.1 (22)申请日 2021.12.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 114242186 A (43)申请公布日 2022.03.25 (73)专利权人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路麓山门 (72)发明人 金敏　龚后武　 (74)专利代理 机构 长沙楚为知识产权代理事务 所(普通合伙) 43217 专利代理师 陶祥琲 (51)Int.Cl. G16C 20/70(2019.01) G16C 20/50(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112927765 A,2021.0 6.08 CN 111681718 A,2020.09.18 CN 110853714 A,2020.02.28 WO 2020204586 A1,2020.10.08 US 20213 65795 A1,2021.1 1.25 CN 111916145 A,2020.1 1.10 任淑月等.重 定位策略在罕见病治 疗药物中 的应用研究进 展. 《江苏 大学学报(医学版)》 .2021, Yajie Meng等.Drug repositi oning based on similarity co nstrained probabi listic matrix factorizati on: COVID-19 as a case study. 《Ap plied Soft Computi ng》 .2021, 审查员 司马成 (54)发明名称 融合GHP与GCN的中西药物重定位方法及系 统与存储介质 (57)摘要 本发明公开一种融合GHP与GCN的中西药物 重定位方法及系统与存储介质， 该重定位方法包 括： 多源多模态异构数据采 集； GHP‑GCN中西药物 重定位模型构建， 具体包括： 全局异构药理网络 GHP构建、 全局异构药理网络与图卷积神经网络 融合形成GHP ‑GCN模型、 采用 “君臣佐使 ”和“节点 语义近邻 ”双重加权约束优 化GHP‑GCN模型； 训练 集构造与GHP ‑GCN模型学习与推理； 贡献度计算 与结果分析； 结果验证与调优。 该方法能应用于 中西药重定位研究， 能预测潜在的、 新的药物 ‑靶 点蛋白/基因、 靶点蛋白/基因 ‑疾病、 和药物 ‑疾 病关联， 识别药物新靶点和疾病新关联致病基 因， 并发现、 确证对疾病有潜在治疗作用的药物 及其整合作用与协同机制， 为阐释中西药治疗的 有效性及药物发现提供 科学依据。 权利要求书2页 说明书12页 附图3页 CN 114242186 B 2022.08.12 CN 114242186 B 1.一种融合GHP与GCN的中西药物重 定位方法， 其特 征在于， 包括以下步骤： S1、 多源多模态 异构数据采集： 采集已知的药物数据、 疾病数据、 靶点蛋白/基因数据； S2、 GHP‑GCN中西药物重 定位模型构建， 具体构建方法如下： S21、 全局异构药理网络GHP构建： 根据采集的数据， 以各疾病、 药物、 靶点蛋白/基因为 节点， 构建全局异构药 理网络GHP， 综合表征同种节 点和异种节 点之间的多种非线性关联关 系； 药物节点包括已筛选出的中药和西药， 具体包括治某病西药、 治某病中药、 未知西药、 未知中药、 非治某病西药、 非治某病中药； 疾病节点由疾病类型、 症状阶段、 症状、 副作用症 状四维构成； 靶点蛋白/基因节点包括已筛 选出的所有已知靶点蛋白和基因； 同种节点的关联主要为结构或表型的相似性关联， 包括药物 ‑药物的相似性关联、 靶点 蛋白/基因 ‑靶点蛋白/基因的相似性关联、 疾病 ‑疾病的相似性关联， 靶点蛋白/基因各节 点 之间的关联还 包括来自PPI的蛋白互作用关联； 异种节点的关联主要为机理作用的关联， 主要包括药物 ‑靶点蛋白/基因的关联、 靶点 蛋白/基因 ‑疾病的关联、 疾病 ‑药物的关联； S22、 全局异构药理网络GHP与图卷积神经网络GCN融合形成GHP ‑GCN模型： 将构建的全 局异构药理网络GHP融入图卷积神经网络GCN中， 无缝融合构建得到具备双重推理能力的 GHP‑GCN中西药物重 定位模型， 综合表征 各类节点特 征和节点之间 复杂的关联关系； 同种节点的相似性关联采用矩阵表示并采用语义近邻约束； 异种节点的关联采用矩阵表示并采用权值约束， 若两异种节点之间存在已知的相互作 用， 两节点之间添加一条边， 并将该边的权值设置为1； S23、 GHP‑GCN模型优化： 采用 “君臣佐使 ”和“节点语义近邻 ”双重加权约束优化GHP ‑GCN 中西药物重定位模 型； 具体是指： 基于中药节 点的“君臣佐使”的组分构成理论优化GHP ‑GCN 中西药物重定位模型的节点特征矩阵； 利用 “节点语义近邻 ”优化GHP‑GCN中西药物重定位 模型的节点邻接矩阵； S3、 训练集构造与GHP ‑GCN模型的学习与推理： 构建药物 ‑靶点蛋白/基因 ‑疾病训练集， 采用 α‑balanced焦点损失函数迭代训练优化GHP ‑GCN中西药物重定位模型； α ‑balanced焦 点损失函数 具体如下： 其中： 是条件概率， 对于药物 ‑疾病关联， r代表疾病， d代表药物， 权重因子 正样本y+表示已知的药物 ‑疾病关联关系对， 负样本y‑表示未知的药物 ‑疾病关 联关系对， n、 m 分别代表药物、 疾病的数目； S4、 贡献度计算与结果分析： 给定目标疾病， 通过GHP ‑GCN中西药物重定位模型计算各 节点对目标疾病的贡献度并进 行贡献度排序； 根据贡献度排序， 运用热力图、 聚类 分析方法 分析并输出预测分析结果， 预测潜在的、 新的药物 ‑靶点蛋白/基因、 靶点蛋白/基因 ‑疾病、 和药物‑疾病关联， 识别药物新的靶点、 疾病新的关联致病基因和重 定位新的候选药物； S5、 结果验证与调优： 采用分子mocking手段对预测 分析结果进行验证与调优， 若预测权　利　要　求　书 1/2 页 2 CN 114242186 B 2分析结果存在偏差， 则重复步骤S2 ‑S4， 若预测分析 结果准确， 输出 预测分析 结果。 2.根据权利要求1所述的融合GHP与GCN的中西药物重 定位方法， 其特 征在于， 构建的GHP‑GCN中西药物重定位模型具有多层连接的神经网络结构， 具体包括输入层、 隐藏层、 输出层， 每层神经网络结构通过图的直接链接， 聚集邻居的信息， 重构嵌入作为下 一层的输入； 其层与层之间的传播 通过如下公式表示： 其中： G表示邻接矩阵， H(l)表示节点在第l层的嵌入， H(l+1)表示节点在第l+1层的嵌入； D 是G的度矩阵， W(l)为l层特定的可训练权 重矩阵， σ 为非线性激活函数。 3.一种融合GHP与GCN的中西药物重定位系统， 其特征在于， 采用权利要求1 ‑2任一所述 的融合GHP与GCN的中西药物重 定位方法包括： 多源多模态异构数据采集模块： 用于采集已知的药物数据、 疾病数据、 靶点蛋白/基因 数据； GHP‑GCN中西药物重定位模型构建模块， 用于构建GHP ‑GCN中西药物重定位模型， 具体 包括： 全局异构药理网络GHP构建模块： 用于根据多源多模态异构数据采集模块采集的数据， 以各疾病、 药物、 靶点蛋白/基因为节点， 构建全局异构药理网络GHP， 以综合表征同种节点 和异种节点之间的多种非线性关联关系； 全局异构药理网络GHP与图卷积神经网络GCN融合模块： 用于将全局异构药理网络GHP 构建模块构建的全局异构药理网络 GHP融入图卷积神经网络 GCN中， 无缝融合构建得到具备 双重推理能力的GHP ‑GCN中西药物重定位模型， 以综合表征各类节点特征和节点之间复杂 的关联关系； GHP‑GCN模型优化模块： 用于采用 “君臣佐使 ”和“节点语义近邻 ”双重加权约束优化全 局异构药理网络GHP与图卷积神经网络GCN融合模块无缝集 成的GHP‑GCN中西药物重定位模 型； 训练集构造与GHP ‑GCN模型的学习与推理模块： 用于构 建药物‑靶点蛋白/基因 ‑疾病训 练集， 并采用 α ‑balanced焦点损失函数迭代训练优化GHP ‑GCN模型优化模块加权约束优化 后的GHP‑GCN中西药物重 定位模型； 贡献度计算与结果分析模块： 用于根据给定目标疾病， 通过训练集构造与GHP ‑GCN模型 的学习与推理模块训练优化后的GHP ‑GCN中西药物重定位模型， 计算各节点对目标疾病的 贡献度并进 行贡献度排序； 并根据贡献度排序， 运用热力图、 聚类分析方法分析并输出预测 分析结果， 预测潜在的、 新的药物 ‑靶点蛋白/基因、 靶点蛋白/基因 ‑疾病、 和药物 ‑疾病关 联， 识别药物新的靶点、 疾病新的关联致病基因和重 定位新的候选药物； 结果验证与调优模块， 用于对贡献度计算与结果分析模块输出的预测分析结果进行验 证与调优。 4.一种计算机存储介质， 其特征在于， 其上存储有计算机程序， 其中所述计算机程序被 执行器执行时实现如权利要求1 ‑2中任一所述的融合GHP与GCN的中西药物重 定位方法。权　利　要　求　书 2/2 页 3 CN