一种基于深度学习的药物光谱数据分析方法及装置

1.本发明涉及药物分析技术领域，具体而言，涉及一种基于深度学习的药物光谱数据分析方法及装置。


背景技术：

2.近年来，随着医学研究的深入，药物相互作用分析在药物研发和临床实践中日益显得重要。然而，现有技术主要采用传统的药物光谱数据分析方法，这些方法通常通过实验室试验和统计方法来评估药物之间的相互作用。这种方法在处理大量复杂药物数据时存在局限性，无法准确预测未知药物之间的相互作用。此外，这些方法往往仅关注药物成分的相互作用，而忽略了药物结构特征和光谱数据之间的关联，导致预测结果不够准确，从而影响药物研发的速度和安全性。
3.为解决上述问题，现亟需一种基于深度学习的药物光谱数据分析方法。


技术实现要素：

4.本发明的目的在于提供一种基于深度学习的药物光谱数据分析方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：一方面，本技术提供了一种基于深度学习的药物光谱数据分析方法，包括：获取第一信息和第二信息，所述第一信息包括历史光谱数据、已知药物的结构数据和药物之间的相互作用信息，所述历史光谱数据包括单一药物的光谱数据和组合药物的光谱数据，所述第二信息包括待分析药物的光谱数据和结构数据；将所述历史光谱数据和所述结构信息进行特征融合处理得到第三信息，所述第三信息的每一个元素均为一种药物的代表性光谱数据和结构特征；将所述第三信息进行聚类处理得到第四信息，所述第四信息包括具有相似特征的药物分组结果和药物之间的相互作用关系；根据所述第四信息对预设的深度学习数学模型进行训练，构建得到药物相互作用预测模型；根据所述药物相互作用预测模型和所述第二信息进行分析得到新药物的相互作用评估结果，所述相互作用评估结果包括相互作用类型信息、影响程度信息、预测副作用信息和副作用风险评估信息。
5.另一方面，本技术还提供了一种基于深度学习的药物光谱数据分析装置，包括：获取模块，用于获取第一信息和第二信息，所述第一信息包括历史光谱数据、已知药物的结构数据和药物之间的相互作用信息，所述历史光谱数据包括单一药物的光谱数据和组合药物的光谱数据，所述第二信息包括待分析药物的光谱数据和结构数据；融合模块，用于将所述历史光谱数据和所述结构信息进行特征融合处理得到第三信息，所述第三信息的每一个元素均为一种药物的代表性光谱数据和结构特征；聚类模块，用于将所述第三信息进行聚类处理得到第四信息，所述第四信息包括
具有相似特征的药物分组结果和药物之间的相互作用关系；构建模块，用于根据所述第四信息对预设的深度学习数学模型进行训练，构建得到药物相互作用预测模型；分析模块，用于根据所述药物相互作用预测模型和所述第二信息进行分析得到新药物的相互作用评估结果，所述相互作用评估结果包括相互作用类型信息、影响程度信息、预测副作用信息和副作用风险评估信息。
6.本发明的有益效果为：本发明通过融合历史光谱数据、药物结构数据和药物相互作用信息，构建了基于深度学习的药物光谱数据分析方法，这种方法能够有效地预测未知药物之间的相互作用，为药物研发和临床实践提供了有力支持；通过采用高阶张量网络、多核学习、图卷积神经网络等技术进行特征融合和聚类处理，提高了药物光谱数据分析结果的准确性和可靠性。
7.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。
附图说明
8.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
9.图1为本发明实施例中所述的基于深度学习的药物光谱数据分析方法流程示意图;图2为本发明实施例中所述的基于深度学习的药物光谱数据分析装置结构示意图。
具体实施方式
10.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
11.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例
12.本实施例提供了一种基于深度学习的药物光谱数据分析方法。
13.参见图1，图中示出了本方法包括步骤s100、步骤s200、步骤s300、步骤s400和步骤
s500。
14.步骤s100、获取第一信息和第二信息，第一信息包括历史光谱数据、已知药物的结构数据和药物之间的相互作用信息，历史光谱数据包括单一药物的光谱数据和组合药物的光谱数据，第二信息包括待分析药物的光谱数据和结构数据。
15.在本步骤中，历史光谱数据可能包括吸收光谱、发射光谱、拉曼光谱和红外光谱等，这些数据有助于深入了解药物的化学性质和结构特征。已知药物的结构数据可以体现药物分子之间的相互作用机制，从而推测出可能的相互作用类型。药物之间的相互作用信息则提供了现有药物在实际应用中的表现，为后续分析提供重要参考。待分析药物的光谱数据可以通过实验室实验获得，而结构数据可通过计算机辅助药物设计、分子建模等技术生成。这些信息有助于深入了解待分析药物的化学性质和结构特征，为药物相互作用评估提供关键依据。
16.步骤s200、将历史光谱数据和结构信息进行特征融合处理得到第三信息，第三信息的每一个元素均为一种药物的代表性光谱数据和结构特征。
17.本步骤中的特征融合是指将多个数据源的信息融合到一起，以提取更具代表性和区分度的特征。优选地，在这个过程中可采用多种特征提取和融合算法，如主成分分析（pca）、线性判别分析（lda）、卷积神经网络（cnn）等，以从光谱数据和结构信息中挖掘出具有显著意义的特征。这些特征可能包括药物分子的大小、形状、极性、电荷分布、立体构象以及药物分子中的官能团等。这些融合后的特征能够更好地反映药物之间的相互作用，为后续的深度学习模型训练和药物相互作用预测提供更为准确的输入数据。需要说明的是，步骤s200包括步骤s210、步骤s220、步骤s230和步骤s240。
18.步骤s210、将历史光谱数据中的吸收光谱、发射光谱、拉曼光谱和红外光谱数据分别进行特征提取得到各类光谱的第一特征信息。
19.所述特征提取的目的是从原始数据中提取出具有代表性和区分度的特征，以便于后续的分析和处理。优选地，针对各类光谱数据采用相应的特征提取方法，对于吸收光谱和发射光谱，采用波长选择、峰值提取、峰宽计算等方法；对于拉曼光谱，采用拉曼位移、拉曼强度、拉曼线宽等参数作为特征；对于红外光谱，可以考虑红外吸收峰的位置、强度、宽度等因素。通过这些特征提取方法，能够从各类光谱数据中得到具有代表性的第一特征信息。
20.步骤s220、将已知药物的结构数据转换为数值表示，得到第二特征信息。
21.优选地，在本步骤中，采用扩展连接指纹的编码方法将药物结构数据转换为数值表示。扩展连接指纹是一种基于分子拓扑结构的指纹方法，通过考虑原子和化学键的局部环境生成分子的二进制编码。通过使用药物结构编码方法，可以将已知药物的结构数据转换为具有代表性和可计算性的第二特征信息，为后续的特征融合处理奠定基础。
22.步骤s230、基于预设的张量网络数学模型对第一特征信息和第二特征信息进行特征融合，得到药物特征的n阶张量表示，其中n表示特征类型的数量。
23.张量网络数学模型可以捕捉和整合两种特征之间的潜在联系和相互作用，以生成一个更全面的药物特征表示。在这个过程中，每种特征类型（如光谱特征和结构特征）首先被转换为一个特定的张量表示形式，然后通过张量网络数学模型进行融合。得到的药物特征的n阶张量表示将包含多个维度，其中n表示特征类型的数量，每个维度表示一个特征类型，而各维度之间的关系揭示了这些特征之间的潜在联系。这种融合特征表示可以为后续
的药物相互作用预测和筛选提供更准确和全面的信息。需要说明的是，步骤s230包括步骤s231、步骤s232、步骤s233和步骤s234。
24.步骤s231、根据第一特征信息中的各类光谱特征利用高阶奇异值分解法进行分解处理得到初始光谱张量，各类光谱特征包括峰值、峰宽和峰间距。
25.在本步骤中，高阶奇异值分解法是一种张量分解方法，可以将多维数据分解为一系列低维表示，以便于进一步处理和分析。高阶奇异值分解法可以有效地捕捉和保留各类光谱特征之间的关系，同时降低数据的维度和复杂性。通过这种方式，初始光谱张量可以在保留关键信息的同时，减少计算复杂度和资源消耗，有助于提高特征融合过程的效率和准确性。涉及公式如下：；其中，表示药物特征的n阶张量表示；i表示第一个特征维度的索引；j表示第二个特征维度的索引；k表示第三个特征维度的索引；m表示第一特征信息（光谱数据）中各类光谱特征的索引；n表示第二特征信息（药物结构数据）中的索引；是第一特征信息的第i个特征值；是第二特征信息的第j个特征值；是融合特征的权重系数；是第m个光谱特征和第n个结构特征的相似性度量；m和n分别表示光谱特征和结构特征的数量。
26.步骤s232、基于预设的图卷积神经网路数学模型对第二特征信息进行编码处理并将编码后的信息转换为张量，得到初始结构张量。
27.其中，图卷积神经网络可以有效地捕捉药物分子结构中的空间拓扑关系和局部特征，从而为药物结构提供一种丰富的表示。接着，将编码后的信息转换为张量形式，得到初始结构张量。初始结构张量包含了药物结构特征的高维表示，有助于后续的特征融合和分析。
28.步骤s233、根据初始光谱张量和初始结构张量，利用张量乘积法进行融合处理，得到包含光谱特征和结构特征的n阶融合张量，其中n表示特征类型的数量。
29.由此，本步骤可以利用张量乘积法将两个张量相乘，生成一个包含光谱特征和结构特征的n阶融合张量。其中，n表示特征类型的数量，即在这个融合张量中包含了光谱特征和结构特征的不同维度。这种融合方式有助于在保留各自特点的基础上，发掘光谱特征与结构特征之间的潜在关联和相互作用，为后续的药物相互作用分析和预测提供更为丰富和准确的特征表示。
30.步骤s234、基于预设的循环神经网络对n阶融合张量进行特征转换处理，并基于预设的门控循环单元数学模型对n阶融合张量进行时序关系处理，得到n阶张量表示。
31.循环神经网络是一种具有记忆功能的神经网络，能够处理具有时序关系的数据。在本步骤中循环神经网络用于提取融合张量中的潜在特征，从而得到一个更为紧凑和表达能力更强的特征表示。门控循环单元数学模型是一种改进的循环神经网络结构，能够解决循环神经网络在处理长序列数据时出现的梯度消失或梯度爆炸问题。通过应用门控循环单元数学模型，能够更有效地挖掘融合张量中的时序信息，捕捉药物之间的动态变化和相互
关系，从而提高模型的准确性和鲁棒性。综合应用循环神经网络和门控循环单元数学模型，最终得到了一个具有较强表达能力且包含时序信息的n阶张量表示。这一n阶张量表示可以为药物相互作用分析和预测提供更为有效的特征表示，有助于提高预测结果的准确性和可靠性。同时还可以为药物研发提供关键信息，如新药物的设计、药物组合优化等。
32.步骤s240、根据n阶张量表示进行张量分解，提取出具有代表性的药物光谱数据和结构特征，得到第三信息。
33.其中，张量分解是一种高效的多维数据分析方法，它能够将高维的张量数据分解为一系列低维的张量或矩阵，从而揭示数据中的潜在结构和关系。在本步骤中，张量分解方法（优选地，如cp分解、tucker分解等）可以有效地挖掘n阶张量表示中的关键特征，将其映射到一个低维空间，从而降低数据的复杂性和维度。通过这种方式，可以从原始的光谱数据和结构数据中提取出更为关键和有意义的特征，这些特征能够更好地描述药物之间的相互作用和差异。
34.步骤s300、将第三信息进行聚类处理得到第四信息，第四信息包括具有相似特征的药物分组结果和药物之间的相互作用关系。
35.由此，本步骤通过聚类处理，可以发现药物之间的相似性和关联性。例如，同一组中的药物可能具有相似的化学结构、光谱特性或生物活性，这些相似性可能意味着这些药物在生物体内的作用机制或药物相互作用的可能性具有一定的关联。此外，聚类结果还可以揭示药物之间的相互作用关系。例如，同一组中的药物可能具有协同作用或拮抗作用，这有助于进一步了解药物组合的疗效和安全性。第四信息包括具有相似特征的药物分组结果和药物之间的相互作用关系，为药物相互作用的预测和分析提供了重要依据，同时为药物研发和优化提供了有益指导。需要说明的是，步骤s300包括步骤s310、步骤s320、步骤s330和步骤s340。
36.步骤s310、将第三信息进行基于多核学习的数据处理，对光谱数据和结构数据进行联合降维处理，得到药物特征表示。
37.多核学习方法被用来对光谱数据和结构数据进行联合降维处理。具体来说，通过设计多个核函数，分别捕捉光谱数据和结构数据中的信息特征，然后将这些核函数进行线性组合或非线性组合，从而生成一个统一的核函数。利用该统一核函数进行降维处理，可以更好地保留和提取药物的光谱特征和结构特征，同时实现特征表示的维数降低。降维后的药物特征表示能够更好地反映药物之间的相似性和差异性，有助于提高聚类和相互作用分析的准确性。涉及的公式如下：；其中，fj表示第j个药物的特征表示；m表示核函数的数量；i表示核函数的索引；j表示药物的索引；sj表示第j个药物的光谱数据；tj表示第j个药物的结构数据；αi是第i个核函数的权重；ki(sj,tj)是第i个核函数计算的光谱数据sj和结构数据tj的内核值。
38.步骤s320、对降维后的药物特征表示采用基于核方法的距离度量进行相似度度量计算，得到药物特征间的相似度矩阵。
39.可以理解的是，采用基于核方法的距离度量能够充分利用药物特征表示中的非线性结构，从而更准确地评估药物之间的相似性。核方法是一类广泛应用于机器学习和数据挖掘领域的技术，通过将数据映射到高维特征空间，以在高维空间中寻找更好的特征表示
和相似度度量。在这个步骤中，核方法被用于计算药物特征表示之间的距离，从而得到一个相似度矩阵。相似度矩阵可以揭示药物之间的相似性，为后续的药物聚类和相互作用关系分析提供重要信息。涉及的计算公式如下：；其中，i，j分别表示两个药物的索引；k(xi,xj)为药物特征表示xi和xj之间的相似度，|x
i-xj|2代表欧氏距离的平方；σ表示径向基函数核的宽度参数，用于调节相似度度量的敏感性。
40.步骤s330、根据相似度矩阵进行多视图聚类处理，得到具有相似特征的药物分组结果。
41.多视图聚类是一种聚类技术，它能够综合多个视图（即多个特征表示）的信息，从而在分析数据时提供更全面、更准确的结果。本步骤通过这种方式，具有相似特征的药物被分到同一组中，从而揭示它们在光谱和结构特征方面的相似性。这有助于发现具有潜在相互作用的药物组合，以及在药物研发中找到可能的新靶点和优化现有药物的设计。
42.步骤s340、对药物分组结果的药物组成关系进行关联规则挖掘处理，通过找出药物之间的频繁项集得到药物之间的相互作用关系。
43.在本步骤中，关联规则挖掘用于分析药物组成关系，找出药物之间的频繁项集。通过分析频繁项集，可以揭示药物之间的潜在相互作用关系。这有助于深入了解药物在结构和光谱特征上的相似性，从而为药物研发提供有益的指导。例如，潜在的相互作用关系可以为寻找新的药物组合、优化现有药物设计或发现新的药物靶点提供线索。
44.步骤s400、根据第四信息对预设的深度学习数学模型进行训练，构建得到药物相互作用预测模型。
45.本步骤通过训练深度学习数学模型，系统能够学习并提取药物之间的特征关联和相互作用模式，从而构建一个药物相互作用预测模型。该模型可以用于预测新药物之间的潜在相互作用，为药物研发提供有益的参考。需要说明的是，步骤s400包括步骤s410、步骤s420、步骤s430、步骤s440和步骤s450。
46.步骤s410、根据药物分组结果和相互作用关系构建得到药物靶点关系图，药物靶点关系图包括节点和边，节点表示药物，边表示药物之间的靶点关联。
47.药物靶点关系图是一种图形化的表示方法，用于展示药物之间的靶点关联情况。在这个关系图中，节点代表各种药物，边则代表药物之间的靶点关联。靶点关联是指药物在生物体内作用的分子靶点之间的相互联系，这些关系涉及到激活、抑制、调节等作用。通过构建药物靶点关系图，可以直观地展示药物在生物体内作用的复杂网络，更好地理解药物之间的相互作用机制。这种可视化方法有助于发现潜在的药物组合、靶点相互作用以及潜在的副作用，从而指导药物研发过程中的优化和临床应用。
48.步骤s420、对药物靶点关系图中的药物靶点关系进行特征提取，得到药物节点的高维特征表示。
49.在本步骤中，特征提取的目的是将药物靶点关系中的信息转化为能够被计算机理解和处理的高维特征表示。这些高维特征表示可以包括药物之间的连接强度、靶点相互作用类型、局部拓扑结构等信息，对于深入了解药物相互作用的性质以及预测药物相互作用
具有重要意义。通过提取这些高维特征表示，可以将药物靶点关系图中的复杂信息压缩成一种更为简洁的表现形式，有助于计算机对药物之间的相互作用关系进行分析和建模。进一步地，这些高维特征表示将作为输入数据，用于训练药物相互作用预测模型，从而实现对药物相互作用的预测。
50.步骤s430、根据高维特征表示预设的带注意力机制双向长短时记忆网络数学模型对药物节点特征进行时序关系挖掘，得到药物节点的动态特征表示。
51.带注意力机制双向长短时记忆网络模型可以捕捉时序数据中的长期和短期依赖关系，而注意力机制可以自动学习并关注输入特征中的重要部分。在药物相互作用的预测过程中，时序关系挖掘有助于更好地理解药物之间的相互作用动态变化，如药物节点在不同时间点上的关联强度以及靶点相互作用的变化趋势。通过利用带注意力机制的双向长短时记忆网络，可以有效地挖掘药物节点特征中的时序关系，并得到药物节点的动态特征表示。这些动态特征表示在捕捉药物节点间的时序关系方面具有较强的表达能力，有助于进一步提高药物相互作用预测模型的准确性和鲁棒性。
52.步骤s440、根据动态特征表示和预设的神经图转换器对药物相互作用进行预测，得到初步预测结果。
53.神经图转换器是一种基于图神经网络的模型，可以捕捉药物节点之间的复杂拓扑关系，从而更好地理解药物相互作用的结构性信息。通过在神经图转换器中融合动态特征表示，可以有效地提取药物节点之间的时序和结构信息。这样的信息对于更准确地预测药物相互作用关系至关重要，因为药物相互作用通常受到多种因素的共同影响，包括药物的分子结构、药物之间的时序关系以及药物与其作用靶点的相互作用。利用神经图转换器进行预测，可以得到药物相互作用的初步预测结果。这些初步预测结果为药物评估提供了重要依据，有助于进一步优化药物组合。
54.步骤s450、根据初步预测结果进行模型评估，判断初步预测结果与实际相互作用关系的一致性，并结合预设的多任务学习策略进行模型优化，构建得到药物相互作用预测模型。
55.本步骤根据初步预测结果进行模型评估，判断初步预测结果与实际相互作用关系的一致性。这个过程涉及计算准确率、召回率、f1分数等指标，以衡量预测结果的质量。这些指标可以帮助研究人员了解模型在不同方面的表现，从而为模型的优化提供依据。接下来，结合预设的多任务学习策略进行模型优化。多任务学习策略是一种在训练过程中同时解决多个相关任务的方法。这种方法可以更好地利用数据之间的关联性，提高模型的泛化能力。在药物相互作用预测任务中，不同的药物组合可能具有不同的作用机制，因此需要考虑多个任务同时进行优化。通过这一步骤，可以构建得到药物相互作用预测模型，该模型经过优化后，能够更准确地预测药物之间的相互作用关系。
56.步骤s500、根据药物相互作用预测模型和第二信息进行分析得到新药物的相互作用评估结果，相互作用评估结果包括相互作用类型信息、影响程度信息、预测副作用信息和副作用风险评估信息。
57.在本步骤中利用已经训练好的预测模型，对待分析药物进行相互作用分析，以评估其潜在的药物相互作用风险。相互作用类型信息用于描述新药物与其他药物之间可能发生的相互作用类型，例如药物代谢、药效增强或减弱等；影响程度信息表示新药物与其他药
物相互作用的程度，如轻度、中度或重度相互作用；预测副作用信息用于描述新药物与其他药物相互作用可能导致的潜在副作用，如头痛、恶心、过敏反应等；副作用风险评估信息包括对新药物与其他药物相互作用导致的副作用进行风险评估，如低风险、中风险或高风险；通过这一步骤，可以为药物研发过程提供有价值的参考信息，帮助研究人员更好地了解待分析药物的相互作用特性，从而优化药物研发策略，降低不良反应风险。本发明得到的评估结果与其他方法不同之处在于，它不仅仅关注药物的成分，而是通过对药物光谱数据、结构数据和已知的药物相互作用信息的综合分析，为新药物提供更全面、深入的相互作用评估结果。需要说明的是，步骤s500包括步骤s510、步骤s520、步骤s530、步骤s540和步骤s550。
58.步骤s510、根据药物相互作用预测模型对第二信息进行预测处理得到初步评估结果，初步评估结果包括待分析药物中各药物成分间的相互作用种类以及各类相互作用的可能性概率，相互作用种类包括竞争性抑制和协同作用。
59.本步骤通过药物相互作用预测模型对待分析药物的成分进行预测，可以评估各个药物成分之间的相互作用。这有助于了解药物成分间如何相互影响，以及这些相互作用在多大程度上可能出现。竞争性抑制是指两种或多种药物成分在同一靶点上发生相互竞争，导致药效减弱或药物失效。而协同作用则是指多种药物成分共同作用于一个或多个靶点，产生相互增强或增效的效果。通过本步骤，可以更好地理解待分析药物中药物成分间的相互作用关系，有助于指导药物研发过程中药物成分的选择与组合，以实现更高效、安全的药物疗效。
60.步骤s520、根据初步评估结果分析各种相互作用的影响程度，得到各类相互作用的影响程度信息，影响程度信息包括影响强度和持续时间。
61.在本步骤中，根据初步评估结果中的相互作用种类以及可能性概率，对各种相互作用的影响程度进行分析。影响程度信息包括影响强度，即相互作用对药物效果的影响大小；持续时间则表示相互作用在药物使用过程中可能持续的时间长度。这些信息有助于更深入地了解药物成分间相互作用的实际效果，为药物剂量和使用方式的选择提供参考。
62.步骤s530、根据影响程度信息结合已知的药物副作用数据预测可能产生的副作用，得到预测副作用信息。
63.在本步骤中，通过对影响程度信息（包括影响强度和持续时间）的分析，以及参考已知药物副作用数据，可以预测药物成分间相互作用可能导致的副作用。预测副作用信息包括副作用的种类、发生概率等重要信息，有助于药物研发人员了解潜在的不良反应，从而在药物研发过程中加以改进或调整，降低药物的副作用风险。
64.步骤s540、根据预测副作用信息和预设的等级划分规则进行风险评估得到副作用风险评估信息，副作用风险评估信息包括风险发生概率和严重程度等级。
65.本步骤由于采用了预设的等级划分规则来量化风险发生概率和严重程度等级，从而使药物副作用风险评估更为精确和可靠。优选地，通过对药物的生物学机制和药代动力学进行深入研究，可以进一步优化副作用预测模型，从而提高副作用风险评估的准确性。进一步地还可以将药物副作用风险评估与基因组学、表观基因组学、代谢组学等研究相结合，以探究不同个体基因型、生活环境等因素对药物副作用风险的影响，利用大数据和人工智能技术分析患者的电子病历、实时监测数据等，以实现个体化的药物副作用风险评估，为精准医疗提供更有针对性的指导意见。
66.步骤s550、根据相互作用类型信息、影响程度信息、预测副作用信息和副作用风险评估信息，得到新药物的相互作用评估结果。
67.本步骤综合考虑了药物之间的多种相互作用（如竞争性抑制、协同作用等），以及这些相互作用在不同程度上对药物疗效和安全性的影响，同时还评估了可能产生的副作用以及相应的风险等级。通过这一系列综合分析，最终得到了新药物的相互作用评估结果。在这个步骤中不仅关注了药物成分之间的相互作用，还深入研究了这些相互作用对药物整体疗效和安全性的影响。这样的评估结果可以为药物研发和临床应用提供更全面、更有针对性的信息，有助于药物开发人员在药物研究过程中做出更明智的决策，以及为临床医生在实际治疗过程中提供更有效的指导。
68.实施例2：如图2所示，本实施例提供了一种基于深度学习的药物光谱数据分析装置，装置包括：获取模块1，用于获取第一信息和第二信息，第一信息包括历史光谱数据、已知药物的结构数据和药物之间的相互作用信息，历史光谱数据包括单一药物的光谱数据和组合药物的光谱数据，第二信息包括待分析药物的光谱数据和结构数据。
69.融合模块2，用于将历史光谱数据和结构信息进行特征融合处理得到第三信息，第三信息的每一个元素均为一种药物的代表性光谱数据和结构特征。
70.聚类模块3，用于将第三信息进行聚类处理得到第四信息，第四信息包括具有相似特征的药物分组结果和药物之间的相互作用关系。
71.构建模块4，用于根据第四信息对预设的深度学习数学模型进行训练，构建得到药物相互作用预测模型。
72.分析模块5，用于根据药物相互作用预测模型和第二信息进行分析得到新药物的相互作用评估结果，相互作用评估结果包括相互作用类型信息、影响程度信息、预测副作用信息和副作用风险评估信息。
73.在本公开的一种具体实施方式中，融合模块2包括：第一提取单元21，用于将历史光谱数据中的吸收光谱、发射光谱、拉曼光谱和红外光谱数据分别进行特征提取得到各类光谱的第一特征信息。
74.第一转换单元22，用于将已知药物的结构数据转换为数值表示，得到第二特征信息。
75.第一融合单元23，基于预设的张量网络数学模型对第一特征信息和第二特征信息进行特征融合，得到药物特征的n阶张量表示，其中n表示特征类型的数量。
76.第一分解单元24，用于根据n阶张量表示进行张量分解，提取出具有代表性的药物光谱数据和结构特征，得到第三信息。
77.在本公开的一种具体实施方式中，第一融合单元23包括：第二分解单元231，用于根据第一特征信息中的各类光谱特征利用高阶奇异值分解法进行分解处理得到初始光谱张量，各类光谱特征包括峰值、峰宽和峰间距。
78.第一编码单元232，基于预设的图卷积神经网路数学模型对第二特征信息进行编码处理并将编码后的信息转换为张量，得到初始结构张量。
79.第二融合单元233，用于根据初始光谱张量和初始结构张量，利用张量乘积法进行
融合处理，得到包含光谱特征和结构特征的n阶融合张量，其中n表示特征类型的数量。
80.第二转换单元234，基于预设的循环神经网络对n阶融合张量进行特征转换处理，并基于预设的门控循环单元数学模型对n阶融合张量进行时序关系处理，得到n阶张量表示。
81.在本公开的一种具体实施方式中，聚类模块3包括：第一处理单元31，用于将第三信息进行基于多核学习的数据处理，对光谱数据和结构数据进行联合降维处理，得到药物特征表示。
82.第一计算单元32，用于对降维后的药物特征表示采用基于核方法的距离度量进行相似度度量计算，得到药物特征间的相似度矩阵。
83.第一聚类单元33，用于根据相似度矩阵进行多视图聚类处理，得到具有相似特征的药物分组结果。
84.第二处理单元34，用于对药物分组结果的药物组成关系进行关联规则挖掘处理，通过找出药物之间的频繁项集得到药物之间的相互作用关系。
85.在本公开的一种具体实施方式中，构建模块4包括：第一构建单元41，用于根据药物分组结果和相互作用关系构建得到药物靶点关系图，药物靶点关系图包括节点和边，节点表示药物，边表示药物之间的靶点关联。
86.第二提取单元42，用于对药物靶点关系图中的药物靶点关系进行特征提取，得到药物节点的高维特征表示。
87.第三处理单元43，用于根据高维特征表示预设的带注意力机制双向长短时记忆网络数学模型对药物节点特征进行时序关系挖掘，得到药物节点的动态特征表示。
88.第一预测单元44，用于根据动态特征表示和预设的神经图转换器对药物相互作用进行预测，得到初步预测结果。
89.第一评估单元45，用于根据初步预测结果进行模型评估，判断初步预测结果与实际相互作用关系的一致性，并结合预设的多任务学习策略进行模型优化，构建得到药物相互作用预测模型。
90.在本公开的一种具体实施方式中，分析模块5包括：第二预测单元51，用于根据药物相互作用预测模型对第二信息进行预测处理得到初步评估结果，初步评估结果包括待分析药物中各药物成分间的相互作用种类以及各类相互作用的可能性概率，相互作用种类包括竞争性抑制和协同作用。
91.第一分析单元52，用于根据初步评估结果分析各种相互作用的影响程度，得到各类相互作用的影响程度信息，影响程度信息包括影响强度和持续时间。
92.第三预测单元53，用于根据影响程度信息结合已知的药物副作用数据预测可能产生的副作用，得到预测副作用信息。
93.第一评估单元45，用于根据预测副作用信息和预设的等级划分规则进行风险评估得到副作用风险评估信息，副作用风险评估信息包括风险发生概率和严重程度等级。
94.第一整合单元55，用于根据相互作用类型信息、影响程度信息、预测副作用信息和副作用风险评估信息，得到新药物的相互作用评估结果。
95.需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
96.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
97.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于深度学习的药物光谱数据分析方法，其特征在于，包括：获取第一信息和第二信息，所述第一信息包括历史光谱数据、已知药物的结构数据和药物之间的相互作用信息，所述历史光谱数据包括单一药物的光谱数据和组合药物的光谱数据，所述第二信息包括待分析药物的光谱数据和结构数据；将所述历史光谱数据和所述结构信息进行特征融合处理得到第三信息，所述第三信息的每一个元素均为一种药物的代表性光谱数据和结构特征；将所述第三信息进行聚类处理得到第四信息，所述第四信息包括具有相似特征的药物分组结果和药物之间的相互作用关系；根据所述第四信息对预设的深度学习数学模型进行训练，构建得到药物相互作用预测模型；根据所述药物相互作用预测模型和所述第二信息进行分析得到新药物的相互作用评估结果，所述相互作用评估结果包括相互作用类型信息、影响程度信息、预测副作用信息和副作用风险评估信息。2.根据权利要求1所述的药物光谱数据分析方法，其特征在于,将所述历史光谱数据和所述结构信息进行特征融合处理得到第三信息，包括：将所述历史光谱数据中的吸收光谱、发射光谱、拉曼光谱和红外光谱数据分别进行特征提取得到各类光谱的第一特征信息；将所述已知药物的结构数据转换为数值表示，得到第二特征信息；基于预设的张量网络数学模型对所述第一特征信息和第二特征信息进行特征融合，得到药物特征的n阶张量表示，其中n表示特征类型的数量；根据所述n阶张量表示进行张量分解，提取出具有代表性的药物光谱数据和结构特征，得到第三信息。3.根据权利要求2所述的药物光谱数据分析方法，其特征在于,基于预设的张量网络数学模型对所述第一特征信息和第二特征信息进行特征融合，得到药物特征的n阶张量表示，包括：根据所述第一特征信息中的各类光谱特征利用高阶奇异值分解法进行分解处理得到初始光谱张量，所述各类光谱特征包括峰值、峰宽和峰间距；基于预设的图卷积神经网路数学模型对所述第二特征信息进行编码处理并将编码后的信息转换为张量，得到初始结构张量；根据所述初始光谱张量和所述初始结构张量，利用张量乘积法进行融合处理，得到包含光谱特征和结构特征的n阶融合张量，其中n表示特征类型的数量；基于预设的循环神经网络对所述n阶融合张量进行特征转换处理，并基于预设的门控循环单元数学模型对所述n阶融合张量进行时序关系处理，得到n阶张量表示。4.根据权利要求1所述的药物光谱数据分析方法，其特征在于,将所述第三信息进行聚类处理得到第四信息，包括：将所述第三信息进行基于多核学习的数据处理，对光谱数据和结构数据进行联合降维处理，得到药物特征表示；对降维后的所述药物特征表示采用基于核方法的距离度量进行相似度度量计算，得到药物特征间的相似度矩阵；
根据所述相似度矩阵进行多视图聚类处理，得到具有相似特征的药物分组结果；对所述药物分组结果的药物组成关系进行关联规则挖掘处理，通过找出药物之间的频繁项集得到药物之间的相互作用关系。5.根据权利要求1所述的药物光谱数据分析方法，其特征在于,根据所述第四信息对预设的深度学习数学模型进行训练，构建得到药物相互作用预测模型，包括：根据所述药物分组结果和所述相互作用关系构建得到药物靶点关系图，所述药物靶点关系图包括节点和边，所述节点表示药物，所述边表示药物之间的靶点关联；对药物靶点关系图中的药物靶点关系进行特征提取，得到药物节点的高维特征表示；根据所述高维特征表示预设的带注意力机制双向长短时记忆网络数学模型对药物节点特征进行时序关系挖掘，得到药物节点的动态特征表示；根据所述动态特征表示和预设的神经图转换器对药物相互作用进行预测，得到初步预测结果；根据所述初步预测结果进行模型评估，判断所述初步预测结果与实际相互作用关系的一致性，并结合预设的多任务学习策略进行模型优化，构建得到药物相互作用预测模型。6.一种基于深度学习的药物光谱数据分析装置，其特征在于，包括：获取模块，用于获取第一信息和第二信息，所述第一信息包括历史光谱数据、已知药物的结构数据和药物之间的相互作用信息，所述历史光谱数据包括单一药物的光谱数据和组合药物的光谱数据，所述第二信息包括待分析药物的光谱数据和结构数据；融合模块，用于将所述历史光谱数据和所述结构信息进行特征融合处理得到第三信息，所述第三信息的每一个元素均为一种药物的代表性光谱数据和结构特征；聚类模块，用于将所述第三信息进行聚类处理得到第四信息，所述第四信息包括具有相似特征的药物分组结果和药物之间的相互作用关系；构建模块，用于根据所述第四信息对预设的深度学习数学模型进行训练，构建得到药物相互作用预测模型；分析模块，用于根据所述药物相互作用预测模型和所述第二信息进行分析得到新药物的相互作用评估结果，所述相互作用评估结果包括相互作用类型信息、影响程度信息、预测副作用信息和副作用风险评估信息。7.根据权利要求6所述的药物光谱数据分析装置，其特征在于,所述融合模块包括：第一提取单元，用于将所述历史光谱数据中的吸收光谱、发射光谱、拉曼光谱和红外光谱数据分别进行特征提取得到各类光谱的第一特征信息；第一转换单元，用于将所述已知药物的结构数据转换为数值表示，得到第二特征信息；第一融合单元，基于预设的张量网络数学模型对所述第一特征信息和第二特征信息进行特征融合，得到药物特征的n阶张量表示，其中n表示特征类型的数量；第一分解单元，用于根据所述n阶张量表示进行张量分解，提取出具有代表性的药物光谱数据和结构特征，得到第三信息。8.根据权利要求7所述的药物光谱数据分析装置，其特征在于,所述第一融合单元包括：第二分解单元，用于根据所述第一特征信息中的各类光谱特征利用高阶奇异值分解法进行分解处理得到初始光谱张量，所述各类光谱特征包括峰值、峰宽和峰间距；
第一编码单元，基于预设的图卷积神经网路数学模型对所述第二特征信息进行编码处理并将编码后的信息转换为张量，得到初始结构张量；第二融合单元，用于根据所述初始光谱张量和所述初始结构张量，利用张量乘积法进行融合处理，得到包含光谱特征和结构特征的n阶融合张量，其中n表示特征类型的数量；第二转换单元，基于预设的循环神经网络对所述n阶融合张量进行特征转换处理，并基于预设的门控循环单元数学模型对所述n阶融合张量进行时序关系处理，得到n阶张量表示。9.根据权利要求6所述的药物光谱数据分析装置，其特征在于,所述聚类模块包括：第一处理单元，用于将所述第三信息进行基于多核学习的数据处理，对光谱数据和结构数据进行联合降维处理，得到药物特征表示；第一计算单元，用于对降维后的所述药物特征表示采用基于核方法的距离度量进行相似度度量计算，得到药物特征间的相似度矩阵；第一聚类单元，用于根据所述相似度矩阵进行多视图聚类处理，得到具有相似特征的药物分组结果；第二处理单元，用于对所述药物分组结果的药物组成关系进行关联规则挖掘处理，通过找出药物之间的频繁项集得到药物之间的相互作用关系。10.根据权利要求6所述的药物光谱数据分析装置，其特征在于,所述构建模块包括：第一构建单元，用于根据所述药物分组结果和所述相互作用关系构建得到药物靶点关系图，所述药物靶点关系图包括节点和边，所述节点表示药物，所述边表示药物之间的靶点关联；第二提取单元，用于对药物靶点关系图中的药物靶点关系进行特征提取，得到药物节点的高维特征表示；第三处理单元，用于根据所述高维特征表示预设的带注意力机制双向长短时记忆网络数学模型对药物节点特征进行时序关系挖掘，得到药物节点的动态特征表示；第一预测单元，用于根据所述动态特征表示和预设的神经图转换器对药物相互作用进行预测，得到初步预测结果；第一评估单元，用于根据所述初步预测结果进行模型评估，判断所述初步预测结果与实际相互作用关系的一致性，并结合预设的多任务学习策略进行模型优化，构建得到药物相互作用预测模型。

技术总结
本发明提供了一种基于深度学习的药物光谱数据分析方法及装置，涉及药物分析技术领域，包括：获取第一信息和第二信息；将历史光谱数据和结构信息进行特征融合处理得到第三信息；将第三信息进行聚类处理得到第四信息；根据第四信息对预设的深度学习数学模型进行训练，构建得到药物相互作用预测模型；根据药物相互作用预测模型和第二信息进行分析得到新药物的相互作用评估结果。本发明通过融合历史光谱数据、药物结构数据和药物相互作用信息，构建了基于深度学习的药物光谱数据分析方法，这种方法能够有效地预测未知药物之间的相互作用，为药物研发和临床实践提供了有力支持。为药物研发和临床实践提供了有力支持。为药物研发和临床实践提供了有力支持。


技术研发人员：高翔 沈秉正 李丽莉 周李娜 何元
受保护的技术使用者：武汉大学人民医院（湖北省人民医院）
技术研发日：2023.06.15
技术公布日：2023/7/22