通过对存活事件进行联合建模来确定潜在的癌症治疗靶标制造技术

描述了通过对癌症存活事件的联合建模来促进确定潜在的癌症基因治疗靶标的技术。在一个实施例中，计算机实现包括由可操作地耦合至处理器的设备采用多任务学习模型以基于分别存活于不同类型的癌症的患者组的癌症存活数据和患者遗传数据来确定分别与不同类型的癌症相关联的活性遗传因子。该计算机实现的方法进一步包括，由该设备确定在不同类型的癌症中的两种或更多种类型的癌症之间共享的这些活性遗传因子的共同活性遗传因子。

【技术实现步骤摘要】
【国外来华专利技术】通过对存活事件进行联合建模来确定潜在的癌症治疗靶标
技术介绍
本申请涉及用于通过对真实世界患者存活事件进行联合建模系统地确定潜在癌症治疗靶标的技术。
技术实现思路
下面给出提供对本专利技术的一个或多个实施例的基本理解的内容提要。本内容提要不旨在标识关键或重要元素，也不旨在描绘不同实施例的任何范围或权利要求的任何范围。其唯一目的是呈现简化形式的概念，作为稍后呈现的更详细描述的前序。在本文所述的一个或多个实施例中，提供了系统、计算机实现的方法、装置和/或计算机程序产品，其提供用于通过对真实世界患者存活事件进行联合建模来系统地确定潜在癌症治疗靶标的技术。根据本专利技术的实施例，一种系统可以包括存储计算机可执行组件的存储器和执行存储在存储器中的计算机可执行组件的处理器。计算机可执行组件可包含活性遗传因子识别组件，其使用多任务学习模型评估分别存活于不同类型的癌症的患者组的癌症存活数据和患者基因组数据，以识别与不同类型的癌症分别相关联的活性遗传因子。计算机可执行组件可进一步包含疾病关联组件，其确定在不同类型的癌症中的两种或更多种类型的癌症之间共享的活性遗传因子的共同活性遗传因子。在一些实现方式中，所述系统还可以包括评分组件，所述评分组件根据所述多任务学习模型确定所述活性遗传因子的分数，所述分数分别表示所述活性遗传因子与分别与所述活性遗传因子相关联的不同类型的癌症之间的关联程度。该系统还可以包括选择组件，该选择组件基于分别与所述活性遗传因子中的一个或多个活性遗传因子相关联的分数来选择所述一个或多个活性遗传因子作为基因治疗靶标。在一些实施例中，多任务学习模型将确定分别与不同类型的癌症相关联的活性遗传因子的多个任务建模为优化问题。通过这些实施例，疾病关联组件可以基于在不同类型的癌症的子集中包括的相应类型的癌症之间共享的共同活性遗传因子的数目来确定代表不同类型的癌症的子集之间的关系的关系参数。在一些实现方式中，关系参数可以包括基于在所述子集中包括的相应类型的癌症之间共享的共同活性遗传因子的数量为所述子集确定的关联分数，其中所述关联分数反映相应类型的癌症相关的程度。该系统还可包括优化组件，该优化组件基于关系参数来更新多任务学习模型，由此生成更新的多任务学习模型，并且指导所述活性遗传因子识别组件采用所述更新的多任务学习模型来基于所述癌症存活数据和所述患者基因组数据识别分别与所述不同类型的癌症相关联的更新的活性遗传因子。在一些实施例中，疾病关联组件可以评估代表不同类型的癌症的子集之间的历史关系的不同类型的癌症的历史疾病关联信息。通过这些实施例，优化组件可以使用历史疾病关联参数和关系参数两者来更新多任务学习模型。在一些实施例中，结合所披露的系统所描述的元件可以用不同的形式来实施，如计算机实现的方法、计算机程序产品、或另一种形式。附图说明图1示出依照所公开主题的一个或多个实施例的通过对真实世界患者存活事件进行联合建模来促进系统地确定潜在癌症治疗靶标的示例非限制性系统的框图。图2呈现依照所公开主题的一个或多个实施例的包括通过癌症类型识别活性遗传因子关联的信息的示例非限制性表。图3呈现依照所公开主题的一个或多个实施例的示例非限制性表，该表包括对针对不同癌症类型识别的活性遗传因子进行识别和评分的信息。图4呈现依照所公开主题的一个或多个实施例的示例非限制性表，该表包括对不同癌症类型之间的关联关系进行识别和评分的信息。图5提供依照所公开主题的一个或多个实施例的用于通过对真实世界患者存活事件进行联合建模来确定潜在癌症治疗靶标的示例计算机实现过程的高级流程图。图6示出依照所公开的主题的一个或多个实施例的促进通过对真实世界患者存活事件进行联合建模系统地确定潜在的癌症治疗靶标的另一个示例非限制性系统的框图。图7提供依照所公开的主题的一个或多个实施例的用于通过对真实世界患者存活事件进行联合建模来确定潜在癌症治疗靶标的另一示例计算机实现的过程的高级流程图。图8示出依照所公开的主题的一个或多个实施例的多任务存活分析框架的示例实现方式。图9示出依照所公开的主题的一个或多个实施例的便于通过对真实世界患者存活事件进行联合建模来系统地确定潜在的癌症治疗靶标的另一个示例非限制性系统的框图。图10提供依照所公开的主题的一个或多个实施例的用于通过对真实世界患者存活事件进行联合建模来确定潜在癌症治疗靶标的另一个示例计算机实现过程的高级流程图。图11提供依照所公开的主题的一个或多个实施例的用于通过对真实世界患者存活事件进行联合建模来确定潜在癌症治疗靶标的另一个示例计算机实现过程的高级流程图。图12示出可以在其中促进本文描述的一个或多个实施例的示例非限制性操作环境的框图。具体实施方式以下详细描述仅是说明性的，并不旨在限制实施例和/或实施例的应用或用途。此外，无意受前面的
技术实现思路
部分或本具体实施方式部分中呈现的任何明示或暗示信息的约束。癌症是细胞的异常生长，其直接原因是细胞增殖和死亡的失衡，打破了正常的生理检查和平衡系统。癌症是由多种基因改变中的一种或多种引起的。基因疗法是尝试将遗传物质(例如脱氧核糖核酸(DNA)、核糖核酸(RNA)等)引入活细胞的治疗形式。许多临床试验正在研究用于特定类型癌症的基因疗法，并且新类型的基因疗法治疗也在不断发展中。虽然基因疗法是一种有前景的癌症治疗技术，但是目前癌症基因疗法的开发过程是基于高成本、费力的体外和体内临床实验以及临床前动物模型。本公开内容提供用于通过对真实世界患者存活事件进行联合建模来系统地确定潜在癌症基因治疗靶标的系统、计算机实现的方法、设备和/或计算机程序产品。所识别的潜在癌症基因治疗靶标可以包括表现出与特定类型的癌症高度关联的遗传因子以及与多种类型的癌症高度关联的那些遗传因子。因此，可以将高成本的临床基因疗法开发简化为具有相对较高的疗效潜力和/或适用于多种类型的癌症的基因疗法。具体地，许多不同类型的癌症具有共同的遗传机制，因此不同类型的癌症可能彼此相关联。所公开的技术提供了使用现实世界观察性健康数据的分析并且利用不同类型的癌症之间的关联来生成针对不同类型的癌症的基因治疗靶标的假设的系统方法。真实世界观察性健康数据可以包括分别被诊断患有不同类型的癌症的不同患者群组的存活数据和相应患者的遗传信息。在一些实现方式中，真实世界观察性健康数据可以进一步结合(例如，在通过临床试验等开发的临床文献中提供的)两种或更多种类型的癌症之间的关联的现有或历史知识。在一个或多个实施例中，所公开的技术采用多任务机器学习存活模型来将生成基因治疗靶标的假设的任务表述为优化问题。该多任务存活模型可以包括每种类型的癌症的单独存活模型。可以配置每个存活模型来评估特定类型癌症的患者存活数据和患者遗传数据，以识别可归因于相应患者的存活时间的遗传因子。被确定为对癌症存活时间有贡献(例如，正贡献或负贡献)的遗传因子在本文中被称为活性遗传因子。通过引入定义两种或两种以上类型癌症之间关联的疾病关联参数，可以在多任务学习框架中将个体存活模型彼此耦合。就这一点而言，所公本文档来自技高网...

【技术保护点】
1.一种系统，包括：/n存储器，其存储计算机可执行组件；/n处理器，其执行存储在所述存储器中的所述计算机可执行组件，其中所述计算机可执行组件包括：/n活性遗传因子识别组件，其使用多任务学习模型评估分别存活于不同类型的癌症的患者组的癌症存活数据和患者基因组数据以识别分别与所述不同类型的癌症相关联的活性遗传因子；和/n疾病关联组件，其确定在所述不同类型的癌症中的两种或更多种类型的癌症之间共享的所述活性遗传因子的共同活性遗传因子。/n

【技术特征摘要】
【国外来华专利技术】20180618 US 16/011,2311.一种系统，包括：
存储器，其存储计算机可执行组件；
处理器，其执行存储在所述存储器中的所述计算机可执行组件，其中所述计算机可执行组件包括：
活性遗传因子识别组件，其使用多任务学习模型评估分别存活于不同类型的癌症的患者组的癌症存活数据和患者基因组数据以识别分别与所述不同类型的癌症相关联的活性遗传因子；和
疾病关联组件，其确定在所述不同类型的癌症中的两种或更多种类型的癌症之间共享的所述活性遗传因子的共同活性遗传因子。


2.如权利要求1所述的系统，进一步包括：
评分组件，其根据所述多任务学习模型确定所述活性遗传因子的分数，所述分数分别表示所述活性遗传因子与分别与所述活性遗传因子相关联的不同类型的癌症之间的关联程度。


3.如权利要求2所述的系统，进一步包括：
选择组件，其基于分别与所述活性遗传因子中的一种或多种活性遗传因子相关联的分数来选择所述一种或多种活性遗传因子作为基因治疗靶标。


4.如权利要求1所述的系统，其中，疾病关联组件进一步基于所述不同类型的癌症的子集中包括的相应类型的癌症之间共享的共同活性遗传因子的数目来确定代表所述子集之间的关系的关系参数。


5.如权利要求4所述的系统，进一步包括：
评分组件，其基于在所述子集中包括的相应类型的癌症之间共享的共同活性遗传因子的数目确定所述子集的关联分数，其中所述关联分数反映所述相应类型的癌症相关的程度。


6.如权利要求4所述的系统，进一步包括：
优化组件，其基于所述关系参数来更新所述多任务学习模型，由此生成更新的多任务学习模型，并且指导活性遗传因子识别组件采用所述更新的多任务学习模型来基于所述癌症存活数据和所述患者基因组数据识别分别与所述不同类型的癌症相关联的更新的活性遗传因子。


7.如权利要求1所述的系统，进一步包括：
索引组件，其基于所述共同活性遗传因子生成一个索引数据结构，该索引数据结构针对所述共同活性遗传因子的相应共同活性遗传因子标识与所述相应共同活性遗传因子相关联的不同类型的癌症的每一个。


8.如权利要求1所述的系统，其中，疾病关联组件进一步评估所述不同类型的癌症的历史疾病关联信息以确定代表所述不同类型的癌症的子集之间的历史关系的历史关系参数。


9.根据权利要求8所述的系统，其中，疾病关联组件进一步基于所述历史关系和所述共同活性遗传因子确定代表所述不同类型的癌症的所述子集之间的更新的关系的更新的关系参数。


10.如权利要求8所述的系统，其中，多任务学习组件进一步评估所述历史关系参数以识别分别与所述不同类型的癌症相关联的活性遗传因子。


11.如权利要求1所述的系统，其中，多任务学习模型将确定分别与所述不同类型的癌症相关联的所述活性遗传因子的多个任务建模为优化问题。


12.一种计算机实现的方法，包括：
由可操作地耦合至处理器的设备采用多任务学习模型以基于分别存活于不同类型的癌症的患者组...

【专利技术属性】
技术研发人员：孙兆楠，Z·沙恩，张平，王飞，胡建英，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：美国;US