【技术实现步骤摘要】
基于深度学习的药物预测方法和设备
本专利技术涉及生物信息学
，具体来说涉及基于深度学习的药物预测方法、设备、计算机程序产品和计算机可读存储介质，其结合了肿瘤患者的基因特征和抗癌药物特征，实现了对抗癌药物的精准预测。
技术介绍
本节中讨论的内容不因被提及而被认为是现有技术。类似地，本节提到的问题不应被认为已经在现有技术中被认识到。癌症是当今危害人类健康的最大疾病，直到目前为止也很难被攻克。在中国，癌症发生率正处于快速上升期，癌症已成为第一死因。癌症由于人类个体基因组(genome)发生突变导致。癌细胞与正常细胞不同，具有无限生长、转化和转移三大特性，也因此难以消灭。目前，治疗癌症的主要手段是使用分子靶向药物抑制癌症的发展。这种靶向疗法的缺点是用于预测药效的生物标志物(biomarker)可覆盖的患者人群有限，而且对于药效指导的准确性和特异性也远远不足。另一种方法是在动物体内移植肿瘤，然后把化合物作用于动物体内，观察动物体内肿瘤的生长变化，以此确定化合物对肿瘤的作用效果，这种研究治疗肿瘤药物的方法费用高、耗...
【技术保护点】
1.一种计算机实施的药物预测方法(100)，其特征在于，所述方法(100)包括：/n接收从一个对象的肿瘤样本导出的基因组特征向量(130)，所述基因组特征向量表示肿瘤的基因突变信息；/n接收从所述肿瘤样本导出的转录组特征向量(140)，所述转录组特征向量表示所述肿瘤的基因表达水平；/n根据一种药物的化学结构，导出所述药物的分子结构特征向量(150)；并且/n将所述基因组特征向量和所述转录组特征向量中的至少一个以及所述分子结构特征向量输入经训练的深度神经网络，以确定所述药物对该肿瘤是否有效(160)。/n
【技术特征摘要】
1.一种计算机实施的药物预测方法(100)，其特征在于，所述方法(100)包括：
接收从一个对象的肿瘤样本导出的基因组特征向量(130)，所述基因组特征向量表示肿瘤的基因突变信息；
接收从所述肿瘤样本导出的转录组特征向量(140)，所述转录组特征向量表示所述肿瘤的基因表达水平；
根据一种药物的化学结构，导出所述药物的分子结构特征向量(150)；并且
将所述基因组特征向量和所述转录组特征向量中的至少一个以及所述分子结构特征向量输入经训练的深度神经网络，以确定所述药物对该肿瘤是否有效(160)。
2.根据权利要求1所述的方法(100)，其特征在于，所述方法还包括：
接收针对所述对象的所述肿瘤样本和正常样本的各自的基因组测序数据(110)；并且
接收针对所述对象的所述肿瘤样本的转录组测序数据(120)；
其中，所述基因组特征向量是通过参照所述正常样本的基因组测序数据对所述肿瘤样本的基因组测序数据进行变异检测来确定的，并且
其中，所述转录组特征向量是根据从所述转录组测序数据导出的所述肿瘤的基因表达值来确定的。
3.根据权利要求1或2所述的方法(100)，其特征在于，所述方法还包括：
根据所述药物所针对的靶向通路及特点，确定所述药物的药物靶标特征向量(155)；并且
附加地将所述药物靶标特征向量输入所述经训练的深度神经网络，以确定所述药物对该肿瘤是否有效。
4.根据权利要求3所述的方法(100)，其特征在于，所述药物靶标特征向量是通过根据所述药物的分子化合物的作用机制对所述药物进行分类，然后编码得到的。
5.根据权利要求1或2所述的方法(100)，其特征在于，所述分子结构特征向量是根据所述药物的分子化合物中的原子特征、化学键特征以及原子间的连接关系计算得到的，
其中，所述原子特征选自以下特征构成的组中的至少一个特征：原子种类、原子质量、手性、芳香性、杂化轨道类型、与之相连的化学键数目、与之相连的氢原子数目，以及原子所带形式电荷；
其中，所述化学键特征选自以下特征构成的组中的至少一个特征：化学键的类型、共轭、成环，以及立体特性；并且
其中，所述原子间的连接关系指示所述分子化合物中各个原子之间的相互连接关系。
6.根据权利要求5所述的方法(100)，其特征在于，所述导出包括将针对所述药物的分子化合物的化合物分子图输入所述深度神经网络中的图神经网络(GNN)并按照所述原子间的连接关系依次提取所述分子化合物中每个原子及化学键上的特征来计算所述分子结构特征向量(145)，其中，所述化合物分子图包含有关所...
【专利技术属性】
技术研发人员：杨东，许田，
申请(专利权)人：复星领智上海医药科技有限公司，
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。