目标药物敏感度预测方法、装置、终端设备及存储介质制造方法及图纸

本申请适用于药物测试技术领域，提供了一种目标药物敏感度预测方法、装置、终端设备及存储介质，所述方法包括：获取待测用户的临床因素信息和单核苷酸多态性SNPs位点信息，所述SNPs位点信息为所述待测用户的基因中会与目标药物产生作用的位点信息；根据所述SNPs位点信息提取SNPs信息特征，并根据所述临床因素信息提取临床因素特征；根据所述SNPs信息特征和所述临床因素特征，对所述待测用户服用所述目标药物时的敏感度进行预测。通过将待测用户的基因中会与目标药物产生作用的SNPs位点信息，与临床因素信息作为预测信息，提取相应的SNPs信息特征和临床因素特征进行预测，使得预测出的待测用户服用目标药物时的是否产生敏感的准确性更高。

【技术实现步骤摘要】
目标药物敏感度预测方法、装置、终端设备及存储介质
本申请属于药物测试
，尤其涉及一种目标药物敏感度预测方法、装置、终端设备及存储介质。
技术介绍
目前，对于同种类型的患者个体往往采用相同的药物进行治疗。然而，临床应用表明，不同的患者个体，甚至同一分期的患者，针对相似的患者对相同的治疗有不同反应的现象，即对于药物的反应或者疗效显著截然不同。因此，为了消除临床实验的盲试风险，需要预先测出患者是否能对特定药物产生敏感性，用于临床治疗。
技术实现思路
本申请实施例提供了一种目标药物敏感度预测方法、装置、终端设备及存储介质，可以解决临床实验的盲试风险，进而预先测出患者是否能对特定药物产生敏感性的问题。第一方面，本申请实施例提供了一种目标药物敏感度预测方法，包括：获取待测用户的临床因素信息和单核苷酸多态性SNPs位点信息，所述SNPs位点信息为所述待测用户的基因中会与目标药物产生作用的位点信息；根据所述SNPs位点信息提取SNPs信息特征，并根据所述临床因素信息提取临床因素特征；根据所述SNPs信息特征和所述临床因素特征，对所述待测用户服用所述目标药物时的敏感度进行预测。在一实施例中，所述获取待测用户的临床因素信息和单核苷酸多态性SNPs位点信息，包括：获取所述待测用户的临床因素信息和初始SNPs位点信息；在SNPs位点数据库中获取会与所述目标药物产生作用的第一SNPs位点信息；从所述初始SNPs位点信息中筛选出与所述第一SNPs位点信息相同的位点信息，作为所述待测用户的SNPs位点信息。在一实施例中，所述根据所述SNPs位点信息提取SNPs信息特征，并根据所述临床因素信息提取临床因素特征，包括：清洗所述SNPs位点信息和所述临床因素信息，得到第二SNPs位点信息以及第一临床因素信息；根据所述第二SNPs位点信息的数据特性，对所述第二SNPs位点信息进行标准化处理，获得所述第二SNPs位点信息的SNPs信息特征；根据所述第一临床因素信息的数据特性，对所述第一临床因素信息进行标准化处理，获得所述第一临床因素信息的临床因素特征。在一实施例中，所述根据所述SNPs信息特征和所述临床因素特征，对所述待测用户服用所述目标药物时的敏感度进行预测，包括：将所述SNPs信息特征和所述临床因素特征输入第一模型进行预测，得到所述待测用户服用所述目标药物时的敏感度；其中，所述第一模型通过如下步骤进行训练得到：获取训练数据，所述训练数据包括多个训练用户的训练临床因素信息和训练SNPs位点信息；根据所述训练SNPs位点信息提取训练SNPs信息特征，并根据所述训练临床因素信息提取训练临床因素特征；将所述训练SNPs信息特征和训练临床因素特征输入至初始第一模型进行训练，得到所述训练用户的药物敏感度的第一初始预测值；根据所述训练用户的药物敏感度的真实值和所述第一初始预测值，确定所述训练用户的训练损失；根据所述训练损失迭代更新所述初始第一模型的模型参数；若在迭代更新过程中所述训练损失收敛，则结束训练所述初始第一模型，并将当前的初始第一模型作为已训练的第一模型；若在迭代更新过程中所述训练损失未收敛，则调整所述初始第一模型的模型参数，并返回执行所述将所述训练SNPs信息特征和训练临床因素特征输入至初始第一模型进行训练，得到所述训练用户的药物敏感度的第一初始预测值的步骤，直到所述训练损失收敛。在一实施例中，所述已训练的第一模型包括多个；在所述将所述训练SNPs信息特征和训练临床因素特征输入至初始第一模型进行训练，得到所述训练用户的药物敏感度的第一初始预测值之后，还包括：将所述训练SNPs信息特征和训练临床因素特征输入至多个初始第一模型进行训练，对应得到多个已训练的第一模型；获取测试数据，所述测试数据包括测试用户的测试SNPs信息特征和测试临床因素特征；将所述测试数据分别输入至所有所述已训练的第一模型中，对应获得基于各个已训练第一模型进行预测后的第二初始预测值；根据所述第二初始预测值，在多个已训练第一模型中确定最优的第一模型。在一实施例中，所述测试数据包括多组；所述根据所述第二初始预测值，在多个已训练第一模型中确定最优的第一模型，包括：获取所述测试用户中属于敏感类别的第一测试数据，以及所述测试用户中属于非敏感类别的第二测试数据；获取各个第一模型根据所述第一测试数据得到的第三初始预测值，以及获取各个第一模型根据所述第二测试数据得到的第四初始预测值；分别计算所述各个第一模型根据所述第三初始预测值，判定所述测试用户属于敏感类别的第一数量，以及分别计算所述各个第一模型根据所述第四初始预测值，判定所述测试用户属于敏感类别的第二数量；根据所述第一数量以及所述第一测试数据的总数量计算第一测试率，并根据所述第二数量以及所述第二测试数据的总数量计算第二测试率；根据所述第一测试率以及所述第二测试率，对所述各个第一模型进行评分；将评分最高的第一模型，作为所述最优的第一模型。在一实施例中，在所述获取训练数据之后，还包括：获取所述训练用户的SNPs位点信息的基因分型；根据所述基因分型，判断所述训练用户的SNPs位点之间是否存在连锁平衡关系；若所述训练用户的SNPs位点之间存在连锁平衡关系，则去除存在连锁平衡关系的SNPs位点，根据剩余SNPs位点信息提取所述训练SNPs位点信息特征。第二方面，本申请实施例提供了一种目标药物敏感度预测装置，包括：第一获取模块，用于获取待测用户的临床因素信息和单核苷酸多态性SNPs位点信息，所述SNPs位点信息为所述待测用户的基因中会与目标药物产生作用的位点信息；第一提取模块，用于根据所述SNPs位点信息提取SNPs信息特征，并根据所述临床因素信息提取临床因素特征；预测模块，用于根据所述SNPs信息特征和所述临床因素特征，对所述待测用户服用所述目标药物时的敏感度进行预测。第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的目标药物敏感度预测方法。第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的目标药物敏感度预测方法。第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的目标药物敏感度预测方法。本申请实施例与现有技术相比存在的有益效果是：先通过获取待测用户全部的SNPs位点信息，而后根据数据库中会与目标药物产生作用的第一SNPs位点信息，筛选出待测用户的SNPs位点信息，进而达到尽可能的准确获取待测用户中会与目标药物产本文档来自技高网...

【技术保护点】
1.一种目标药物敏感度预测方法，其特征在于，包括：/n获取待测用户的临床因素信息和单核苷酸多态性SNPs位点信息，所述SNPs位点信息为所述待测用户的基因中会与目标药物产生作用的位点信息；/n根据所述SNPs位点信息提取SNPs信息特征，并根据所述临床因素信息提取临床因素特征；/n根据所述SNPs信息特征和所述临床因素特征，对所述待测用户服用所述目标药物时的敏感度进行预测。/n

【技术特征摘要】
1.一种目标药物敏感度预测方法，其特征在于，包括：
获取待测用户的临床因素信息和单核苷酸多态性SNPs位点信息，所述SNPs位点信息为所述待测用户的基因中会与目标药物产生作用的位点信息；
根据所述SNPs位点信息提取SNPs信息特征，并根据所述临床因素信息提取临床因素特征；
根据所述SNPs信息特征和所述临床因素特征，对所述待测用户服用所述目标药物时的敏感度进行预测。


2.如权利要求1所述的目标药物敏感度预测方法，其特征在于，所述获取待测用户的临床因素信息和单核苷酸多态性SNPs位点信息，包括：
获取所述待测用户的临床因素信息和初始SNPs位点信息；
在SNPs位点数据库中获取会与所述目标药物产生作用的第一SNPs位点信息；
从所述初始SNPs位点信息中筛选出与所述第一SNPs位点信息相同的位点信息，作为所述待测用户的SNPs位点信息。


3.如权利要求1所述的目标药物敏感度预测方法，其特征在于，所述根据所述SNPs位点信息提取SNPs信息特征，并根据所述临床因素信息提取临床因素特征，包括：
清洗所述SNPs位点信息和所述临床因素信息，得到第二SNPs位点信息以及第一临床因素信息；
根据所述第二SNPs位点信息的数据特性，对所述第二SNPs位点信息进行标准化处理，获得所述第二SNPs位点信息的SNPs信息特征；
根据所述第一临床因素信息的数据特性，对所述第一临床因素信息进行标准化处理，获得所述第一临床因素信息的临床因素特征。


4.如权利要求1所述的目标药物敏感度预测方法，所述根据所述SNPs信息特征和所述临床因素特征，对所述待测用户服用所述目标药物时的敏感度进行预测，包括：
将所述SNPs信息特征和所述临床因素特征输入第一模型进行预测，得到所述待测用户服用所述目标药物时的敏感度；
其中，所述第一模型通过如下步骤进行训练得到：
获取训练数据，所述训练数据包括多个训练用户的训练临床因素信息和训练SNPs位点信息；
根据所述训练SNPs位点信息提取训练SNPs信息特征，并根据所述训练临床因素信息提取训练临床因素特征；
将所述训练SNPs信息特征和训练临床因素特征输入至初始第一模型进行训练，得到所述训练用户的药物敏感度的第一初始预测值；
根据所述训练用户的药物敏感度的真实值和所述第一初始预测值，确定所述训练用户的训练损失；
根据所述训练损失迭代更新所述初始第一模型的模型参数；
若在迭代更新过程中所述训练损失收敛，则结束训练所述初始第一模型，并将当前的初始第一模型作为已训练的第一模型；
若在迭代更新过程中所述训练损失未收敛，则调整所述初始第一模型的模型参数，并返回执行所述将所述训练SNPs信息特征和训练临床因素特征输入至初始第一模型进行训练，得到所述训练用户的药物敏感度的第一初始预测值的步骤，直到所述训练损失收敛。


5.如权利要求4所述的目标药物敏感度预测方法，所述已训练的第一模型包括多...

【专利技术属性】
技术研发人员：牛钢，薛宜青，范彦辉，张春明，汪亚菲，张强祖，袁碧清，倪思桓，
申请(专利权)人：深圳哲源生物科技有限责任公司，
类型：发明
国别省市：广东;44