1.一种基于惩罚正则项的受限玻尔兹曼机的预测药物副作用方法，其特征在于，包括：基于采集到的药物副作用关联信息和药物化学结构信息构建多个药物相似性矩阵和多个副作用相似性矩阵；

将所述多个药物相似性矩阵和所述多个副作用相似性矩阵进行融合预处理，得到目标药物相似性矩阵、目标副作用相似性矩和药物副作用关联矩阵；

构建药物受限波尔兹曼机模型和副作用受限波尔兹曼机模型；

基于初始模型参数、目标药物相似性矩阵、目标副作用相似性矩和药物副作用关联矩阵构建极大似然函数，将惩罚项加入所述极大似然函数中，进行迭代训练，直至达到预设迭代次数，得到最佳模型参数；

将最佳参数代入所述药物受限波尔兹曼机模型和所述副作用受限波尔兹曼机模型中，分别得到第一药物副作用预测结果和第二药物副作用预测结果；

根据所述第一药物副作用预测结果和所述第二药物副作用预测结果，计算得到目标药物副作用预测结果。

2.如权利要求1所述的方法，其特征在于，所述基于采集的药物副作用关联信息和药物化学结构信息构建多个药物相似性矩阵和多个副作用相似性矩阵包括：n×m

根据所述采集的药物副作用关联信息构建药物副作用关联矩阵Y∈R ，其中n是药物的数量，m是副作用的数量；Y种的元素数值可以分为两类：Yij＝1表明药物di和副作用sj有关联；Yij＝0表明药物di和副作用sj之间的关联未知；

n×881

根据所述药物化学结构信息构建矩阵U∈R ，U是由881个化学子结构的指纹编码得到的；

定义 为药物di的关联特征， 为药物di的化学结构特征， 表示为副作用sj的关联特征；

利用多种相似度评估方法计算得所述到多个药物相似性矩阵和所述多个副作用相似性矩阵。

3.如权利要求1所述的方法，其特征在于，所述将所述多个药物相似性矩阵和所述多个副作用相似性矩阵进行融合预处理，得到目标药物相似性矩阵、目标副作用相似性矩和药物副作用关联矩阵包括：利用CKA‑MKL算法将所述多个药物相似性矩阵和所述多个副作用相似性矩阵分别融合为所述目标药物相似性矩阵和所述目标副作用相似性矩阵；

利用WKNKN算法将所述目标药物相似性矩阵和目标副作用相似性矩阵进行关联预处理，得到所述药物副作用关联矩阵。

4.如权利要求3所述的方法，其特征在于，所述利用CKA‑MKL算法将所述多个药物相似性矩阵和所述多个副作用相似性矩阵分别融合为目标药物相似性矩阵和目标副作用相似性矩阵包括：利用所述CKA‑MKL算法将所述多个药物相似性矩阵和所述多个副作用相似性矩阵分别融合为目标药物相似性矩阵Sfinal，d和所述目标副作用相似性矩阵Sfinal，s；

所述CKA‑MKL算法的目标函数定义如下：m

其中， 是单位矩阵，1m∈R 是元素为1的向量，ωi是相似矩阵 的权重，Sdrug为相似性矩阵的集合，T为转置矩阵。

5.如权利要求4所述的方法，其特征在于，所述利用WKNKN算法将所述目标药物相似性矩阵和目标副作用相似性矩阵进行关联预处理，得到药物副作用关联矩阵包括：n×m

S501：将药物关联矩阵Yd∈R 初始化为0；

m×n

S502：将副作用关联性矩阵Ys∈R 初始化为0；

S503：令i＝1，根据相似度返回最大近邻knnd＝MaxSort(Sfinal，d，i，K)，knns＝MaxSort(Sfinal，s，i，K)，判断是否i≤n，若成立，则令i＝i+1，计算knnd和knns；

k‑1 k‑1

S504：若不成立，则停止计算，令k＝1，计算wkd＝μ Sfinal，d[i，knnkd]，wks＝μ Sfinal，s[i，knnks]；判断是否k≤K，若成立，则令k＝k+1，计算wkd和wks；

S505：若不成立，则停止计算，将S3所有的knnd和S4所有的wkd的值并入副作用关联矩阵Ys中，将所有的knns和wks的值并入副作用关联性矩阵Ys；

S506：基于药物关联矩阵Yd和副作用关联性矩阵Ys计算药物副作用关联矩阵Yds＝maxT((Yd+Ys)/2，Y)。

6.如权利要求1所述的方法，其特征在于，所述构建药物受限波尔兹曼机模型和副作用受限波尔兹曼机模型包括：所述药物受限波尔兹曼机模型和所述副作用受限波尔兹曼机模型的隐藏层和显层分别表示为h＝{h1，...，hc}和v＝{v1，...，vl}，v和h的联合概率分布为：其中，Z是归一化常数函数，E(v，h)是能量函数：隐藏层hj和显层vi的条件概率分布分别为：其中，σ(·)是sigmoid函数，ai和bj是关于第i个显层节点和第j个隐层节点的偏置，Wij是连接第i个显层节点和第j个隐层节点的连接权重；

定义v的联合分布为：

7.如权利要求6所述的方法，其特征在于，所述基于初始模型参数、目标药物相似性矩阵、目标副作用相似性矩和药物副作用关联矩阵构建极大似然函数，将惩罚项加入所述极大似然函数中，进行迭代训练，直至达到预设迭代次数，得到最佳模型参数包括：S701：输入所述药物副作用关联矩阵 所述目标药物[d] [d] [d] [d]

相似性矩阵Sfinal，d、预设隐藏节点数为l 、预设超参数λ 和θ 、预设学习率α ；

S702：基于药物副作用关联矩阵和药物相似矩阵构建极大似然函数为：S703：定义惩罚项为：

[d] [d]

其中，||W ||2，1是关于W 的l2，1‑norm，可以被定义为：矩阵 中的元素为

[d] T

表示为θ tr(H LH)，其中

为拉普拉斯正则化矩阵，D是对角矩阵，其第i个元素为Sfinal，d的第i行的和；

S704：将所述惩罚项代入所述极大似然函数中，得到[d] [d] [d]

S705：随机初始化W 、a 、b ；

S706：初始化 令t＝1；

S707：计算矩阵

S708：计算

*

S709：判断t≥T，若成立，则停止计算输出H[i，j]和 若不成立，则令t＝t+1，返回执行步骤S7，其中T为预设时间；

S710：计算矩阵：

计算权重：

计算显层偏置：

计算隐层偏置：

S711：通过公式 更新对角矩阵G；

[d] [d]

更新权重ΔW＝ΔW‑λ W G；

更新权重

更新隐层偏置

[d] [d] [d]

通过下列公式更新模型参数W 、a 、b ；

[d] [d] [d]

W ＝W +α ΔW

[d] [d] [d]

a ＝a +α Δa

[d] [d] [d]

b ＝b +α Δb

[d] [d] [d] [d] [d] [d]直至损失函数收敛停止迭代输出W 、a 、b ，将最佳参数W 、a 、b 代入所述药物受限波尔兹曼机模型中，得到所述完成训练的药物受限波尔兹曼机模型；

采用步骤S701‑S711的训练过程对所述副作用受限波尔兹曼机模型进行训练，得到所述完成训练的副作用受限波尔兹曼机模型。

8.如权利要求1所述的方法，其特征在于，所述根据所述第一药物副作用预测结果和所述第二药物副作用预测结果，计算得到目标药物副作用预测结果包括：根据所述完成训练的药物受限波尔兹曼机模型，得到所述第一药物副作用预测结果Ypre，drug；

根据所述完成训练的副作用受限波尔兹曼机模型，得到所述第二药物副作用预测结果Ypre，side‑effect；

利用公式 所述第一药物副作用预测结果Ypre，drug和所述第二药物副作用预测结果Ypre，side‑effect，计算得到所述目标药物副作用预测结果Ypre，final。

9.一种基于惩罚正则项的受限玻尔兹曼机的预测药物副作用的装置，其特征在于，包括：构建相似性矩阵模块，用于将采集到的药物副作用关联信息和药物化学结构信息构建多个药物相似性矩阵和多个副作用相似性矩阵；

矩阵预处理模块，用于将所述多个药物相似性矩阵和所述多个副作用相似性矩阵进行融合预处理，得到目标药物相似性矩阵、目标副作用相似性矩和药物副作用关联矩阵；

构建预测模型模块，用于构建药物受限波尔兹曼机模型和副作用受限波尔兹曼机模型；

训练预测模型模块，用于基于初始模型参数、目标药物相似性矩阵、目标副作用相似性矩和药物副作用关联矩阵构建极大似然函数，将惩罚项加入所述极大似然函数中，进行迭代训练，直至达到预设迭代次数，得到最佳模型参数；

预测结果模块，用于将最佳参数代入所述药物受限波尔兹曼机模型和所述副作用受限波尔兹曼机模型中，分别得到第一药物副作用预测结果和第二药物副作用预测结果；

计算模块，用于根据所述第一药物副作用预测结果和所述第二药物副作用预测结果，计算得到目标药物副作用的预测结果。

10.一种基于惩罚正则项的受限玻尔兹曼机的预测药物副作用的设备，其特征在于，包括：存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述基于惩罚正则项的受限玻尔兹曼机的预测药物副作用方法的步骤。