唐瑞澤， 玄 萍

（1 黑龍江大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院， 哈爾濱 150080； 2 汕頭大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)系， 廣東 汕頭 515063）

0 引 言

研發(fā)一個(gè)用于疾病治療的新藥需要一個(gè)漫長(zhǎng)的過程約10 ～15 年，同時(shí)還會(huì)花費(fèi)8 ～15 億美元［1］。藥物重新定位是為已批準(zhǔn)的藥物尋找新的治療效果［2］。 已上市的藥物具有已知的安全性和藥理學(xué)特征，因此藥物重新定位可以將藥物開發(fā)的時(shí)間縮短到6.5 年，并把研發(fā)成本降低到3 億美元。

計(jì)算已批準(zhǔn)藥物的新治療適應(yīng)癥，有助于在篩選現(xiàn)有藥物進(jìn)行進(jìn)一步實(shí)驗(yàn)驗(yàn)證時(shí)預(yù)測(cè)候選疾病?，F(xiàn)有的計(jì)算預(yù)測(cè)方法大致可分為3 類，兩種藥物的功能越相似，就越有可能與類似的疾病相關(guān)。 因此，第一類的方法主要是利用藥物-疾病關(guān)聯(lián)、疾病相似性和藥物相似性數(shù)據(jù)進(jìn)行藥物-疾病關(guān)聯(lián)預(yù)測(cè)。例如，Zhang 等［3-4］利用非負(fù)矩陣分解和相似性約束的矩陣分解來整合已知的藥物和疾病信息，獲取藥物和疾病的關(guān)聯(lián)概率。 還有一些方法通過在藥物-疾病異構(gòu)網(wǎng)絡(luò)上隨機(jī)游走來預(yù)測(cè)關(guān)聯(lián)分?jǐn)?shù)［5-6］。Wang 等［7］構(gòu)建了一個(gè)支持向量機(jī)模塊（SVM）來推斷藥物的未知治療效果。 然而，隨著藥物相關(guān)數(shù)據(jù)的增加和多樣化，除了考慮藥物的基本靶點(diǎn)信息和蛋白質(zhì)結(jié)構(gòu)外，其他信息對(duì)預(yù)測(cè)疾病候選者也很重要，而這些方法并沒有整合這些多源數(shù)據(jù)。

第二類方法考慮使用與藥物和疾病相關(guān)的多個(gè)數(shù)據(jù)源進(jìn)行關(guān)聯(lián)預(yù)測(cè)。 已經(jīng)開發(fā)了幾種方法，非負(fù)矩陣分解、稀疏子空間學(xué)習(xí)或推理概率矩陣分解來預(yù)測(cè)候選藥物注釋。 還有一些方法通過在構(gòu)建的異構(gòu)網(wǎng)絡(luò)上隨機(jī)游走來預(yù)測(cè)各種藥物的候選疾病［8］。然而，多個(gè)數(shù)據(jù)源表現(xiàn)出復(fù)雜的非線性關(guān)系，整合這些數(shù)據(jù)對(duì)于探索藥物與疾病的相關(guān)性至關(guān)重要。

第三類方法采用深度學(xué)習(xí)方法整合藥物和疾病相關(guān)信息，以更準(zhǔn)確地識(shí)別合適的疾病候選者。Xuan 等［9］提出了一個(gè)基于CNN（Convolution Neural Network）和BiLSTM（Bi-directional Long Short-Term Memory）架構(gòu)的模型，用于預(yù)測(cè)藥物-疾病關(guān)聯(lián)分?jǐn)?shù)。 此外，還構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)的模型和基于圖卷積網(wǎng)絡(luò)（GCN）的模型來推斷藥物的候選疾病。 然而，在深度學(xué)習(xí)過程中，沒有考慮以節(jié)點(diǎn)間的拓?fù)潢P(guān)系為指導(dǎo)，通過加權(quán)聚合有屬性節(jié)點(diǎn)的屬性來補(bǔ)全無屬性節(jié)點(diǎn)的屬性［10］。 在這項(xiàng)研究中，本文提出了一個(gè)基于屬性補(bǔ)全的預(yù)測(cè)模型，從不同的元路徑編碼和捕捉異構(gòu)網(wǎng)絡(luò)中節(jié)點(diǎn)的拓?fù)淝度?，為無屬性節(jié)點(diǎn)進(jìn)行屬性補(bǔ)全。

1 材料和方法

為了預(yù)測(cè)特定藥物的潛在適應(yīng)癥即候選疾病，本文提出了藥物-疾病關(guān)聯(lián)預(yù)測(cè)模型。 首先，基于多種藥物相似性、疾病相似性和藥物-疾病關(guān)聯(lián)構(gòu)建了3 種不同的藥物-疾病異構(gòu)網(wǎng)絡(luò)；構(gòu)建多個(gè)元路徑，用來編碼和學(xué)習(xí)藥物和疾病節(jié)點(diǎn)的拓?fù)淝度耄⑻岢鲆粋€(gè)基于元路徑層面的注意力機(jī)制，融合來自多個(gè)元路徑的不同的語義信息；以融合后的藥物（疾?。┕?jié)點(diǎn)的拓?fù)淝度霝橹笇?dǎo)，對(duì)有屬性的藥物節(jié)點(diǎn)的屬性進(jìn)行加權(quán)聚合來補(bǔ)全沒有屬性的疾病節(jié)點(diǎn)的屬性；最后，將得到的3 個(gè)網(wǎng)絡(luò)的藥物-疾病節(jié)點(diǎn)對(duì)的屬性通過1×1 卷積融合，通過兩層全連接神經(jīng)網(wǎng)絡(luò)，輸出藥物和疾病是否存在關(guān)聯(lián)的分?jǐn)?shù)。

1.1 相關(guān)數(shù)據(jù)集

本文從以往的藥物-疾病關(guān)聯(lián)預(yù)測(cè)工作中獲得藥物與疾病的關(guān)聯(lián)、藥物的化學(xué)亞結(jié)構(gòu)、藥物的靶蛋白結(jié)構(gòu)域、藥物的靶注釋以及疾病語的語義相似性。3 051個(gè)已知的藥物-疾病關(guān)聯(lián)數(shù)據(jù)最初是從聯(lián)合醫(yī)學(xué)語言系統(tǒng)（UMLS）中提取的，其中包含763 種藥物和681 種疾病之間的治療關(guān)系。 本文主要利用了3種藥物屬性，藥物的化學(xué)結(jié)構(gòu)是從PubChem 數(shù)據(jù)庫中提取的化學(xué)指紋，從InterPro 數(shù)據(jù)庫和UniProt 數(shù)據(jù)庫中獲得了藥物的靶蛋白結(jié)構(gòu)域和藥物的靶注釋。 相關(guān)的疾病命名由美國(guó)國(guó)家醫(yī)學(xué)圖書館提供（MeSH）。

1.2 藥物和疾病的多源數(shù)據(jù)矩陣表示

1.2.1 多種藥物屬性表示

基于多種藥物相關(guān)的數(shù)據(jù)，本文用矩陣Bp（p ＝chem，doma，anno） 分別表示藥物的3 種屬性，即藥物的化學(xué)子結(jié)構(gòu)，藥物靶蛋白的目標(biāo)域和基因注釋。Bp被定義為式（1）：

其中，Nr表示藥物的數(shù)量，Nchem（Ndoma，Nanno）是藥物化學(xué)子結(jié)構(gòu)（藥物靶蛋白的目標(biāo)域，基因注釋）的數(shù)量，Nchem ＝623，Ndoma ＝1 426，Nanno ＝447。

如果Bchem（i，j） 的值為1，表示藥物ri具有化學(xué)子結(jié)構(gòu)cj，否則值為0。 同樣地，如果藥物ri含有靶蛋白結(jié)構(gòu)域oj（基因注釋tj），將Bdoma（i，j）（Banno（i，j） ）的值置為1，否則為0。

1.2.2 多種藥物相似性表示

兩個(gè)藥物ri和rj之間具有越多相同的化學(xué)子結(jié)構(gòu)，通常這種情況下藥物ri和rj在功能上具有更高的相似性；類似地，當(dāng)藥物ri和rj具有更多相同的靶蛋白域或者靶注釋，ri和rj之間也會(huì)具有更高的相似性。 基于這些生物性前提，Wang 等［11］通過余弦相似性計(jì)算得到了3 種不同的藥物相似。 3 個(gè)藥物相似矩陣分別為Srchem，Srdoma，Sranno。 藥物相似性矩陣定義為式（2）：

反映了藥物之間在化學(xué)亞結(jié)構(gòu)方面的相似度大小，Srdoma（Sranno） 表示一對(duì)藥物在蛋白質(zhì)結(jié)構(gòu)域（靶注釋）下的相似度大小，取值范圍在［0，1］之間，數(shù)值越大說明兩種藥物就越相似。

1.2.3 疾病相似性表示

有向無環(huán)圖（DAG）通常被用來表示一種疾病，該圖是由多個(gè)與該疾病相關(guān)的疾病術(shù)語組成。 兩個(gè)疾病有越多相同的疾病術(shù)語，兩個(gè)疾病之間越相似。通過余弦相似性計(jì)算得到的矩陣Sd∈表示兩種疾病之間的相似性，Nd是疾病的數(shù)量，的值域［0，1］，值越高，di和dj之間越相似。

1.2.4 藥物-疾病關(guān)聯(lián)表示

關(guān)聯(lián)矩陣Ard∈包含了Nr個(gè)藥物和Nd個(gè)疾病之間的關(guān)聯(lián)。 每一行和每一列分別代表一種藥物和一種疾病。 如果ri和dj之間存在關(guān)聯(lián)，則Arijd的值為1，否則Arijd ＝0。

1.3 多個(gè)藥物-疾病的異構(gòu)網(wǎng)絡(luò)

面對(duì)3 種不同的藥物相似性，構(gòu)建3 個(gè)藥物-疾病異構(gòu)網(wǎng)絡(luò)Gp ＝(V，E) 。 每個(gè)異構(gòu)網(wǎng)絡(luò)包含了兩種類型的節(jié)點(diǎn)V ＝(Vr∪Vd) 和3 種類型的邊E ＝(Erp-r∪Ed-d∪Er-d) 。 每個(gè)異質(zhì)網(wǎng)絡(luò)中的節(jié)點(diǎn)總數(shù)是藥物節(jié)點(diǎn)和疾病節(jié)點(diǎn)數(shù)量之和（Ntotal＝Nr＋Nd），Erp-r是基于第p種藥物相似性建立的藥物-藥物相似性的邊。 利用已知的關(guān)聯(lián)數(shù)據(jù)，建立藥物-疾病的邊，用Er-d表示。 如果節(jié)點(diǎn)vi，vj∈V之間存在一個(gè)連接，那么eij∈E。

1.4 多個(gè)藥物-疾病雙層網(wǎng)絡(luò)的鄰接矩陣

基于藥物-疾病關(guān)聯(lián)和多種藥物相似性矩陣，本文構(gòu)建了p個(gè)雙層異構(gòu)網(wǎng)絡(luò)的鄰接矩陣Hp∈RNtotal*Ntotal，式（3）：

其中，（Ard）T是Ard的轉(zhuǎn)置矩陣。

1.5 基于元路徑的成對(duì)拓?fù)浣Y(jié)構(gòu)編碼

本文構(gòu)建的雙層異構(gòu)網(wǎng)絡(luò)Hp， 包含藥物和疾病節(jié)點(diǎn)。 多重關(guān)系也包括在內(nèi)，r -r，d -d，r -d表示藥物-藥物相似性，疾病-疾病相似性以及藥物和疾病之間的關(guān)聯(lián)關(guān)系。 在異構(gòu)圖中，許多節(jié)點(diǎn)可以通過具有不同語義的路徑連接，被稱為元。 長(zhǎng)度為m的元路徑定義為式（4）：

其中，v1，v2，…，vm＋1表示節(jié)點(diǎn)類型，n1，n2，…，np表示連接v1和vm＋1的邊的類型。

一個(gè)元路徑實(shí)例被定義為異構(gòu)圖中的一個(gè)節(jié)點(diǎn)序列。r1和r4可以通過元路徑r -r -r和r -d -r的方式連接。 例如，目標(biāo)節(jié)點(diǎn)r1的元路徑r1- r2- r4，如果藥物r1和r4都有r2類似的功能，其可能是相似的；在r1- d3- r4中，這兩種藥物都和疾病關(guān)聯(lián)，表明r1可能和r4相似。 不同的元路徑顯示出不同的語義信息。 考慮到藥物ri的直接鄰居和經(jīng)過兩跳之后的鄰居對(duì)其影響較大。 因此，本文建立長(zhǎng)度為1的元路徑和長(zhǎng)度為2 的元路徑δ∈｛r - r，r - d，r -r - r，r - d - r，r - r - d，r - d - d｝。 同樣的，對(duì)于疾病節(jié)點(diǎn)dj，分別建立長(zhǎng)度為1 和長(zhǎng)度為2 的元路徑δ∈｛d - r，d - d，d - r - r，d - d - r，d - r - d，d - d - d｝。 用Pδr（Pδd） 表示藥物（疾病） 節(jié)點(diǎn)的元路徑。

基于Hp結(jié)構(gòu)信息，藥物和疾病之間存在各種連接關(guān)系，φ∈｛r - r，r - d，d - d，d - r｝。 元路徑與這些關(guān)系相對(duì)應(yīng)的鄰接矩陣表示為Xk∈RNtotal*Ntotal，其中k∈φ。 以k ＝r - d為例，Xk被定義為式（5）：

當(dāng)且僅當(dāng)節(jié)點(diǎn)i和j之間存在r - d的關(guān)系時(shí)，1，否則為0。

對(duì)于每條元路徑，都要建立其相應(yīng)的拓?fù)淝度搿?duì)于元路徑k包括在δ中的第e個(gè)關(guān)系的鄰接矩陣被歸一化為，式（6）：

其中，Oi表示第i行元素之和，Zj表示第j列元素之和。 元路徑δ的拓?fù)淝度胧荰，式（7）：

其中，｜δ ｜是長(zhǎng)度。

例如，元路徑r - r - d的長(zhǎng)度為2，相對(duì)應(yīng)的拓?fù)淝?入在 不 同 的 元 路 徑 下表示藥物（疾?。?節(jié)點(diǎn)基于Hp下的拓?fù)淝度耄渲衟∈｛chem，doma，anno｝。

1.6 多種語義信息的融合

給定藥物ri（疾病dj） 的元路徑Pδr（Pδd）， 其特定的語義表示為（T pr，δ）i（（T pd，δ）j）。 每一個(gè)元路徑都反映了一個(gè)特定的語義信息，對(duì)構(gòu)造藥物（疾病）節(jié)點(diǎn)的拓?fù)淝度胗兄黠@不同的貢獻(xiàn)。 因此，本文提出了一個(gè)元路徑層面的注意力機(jī)制，有助于融合多種語義。 以藥物節(jié)點(diǎn)為例，元路徑類型層面的注意力得分為（spr，δ）i，式（8）：

其中，tanh 表示一個(gè)非線性激活函數(shù)；δ∈｛r -r，r - d，r - r - r，r - d - r，r - r - d，r - d - d｝；batte是注意力參數(shù)；qT是可學(xué)習(xí)參數(shù)。

（βpr，δ）i代表歸一化的注意力權(quán)重，式（9）：

藥物節(jié)點(diǎn)的拓?fù)浔硎荆╤pr）i通過元路徑層面注意力機(jī)制增強(qiáng)后定義如下，式（10）：

類似地，也得到了疾病dj在不同元路徑聚合下的拓?fù)浔硎?h pd)j。

1.7 基于鄰居層面注意力機(jī)制的屬性補(bǔ)全

給定一對(duì)藥物和疾病節(jié)點(diǎn)（ri，dj），和其相對(duì)應(yīng)的節(jié)點(diǎn)拓?fù)淝度氡硎荆╤pr）i和（hpd）j，本文用Vr＋表示所有與疾病dj相關(guān)聯(lián)的藥物節(jié)點(diǎn)的集合，其中藥物ri具有節(jié)點(diǎn)屬性，疾病dj不具有節(jié)點(diǎn)屬性。 通過對(duì)與疾病節(jié)點(diǎn)dj直接相連的藥物節(jié)點(diǎn)的屬性加權(quán)聚合作為疾病節(jié)點(diǎn)dj的屬性，實(shí)現(xiàn)對(duì)疾病節(jié)點(diǎn)dj的屬性補(bǔ)全，屬性補(bǔ)全的示意圖如圖1 所示。

圖1 基于疾病節(jié)點(diǎn)屬性補(bǔ)全的示意圖Fig.1 Schematic of disease node attribute complement

因?yàn)榫植客負(fù)浣Y(jié)構(gòu)不同，每個(gè)節(jié)點(diǎn)的鄰居在屬性聚合的重要性不同，也就是一個(gè)節(jié)點(diǎn)的鄰居越多，其對(duì)每個(gè)鄰居的重要性就越低。 因此，本文提出一個(gè)鄰居層面的注意力機(jī)制來學(xué)習(xí)節(jié)點(diǎn)不同鄰居的重要性，式（11）：

其中，σ是激活函數(shù)，Wpc是權(quán)重矩陣。

歸一化注意力權(quán)重apij表示如式（12）：

最終利用注意力機(jī)制對(duì)與疾病dj相連的藥物節(jié)點(diǎn)的屬性加權(quán)聚合對(duì)疾病dj實(shí)現(xiàn)了屬性補(bǔ)全，補(bǔ)全后的屬性向量Xpj定義為式（13）：

本文還建立了多頭注意力機(jī)制，用來穩(wěn)定屬性補(bǔ)全的學(xué)習(xí)過程，式（14）：

由于藥物節(jié)點(diǎn)具有3 種藥物屬性，根據(jù)不同的屬性分別對(duì)疾病節(jié)點(diǎn)進(jìn)行屬性補(bǔ)全。 最后，疾病節(jié)點(diǎn)的屬性矩陣被表示為Xdp（p∈｛chem，doma，anno｝）。 為了使屬性補(bǔ)全過程是可學(xué)習(xí)的，同時(shí)保證補(bǔ)全的屬性的準(zhǔn)確性，按照比例μ將藥物節(jié)點(diǎn)V r隨機(jī)劃分為兩個(gè)部分，分別是和， 其 中，刪除掉中藥物節(jié)點(diǎn)的屬性，通過對(duì)丟掉屬性的節(jié)點(diǎn)進(jìn)行屬性補(bǔ)全，計(jì)算得到的節(jié)點(diǎn)的重構(gòu)屬性定義為式（15）：

為了使重構(gòu)的屬性盡可能的接近于原始屬性，通過計(jì)算原始屬性和重構(gòu)屬性之間的歐氏距離得到屬性補(bǔ)全的監(jiān)督損失losspc，式（16）：

通過屬性補(bǔ)全機(jī)制，對(duì)已有的藥物節(jié)點(diǎn)屬性和補(bǔ)全的疾病節(jié)點(diǎn)屬性進(jìn)行組合，得到了關(guān)于藥物和疾病節(jié)點(diǎn)的屬性矩陣Xnewp，式（17）：

1.8 最終整合和預(yù)測(cè)

通過屬性補(bǔ)全機(jī)制，得到p個(gè)藥物-疾病節(jié)點(diǎn)的屬性矩陣Xnpew， 其中藥物節(jié)點(diǎn)ri的屬性表示為（Xnpew）ri，疾病節(jié)點(diǎn)dj的屬性表示為（Xnpew）dj。 為了利用每個(gè)屬性矩陣的特征，將其降維到相同的維度后上下堆疊，用1×1 卷積進(jìn)行融合，得到ri -dj最終的屬性向量表示t，并將其作為全連接層的輸入，以得到藥物ri和疾病dj的關(guān)聯(lián)得分。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 評(píng)價(jià)指標(biāo)

本文使用五倍交叉驗(yàn)證法來評(píng)估基于屬性補(bǔ)全預(yù)測(cè)模型的性能。 將所有已知的關(guān)聯(lián)關(guān)系視為正例樣本，并隨機(jī)分為5 組，其中4 組用于訓(xùn)練，另一組用于測(cè)試。 將所有未觀察到的藥物-疾病相關(guān)性視為反例樣本。 隨機(jī)選擇與正例樣本數(shù)同等數(shù)量的反例樣本進(jìn)行訓(xùn)練，剩余的反例樣本進(jìn)行測(cè)試。

評(píng)估指標(biāo)包括受試者操作特征（ROC） 曲線、ROC曲線下的面積（AUC）、精確召回曲線（PR曲線）、PR曲線下的面積（AUPR）。 真陽率（TPR） 和假陽率（FPR） 的計(jì)算，式（18） 和式（19）：

其中，TP（TN） 表示正確預(yù)測(cè)的正例（反例） 樣本數(shù)，F(xiàn)P（FN） 表示錯(cuò)誤預(yù)測(cè)的正例（反性） 樣本數(shù)，用來計(jì)算繪制ROC曲線，該曲線是以TPR為縱坐標(biāo)，F(xiàn)PR為橫坐標(biāo)， 其曲線下方的面積表示為AUC值，用于評(píng)估模型的性能。AUC值越高代表模型的性能越優(yōu)秀。

精確度和召回率是評(píng)估機(jī)器學(xué)習(xí)模型性能的重要指標(biāo)。 精確度表示預(yù)測(cè)為正例樣本中真實(shí)正例樣本的比率，式（20）；而召回率表示在所有正例樣本的樣本中被正確識(shí)別為正例樣本的比率，式（21）。

通過繪制以Precision為縱軸、Recall為橫軸的曲線，可以直觀地展示模型的性能。 如果這條曲線處于左上角附近，那么就意味著模型的性能更佳。相反，曲線越靠近右下角則意味著模型性能越差。

2.2 與其他方法的比較

為了評(píng)估基于屬性補(bǔ)全預(yù)測(cè)模型的性能，將本文提出的方法與6 種最先進(jìn)的有關(guān)藥物疾病關(guān)聯(lián)預(yù)測(cè) 的 方 法 進(jìn) 行 比 較， 包 括 GFPred、 CBPred、SCMFDD、 LRSSL、MbiRW 和HGBI。 為了使比較結(jié)果更具說服力，本文的模型和所有比較的模型在訓(xùn)練和測(cè)試時(shí)使用了相同的數(shù)據(jù)集，并且每種對(duì)比方法的最佳性能是通過使用各自文獻(xiàn)中提供的最優(yōu)參數(shù)設(shè)置。

在五倍交叉驗(yàn)證中，本文對(duì)763 種藥物進(jìn)行了評(píng)估，并計(jì)算了各自的平均AUC和AUPR；最終將所有763 種藥物的平均AUC（或AUPR） 作為最終結(jié)果。 不同預(yù)測(cè)模型的ROC曲線與PR曲線如圖2所示。 在所有方法中，基于屬性補(bǔ)全的預(yù)測(cè)模型取得了最佳的性能，優(yōu)于其他對(duì)比模型；GFPred 在性能上排名第二，其從多個(gè)異構(gòu)網(wǎng)絡(luò)中學(xué)習(xí)，獲得藥物（疾?。┕?jié)點(diǎn)的拓?fù)浔硎荆摻Y(jié)果表明，融合多個(gè)異構(gòu)網(wǎng)絡(luò)的信息可以提高預(yù)測(cè)性能；CBPred 考慮了節(jié)點(diǎn)對(duì)之間的路徑信息，在性能上排名第三；盡管LRSSL 和MBiRW 的AUC沒有明顯差異，但LRSSL的AUPR明顯更高，這是因?yàn)榍罢呃昧硕喾N藥物的相似性，而后者只考慮一種藥物的相似性。SCMFDD 和HGBI 的性能稍差，其AUC和AUP幾乎沒有差別，這是因?yàn)閮烧叨紱]有利用多種藥物的相似性。 與上述方法相比，基于屬性補(bǔ)全的預(yù)測(cè)模型的性能提高主要是通過多個(gè)不同的路徑，捕獲了藥物和疾病節(jié)點(diǎn)的多種拓?fù)浣Y(jié)構(gòu)表示，并基于這些拓?fù)湫畔⑼ㄟ^注意力機(jī)制對(duì)疾病節(jié)點(diǎn)進(jìn)行屬性補(bǔ)全。

圖2 不同預(yù)測(cè)模型的ROC 曲線與PR 曲線（分圖）Fig.2 ROC curves and PR curves of different prediction methods

3 結(jié)束語

本文提出了一個(gè)新的預(yù)測(cè)模型，融合藥物和疾病數(shù)據(jù)的相似性和關(guān)聯(lián)性、藥物-疾病節(jié)點(diǎn)對(duì)的特性，以及來自多個(gè)元路徑的語義信息，并且為無屬性的疾病節(jié)點(diǎn)進(jìn)行了屬性補(bǔ)全以預(yù)測(cè)藥物-疾病的關(guān)聯(lián)。 建立了3 個(gè)異構(gòu)網(wǎng)絡(luò)，以便于學(xué)習(xí)每個(gè)異構(gòu)網(wǎng)絡(luò)中節(jié)點(diǎn)的屬性表示。 本文還提出了2 個(gè)注意力機(jī)制，將更高權(quán)重分配給更重要的元路徑和節(jié)點(diǎn)鄰居。通過與其他6 個(gè)預(yù)測(cè)模型的比較，本文提出模型在AUC和AUPR方面均取得了更好的預(yù)測(cè)性能。