论文部分内容阅读
近年来,因药物使用引发的安全性问题受到广泛重视,药物不良反应作为药物安全性研究的重要问题,其已成为继心血管疾病、癌症、感染性疾病后的第四大死亡因素。全球每年因药物不良反应导致的伤残或死亡患者达770000例,不仅对患者造成沉重的经济负担,也对医疗卫生系统造成巨大资源消耗。中药配伍禁忌和化学药物间不良反应是药物不良反应研究的重要研究内容。论文通过设计机器学习模型,构建中药配伍禁忌关系和化学药物间不良反应关系,实现中药配伍禁忌和化学药物间不良反应预测。论文研究工作如下:（1）复杂网络反社区检测能够发现节点间消极关系,中药配伍禁忌可视为中药间的消极关系,鲜见于相同方剂。通过方剂中中药高频共现关系构建中药药对网络,在药对网络中检测中药反社区,实现中药配伍禁忌预测。论文提出两种基于随机块模型的反社区检测算法,通过分析度数和自环因素对随机块模型影响,设计度数随机块模型DBM（Degree stochastic Block Model）和无自环随机块模型NESOM（No s Elf-edge Stochastic bl Ock Model）,提出反社区结构评价函数L（C）和Q（C）、反社区结构人工网络DBM-Net（DBM-Network）和NESOM-Net（NESOM-Network）以及反社区检测算法LEOA（Local Expansion Optimization anti-community Algorithm）和NESOM-AC（No s Elf-edge Stochastic bl Ock Model Anti-Community algorithm）。通过引入平衡因子和平衡策略,NESOM-AC算法能检测更平衡的反社区结构,发现反社区中更多消极关系。实验结果表明,所提算法在人工网络和真实网络中均具有较好性能。（2）针对中药配伍禁忌预测问题,提出基于节点非邻居扩张反社区检测和基于节点度数和内外度比例反社区检测的中药配伍禁忌预测算法:REON（Random non-n Eighboring n Ode expansio N）和ANDERATION（ANti-community detection algorithm based on the DEgree and the RATio between the Inner degree and the Outer degree of a Node）。REON算法计算节点间最短距离,设计节点非邻居扩张策略,选择反模块度最大的节点集合实现反社区检测。通过分析节点度数和内外度比例对反社区检测的影响,发现度数大和内外度比例小的节点在反社区中的位置相对固定,故ANDERATION算法优先考虑度数大且内外度比例小的节点实现启发式反社区检测。实验结果表明,所提算法在中药药对网络中能检测中药反社区结构,通过中医专家筛选并验证,所检测反社区内能发现已知配伍禁忌和预测潜在配伍禁忌。（3）为更加准确地实现中药配伍禁忌预测,提出基于三元非负矩阵分解的中药配伍禁忌预测模型IHPreten（Incompatible Herb combinations Prediction with herb attributes and their correlation）,基于中药功效和性味属性并结合属性间关联关系,通过假设检验验证中药间功效不相似性和性味不相似性与配伍禁忌间的关系,设计属性不相似性正则项和属性监督正则项,构建中药配伍禁忌预测模型。实验结果表明,所提模型在寒、凉、平、温、热五个配伍禁忌数据集均有较好预测性能,能实现潜在配伍禁忌的预测。（4）针对化学药物间不良反应预测,提出基于多任务多属性学习的化学药物间不良反应预测模型MTMA（Multi-Task Multi-Attribute）和基于依赖性和判别性特征选择的化学药物间不良反应预测模型DGDFS（Dependence Guided Discriminative Feature Selection）。所提模型采用化学药物分子结构和副作用构建化学药物间不良反应关系,引入化学药物属性自表示实现分子结构和副作用矩阵的线性重构。为挖掘引起化学药物间不良反应的关键因素,MTMA模型引入l2,1范数,约束化学药物属性预测矩阵;DGDFS模型基于判别性特征选择策略,对化学药物分子结构和副作用矩阵引入l2,0等式约束,探索引起化学药物间不良反应的判别性分子子结构和副作用。实验结果表明,所提模型针对化学药物间不良反应数据能取得较好预测性能,能挖掘化学药物间不良反应的关键分子子结构和副作用。