The invention discloses a fast and accurate high throughput drug screening system based on deep learning. The drug screening system includes a picture preprocessing module and a neural network module. The picture preprocessing module includes a channel merging module and a picture standardization module, and the channel merging module combines different cells with single color channel pictures. The combined picture tensor is expressed as [H, W, C] for multi-channel images. The picture standardization module standardized the input multichannel picture data into [70,70 and C] tensor; the neural network module took the picture standardization module, and the input data was a standardized picture tensor, and the neural network has been trained to complete the neural network. The network gets the final prediction classification judgment. The drug screening system based on depth learning based on this invention has the advantages of high throughput, precision, high efficiency, fast and convenient, low cost and anti-interference, and has the prospect of practical application which is worth paying attention to.
【技术实现步骤摘要】
一种基于深度学习的快速精准高通量药物筛选系统
本专利技术涉及生物医药
,具体地说,是一种基于深度学习的快速精准高通量药物筛选系统。
技术介绍
据统计,每个新药上市的研发,测试到上市,均需要耗费10-14年,耗资2亿美元以上,如何加快新药的发现测试速度,一直是加快药物研发阶段的关键和难点。近年来,生物化学、生理病理学等学科的发展,提供了药物筛选的新手段,出现了一些分子细胞水平的药物筛选模型,并配合更先进的检测技术、自动化技术的和计算机技术的发展,在90年代末期发展出了高通量筛选技术(Highthroughputscreening,HTS)。HTS主要依赖于自动化的操作系统,即实验室机器人和高灵敏度的检测过程,包括分光光度法和荧光检测技术等方法。HTS的出现,大大加快了药筛选速度,但是其仍然有很大的局限性,包括成本高、模型搭建困难,模型数量有限,我国在药物筛选体系的发展中起步较晚,仅有个别国家重点实验室具有高通量筛选的系统,实验室机器人由于其成本高而难以普及,各种检测手段仍然不能脱离人工的统计和分析。而近年来,伴随着计算机技术的迅速发展,新药物的筛选研发也越来越多地和计算机技术相结合。在现有研究中,计算机技术多用于对于实验数据的统计处理,对已有的特征分析归类,更进一步的应用包括计算机辅助药物设计。近年来已经有一些将机器学习应用于提高虚拟筛选效果的研究,诚然虚拟筛选在药物筛选方面有着重要的作用,但虚拟筛选仍依赖于现有的小分子数据库和已经人为分类的各种特征,不足以体现药物的实际应用效果。各个科研机构和实验室,需要一种能应用于实践评判药物效果的药物筛选体系,还 ...
【技术保护点】
1.一种基于深度学习的快速精准高通量药物筛选系统,其特征在于,所述药物筛选系统包括图片预处理模块、神经网络模块,所述图片预处理模块包括通道合并模块、图片标准化模块;通道合并模块的输入数据为细胞单颜色通道图片,通道合并模块将不同的细胞单颜色通道图片合并为多通道图片表示,合并后的图片张量表示为[H,W,C];图片标准化模块承接通道合并模块,其输入数据为合并后的多通道图片张量,图片标准化模块将输入的多通道图片数据标准化为[70,70,C]的张量表示,具体方法如下:(1)使用双立方插值算法将[H,W,C]的图像张量转化为[70,70,C],(2)将经过插值操作的图像张量作正则化操作;神经网络模块承接图片标准化模块,其输入数据为经过标准化的图片张量,经过已经训练完成的神经网络得到最终的预测分类判断。
【技术特征摘要】
1.一种基于深度学习的快速精准高通量药物筛选系统,其特征在于,所述药物筛选系统包括图片预处理模块、神经网络模块,所述图片预处理模块包括通道合并模块、图片标准化模块;通道合并模块的输入数据为细胞单颜色通道图片,通道合并模块将不同的细胞单颜色通道图片合并为多通道图片表示,合并后的图片张量表示为[H,W,C];图片标准化模块承接通道合并模块,其输入数据为合并后的多通道图片张量,图片标准化模块将输入的多通道图片数据标准化为[70,70,C]的张量表示,具体方法如下:(1)使用双立方插值算法将[H,W,C]的图像张量转化为[70,70,C],(2)将经过插值操作的图像张量作正则化操作;神经网络模块承接图片标准化模块,其输入数据为经过标准化的图片张量,经过已经训练完成的神经网络得到最终的预测分类判断。2.根据权利要求1所述基于深度学习的快速精准高通量药物筛选系统,其特征在于,所述预测...
【专利技术属性】
技术研发人员:程黎明,朱融融,朱颜菁,
申请(专利权)人:上海市同济医院,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。