一种个性化药物不良反应预测方法、系统、设备及介质技术方案

本发明专利技术提供一种个性化药物不良反应预测方法、系统、设备及介质，属于生物医学技术领域。本发明专利技术提出了基于多核函数学习的多任务学习模型(KEMULA)，以替代传统的“一刀切”和“完全个性化”的学习方法。更具体地说，该模型通过假设该模型的共享函数来学习一个受约束的个性化ADR排序函数来计算和排序每个患者的ADR发展风险。该函数称为个性化ADR排序函数，其是计算患者发生相关ADR风险的几个评分函数的线性组合。该模型还结合了拉普拉斯正则化，以确保相似患者的personADRank函数所训练的变量信息接近，这可以提升该模型对给定患者与相应ADR之间关联的因果关系(真阳性)，因此本发明专利技术具有良好的实际应用之价值。

【技术实现步骤摘要】
一种个性化药物不良反应预测方法、系统、设备及介质
本专利技术属于生物医学
，具体涉及一种个性化药物不良反应预测方法、系统、设备及介质。
技术介绍
公开该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不必被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。世界卫生组织将药物不良反应(ADRs)描述为“对有毒和意外的药物反应，这种反应通常发生在人类正常使用的剂量范围内”。ADRs对公共卫生安全构成严重挑战。仅在美国，2004年就有超过21,000例ADRs报告，据估计，每年大概有6-7％的住院患者出现药物不良反应。此外，与药物相关的发病率和死亡率每年造成1,170亿美元的损失。在英国，国民健康服务(NHS)每年的由于药物不良反应造成的财务成本为4.66亿GB。ADRs每年可能导致大约10万人死亡，使其成为美国国内第四大死因。因此，有必要和迫切地研究ADRs，特别是研究那些未报告和罕见的药物不良反应。药物警戒(PhV)的主要目的是监测药物不良反应(ADRs)信号(即，识别潜在的药物和不良反应关联关系，这些关联在性质、剂量和/或频率方面可能是新发现的)。世界卫生组织将信号定义为“关于不良反应事件和药物之间可能的因果关系的报告信息，这种关系是未知的或没有完全记录的”。在现有的ADR信号传递方法中，传统统计方法或数据挖掘方法，如不相称性分析(DPA)方法、A-priori算法和基于<药物，不良反应>网络的推理方法，通常用于挖掘和监测药物与ADRs之间的信号关联。DPA方法，如相对报告率(RRR)，通常用于产生假设，旨在量化药物-ADR联合发生的“不成比例”的程度，与没有关联情况下报告频数进行比较。然而，这些信号检测方法通常只提取出一些假阳性<药物-ADR>关联关系。此外，DPA是一种完全基于频率的方法，难以挖掘和监测出罕见的药物与ADR关联关系。基于<药物,ADR>网络的推理方法通过计算由<药物,ADR>和<ADR,ADR>二元组组成的二分网络图中药物及其相关不良反应ADRs，邻居药物节点的交集，预测潜在的药物-ADR相关性。然而，这些方法只能挖掘和监测单一药物和单一ADR之间的关联信号；它们不能捕获药物组合与多项不良反应(ADRs)之间的关联关系。此外，基于网络的推理方法没有考虑药物的化学分子结构和基因组序列等特征，以及没有考虑药物之间的相似性，从而导致所监测到的药物不良反应信号准确性较低。与上述标准的数据挖掘和传统统计方法相比，ADRs信号建模由于患者的异质性而具有挑战性。患者的异质性来自于表型数据特征相似但可从被不同的治疗方法和医疗条件所区分。为了解决患者的异质性，我们可以通过考虑患者的内在特异性来建立个性化的ADRs信号监测模型。一种实现个性化模型的简单方法是为每个患者建立一个特有的ADRs信号监测模型。然而，专利技术人发现，这种完全个性化的建模策略的缺点是：其模型计算性能在时间和空间复杂性方面效率不高，尤其是当ADRs或与ADRs相关的历史记录患者数量很大时。
技术实现思路
针对上述现有技术存在的不足，本专利技术提供一种个性化药物不良反应预测方法、系统、设备及介质，本专利技术中提出了基于多核函数多任务学习模型(KEMULA)，以替代传统的“一刀切”和“完全个性化”的学习方法。具体地说，KEMULA模型通过假设该模型的局部函数来共享学习一个受约束的个性化ADRs排序函数来计算和对每个患者发生ADRs的风险得分进行排序。该函数称为个性化ADR排序函数(personalizedADRrankingfunction,orpersonADRank)。PersonalADRank是计算患者发生相关ADR风险的多项评分函数的线性组合。KEMULA模型通过拉普拉斯正则化，以避免全局目标函数过拟合，并确保相似患者的personADRank函数所训练的参数向量正交，这可以提升该模型对给定患者与相应ADR之间关联的因果关系(真阳性)，因此本专利技术具有良好的实际应用价值。为实现上述目的，本专利技术采用下述技术方案：本专利技术的第一个方面，提供一种个性化药物不良反应预测方法，所述预测方法包括：获取受试者的临床数据；将临床数据导入已建立的KEMULA预测模型中，得到受试者的个性化药物不良反应结果；所述受试者的临床数据至少包括受试者服用小分子药物、生物技术药物和受试者医疗状况的信息(在本专利技术中称为适应症)。所述KEMULA预测模型包括一种个性化ADRs排序函数，其具体为计算患者发生相关ADRs风险的多项评分函数的线性组合。所述评分函数至少包括小分子药物函数、生物技术药物函数和所患疾病特征函数。其中，所述函数为个性化多核多任务学习函数。本专利技术的第二个方面，提供一种个性化药物不良反应预测系统，所述预测系统包括：临床数据获取模块：获取受试者临床数据；预测模型构建模块：基于KEMULA预测模型对受试者进行预测，得到受试者的个性化药物不良反应预测结果。其中，所述受试者的临床数据至少包括受试者服用小分子药物、生物技术药物和受试者医疗状况的信息(在本专利技术中称为适应症)。所述KEMULA预测模型包括一种个性化ADRs排序函数，其具体为计算患者发生相关ADRs风险的自适应评分函数的凸优化组合。所述评分函数至少包括小分子药物函数、生物技术药物函数和所患疾病特征函数。其中，所述函数为个性化多核多任务学习函数。本专利技术的第三个方面，提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述个性化药物不良反应预测方法所进行的步骤。本专利技术的第四个方面，提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述个性化药物不良反应预测方法所进行的步骤。上述一个或多个技术方案的有益技术效果：上述技术方案提供了一个多核多任务学习模型KEMULA，用来监测不同频率发生的已报告和未报告的ADRs。提出的模型可以成功地从真实的自发呈报式(SpontaneousReportingSystem,SRS)数据集中监测到有符合临床意义的ADRs信息。一些被监测到的ADRs在现实生活中非常罕见，这种药物不良反应信息的捕捉可以帮助医生、药物不良反应监测机构对其进行有价值的学术研究。此外，对被KEMULA模型预测出但未报告的ADRs进行进一步调查和研究，这可以帮助制药业在药物上市前开发新的方法，在临床试验期间测试潜在的不良反应，并可缩短新药临床实验周期，因此具有良好的实际应用之价值。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为本专利技术实施例中个性化ADRs排名。Θ表示我们提出的模型；p代表与小分子药物特征m，生物技术药物特征b和适应症特征本文档来自技高网...

【技术保护点】
1.一种个性化药物不良反应预测方法，其特征在于，所述预测方法包括：/n获取受试者的临床数据；/n将临床数据导入已建立的KEMULA预测模型中，得到受试者的个性化药物不良反应结果；/n所述受试者的临床数据至少包括受试者服用小分子药物、生物技术药物和受试者医疗状况的信息；/n所述KEMULA预测模型包括一种个性化ADRs排序函数，其具体为计算患者发生相关ADRs风险的多项评分函数的线性组合。/n

【技术特征摘要】
1.一种个性化药物不良反应预测方法，其特征在于，所述预测方法包括：
获取受试者的临床数据；
将临床数据导入已建立的KEMULA预测模型中，得到受试者的个性化药物不良反应结果；
所述受试者的临床数据至少包括受试者服用小分子药物、生物技术药物和受试者医疗状况的信息；
所述KEMULA预测模型包括一种个性化ADRs排序函数，其具体为计算患者发生相关ADRs风险的多项评分函数的线性组合。


2.如权利要求1所述的个性化药物不良反应预测方法，其特征在于，所述评分函数至少包括小分子药物函数、生物技术药物函数和所患疾病特征函数；
优选的，所述函数为核函数。


3.如权利要求1所述的个性化药物不良反应预测方法，其特征在于，所述KEMULA模型从在不同验证集及其组合上获得的一组核函数池中进行选择；每个患者均由nF维特征向量表示，该向量由小分子药物特征，生物技术药物特征和所患疾病特征组成；
优选的，KEMULA预测模型构建过程中，定义用于组合一组满足凸优化性质的的核函数池。


4.如权利要求3所述的个性化药物不良反应预测方法，其特征在于，所述KEMULA预测模型是：



其中是优化参数的集合；Dtri是所有成对风险的集合，
优选的，对上述函数进行拉普拉斯正则化处理；
所述拉普拉斯正则化处理具体方法为：
采用拉格朗日优化模型Θ＝[M，W]：



其中Reg(Θ)是一个正则化函数项，它控制模型的复杂度并引发涉及向量{md}和{wd}的任务相关性；
通过使用二次惩罚函数将等式(10)中的约束条件合并到正则项Reg(Θ)中，对其进行软正则化约束；因此，正则化函数变为



其中，μreg和μorth是权重向量上的惩罚参数，用于控制泛化误差与M和W的方差之间的权衡；隶属度受参数γ的限制，项是弗罗贝尼乌斯范数，用来控制M的复杂性；和通过BPR损失函数惩罚ωs|s∈{m，b，i}拟合的方差；通过定义矩阵和权重矩阵集合W，等式12等价地写为



其中，ΛM是具有γmuu.项的对角矩阵；是一个对角矩阵，其具有用于拉普拉斯学习任务的μreg，ΛW是包含的对角矩阵；是含有μorth空心矩阵用于拉普拉斯学习任务，是包含的空心矩阵。


5.一种个性化药物不良反应预测系统，其特征在于，所述预测系统包括：
临床数据获取模块：获取受试者临床数据；
预测模型构建模块：基于KEMULA预测模型对受试者进行预测，得到受试者的个性化药...

【专利技术属性】
技术研发人员：杨帆，薛付忠，江冰，薛浩，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37