【技术实现步骤摘要】
一种基于深度学习预测的器官芯片药物评价方法
[0001]本专利技术属于生物医学工程和计算机科学医工融合领域，设计了一种基于深度学习的器官芯片实验结果评价和预测方法。本方法可以用于多种不同类型的器官芯片药物治疗评价之中，对于单个器官芯片数据库，可以经过数据库中的已经带有标签数据的训练数据集对深度学习模型进行训练，进而预测加载药物以后器官芯片反应的实验结果。有效的解决了器官芯片与人工智能相结合的关键环节——如何利用器官芯片实验产生的大数据进行深度学习进而预测实验结果，用于药物治疗评价。
[0002]深度学习模型训练中用到的器官芯片实验相关的数据字段有不同种类，包括生物支架材料、试剂、细胞系、药物、器官芯片型号、器官芯片配置参数(试剂和药物浓度、细胞类型等)，以及作为标签数据的时间信息和实验结果(细胞代谢物浓度、细胞的数量和存活率、芯片内微环境的PH、温度、氧气浓度、二氧化碳浓度、TEER、气压、是否加入药物、药物的释放速度、降解速率)，经过这些数据的训练可以得到深度学习模型权重矩阵，当输入如上的这些信息后模型会自动预测出带有时间维度的实
【技术保护点】
【技术特征摘要】
1.一种基于深度学习预测的器官芯片药物评价方法，其特征在于如下步骤：步骤1：建立器官芯片数据库，存储着与器官芯片实验相关的各种数据；步骤2：向器官芯片数据库支架材料表、细胞系表、药物表、试剂表中导入网络开源信息作为基础数据；步骤3：将器官芯片数据库中的数据进行数据预处理以及向量化的特征表示；步骤4：深度学习模型的设计；步骤5：深度学习模型的训练及评估。2.根据权利要求1所述的一种基于深度学习预测的器官芯片药物评价方法，其特征在于，所述步骤1中的器官芯片数据库包括生物支架材料数据表、试剂数据表、细胞系数据表、药物数据表、器官芯片型号数据表、器官芯片参数配置数据表(试剂和药物浓度、细胞类型等)，以及可以作为标签数据的带有时间信息的实验结果数据表(细胞代谢物浓度、细胞的数量和存活率、芯片内微环境的PH、温度、氧气浓度、二氧化碳浓度、TEER、气压、是否加入药物、药物的释放速度、降解速率)等。3.根据权利要求1中所述的一种基于深度学习预测的器官芯片药物评价方法，其特征在于，所述步骤2中的基础数据包括材料相关的Matweb、Matmatch网络数据库，细胞系相关的Panglaodb、CellMarker网络数据库，试剂相关的The...
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。