肿瘤药物敏感性预测方法、系统、设备及存储介质技术方案

本申请提供了一种肿瘤药物敏感性预测方法、系统、设备及存储介质，方法包括获取蛋白质与蛋白质的相互作用网络，并根据目标基因得到相互作用网络的子图；获取临床样本的第一多组学数据，提取目标基因的基因表达谱；从药物基因组学项目中获取临床前样本的第二多组学数据和药敏数据；并进一步具体训练神经网络。本申请通过样本及药物训练的深度学习模型，进行药物敏感性预测，大大提高药物预测精度，满足实际临床癌症应用中的精准医疗。实际临床癌症应用中的精准医疗。实际临床癌症应用中的精准医疗。

【技术实现步骤摘要】
肿瘤药物敏感性预测方法、系统、设备及存储介质


[0001]本申请属于肿瘤药物检测
，具体地，涉及一种肿瘤药物敏感性预测方法、系统、设备及存储介质。

技术介绍

[0002]肿瘤药物敏感性是指肿瘤对抗癌药物响应的程度。由于肿瘤间和肿瘤内的异质性，癌症患者的药物敏感性差异很大，而准确预测肿瘤药物敏感性对精准医疗的实现、药物重利用等都具有重要的意义。同时，对癌症基因组学数据与其药物敏感性之间的关联进行系统研究可以极大的帮助理论肿瘤生物学的转化。
[0003]但是，现有的药物敏感性预测方法无法满足实际临床癌症应用中的精准医疗，亟需发展具有重大临床实际意义的新型肿瘤药物敏感性预测方法。

技术实现思路

[0004]本专利技术提出的肿瘤药物敏感性预测方法、系统、设备及存储介质，大大提高药物预测精度，满足实际临床癌症应用中的精准医疗。
[0005]根据本申请实施例的第一个方面，提供了一种肿瘤药物敏感性预测方法，包括：获取蛋白质与蛋白质的相互作用网络，并根据目标基因得到相互作用网络的子图；获取临床样本的第一多组学数据，提取目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肿瘤药物敏感性预测方法，其特征在于，包括：获取蛋白质与蛋白质的相互作用网络，并根据目标基因得到所述相互作用网络的子图；获取临床样本的第一多组学数据，提取目标基因的基因表达谱；从药物基因组学项目中获取临床前样本的第二多组学数据和药敏数据；将所述子图以及基因表达谱，输入图神经网络进行训练，得到样本的第一预训练模型；将所述第二多组学数据，输入所述第一预训练模型进行训练，得到第二预训练模型以及样本编码表示；将药物的化学分子的结构式数据以及化学分子对应的化学性质数据，输入分子的图神经网络进行训练，得到样本的第三预训练模型；将所述药敏数据，输入所述第三预训练模型进行训练，得到第四预训练模型以及药物编码表示;将所述样本编码表示与所述药物编码表示合并拼接，得到合并模型；并通过神经网络预测样本对药物的敏感性值进行迭代训练，直至所述合并模型收敛；输入待测药物与待测样本至所述合并模型，得到敏感性预测值。2.根据权利要求1所述的肿瘤药物敏感性预测方法，其特征在于，所述临床样本为癌症样本或癌症细胞系样本；所述目标基因为癌症相关基因。3.根据权利要求1所述的肿瘤药物敏感性预测方法，其特征在于，所述第一多组学数据以及所述第二多组学数据包括：两个以上样本的RNA表达数据、DNA突变数据以及DNA甲基化数据中至少一种数据。4.根据权利要求1所述的肿瘤药物敏感性预测方法，其特征在于，所述药敏数据为两个以上数据对的IC50值，所述数据对为样本与药物对。5.根据权利要求1所述的肿瘤药物敏感性预测方法，其特征在于，所述图神经网络为图注意力自动编码器神经网络；所述图神经网络包括编码器和解码器。6.根据权利要求5所述的肿瘤药物敏感性预测方法，其特征在于，所述编码器由四个编码层依次连接组成；每个所述编码层均为图注意力层，最后一个编码层采用非注意力机制；所述解码器由四个解码层依次连接组成，每个解码层是对应编码层的逆过程。7.根据权利要求1所述的肿瘤药物敏感性预测方法，其特征在于，所述将药物的化学分子的结构式数据以及化学分子对应的化学性质数据，输入分子的图神经网络进行训练，得到样本的第三预训练模...

【专利技术属性】
技术研发人员：席瑞斌，胡波，
申请(专利权)人：北京大学，
类型：发明
国别省市：