【技术实现步骤摘要】
检测癌症个体病人药物靶点的约束多目标优化方法
[0001]本专利技术涉及癌症个体化药物靶点识别
,特别是一种检测癌症个体病人药物靶点的约束多目标优化方法。
技术介绍
[0002]近年来,随着我国人口老龄化、工业化、城镇化的进程逐渐加快,伴随着不健康生活方式、环境暴露等一系列原因,癌症已成为近年来我国居民的主要死亡原因之一。
[0003]众多临床研究表明,癌症具有很强的个体异质性。由于不同个体癌症病微环境的差异,癌症病人的个体异质性会使得治疗方法很难迅速确定对症药物,从而无法取得实质性突破。在疾病治疗的联合治疗过程中,考虑个体的异质性是必要的。然而,由于个体癌症病人有效样本有限,使得传统统计方法很难挖掘其中有效信息。因此,在精准医疗的时代,预测个体靶向组合药物,而不是传统的患者队列靶向组合药物,是相当具有挑战性的。
[0004]随着网络科学的发展,许多基于样本特异性基因相互作用网络的工具,包括CPGD、PNC、SCS和DawnRank,通过在个体化基因相互作用网络(PGIN)中,识别药物靶向的个体化驱动基因来识别个体化药物靶点(PDTs)。在这些方法中,网络结构控制方法是识别PDTs的有效方法之一,它旨在利用网络结构控制原理,从PGIN中识别优化的驱动基因集合来实现网络状态转换。这些驱动基因集合是药物刺激信号的候选药物靶点,它们的状态转变可以将整个网络状态从初始状态改变为期望状态。
[0005]值得注意的是,最新研究成果表明网络结构控制可以转化为约束优化问题,从而选取最优个体药物靶点节点集 ...
【技术保护点】
【技术特征摘要】
1.一种检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,包括以下步骤:步骤1、从个体病人的基因组数据构建个性化基因交互网络PGIN;步骤2、形成一个基于多目标优化的结构网络控制模型;步骤3、利用约束多目标进化算法寻找个性化药物靶点集合,即驱动基因集合。2.根据权利要求1所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,所述步骤1具体如下:首先建立基于肿瘤样本和单个患者的正常样本的共表达网络;然后,在正常样本网络和肿瘤样本网络中,根据基因i和基因j之间的边的P值来确定是否使用这条边来构建个性化基因交互网络PGIN,其中,P值基于基因i和基因j的皮尔逊相关系数差的Z分数获得。3.根据权利要求2所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,构建PGIN个性化基因交互网络的具体条件如下:如果肿瘤样本网络的P值低于一定阈值和正常样本网络的P值大于一定阈值,或者肿瘤样本网络的P值大于一定阈值和正常样本网络的P值低于一定阈值,则保留这条边来构建个性化基因交互网络PGIN。4.根据权利要求2或3所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,基因i和基因j的皮尔逊相关系数ΔPCC
(ij,k)
和其Z分数Z
(ij,k)
的计算方法如下:的计算方法如下:其中,n表示参考样本的数量,k表示扰动网络中的第k个患者,是基因i和j在n个参考样本上的PCC,代表个体病人k的基因i和j在n+1个参考样本上的PCC;P值基于Z
i
j,k的标准正态分布计算出来。5.根据权利要求4所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,通过将跨癌症类型特定数据的体细胞突变数据整合到个性化基因交互网络PGIN,计算对个性化基因交互网络PGIN边缘的个性化pPCC进行评分,具体如下:算对个性化基因交互网络PGIN边缘的个性化pPCC进行评分,具体如下:算对个性化基因交互网络PGIN边缘的个性化pPCC进行评分,具体如下:算对个性化基因交互网络PGIN边缘的个性化pPCC进行评分,具体如下:
其中,comutation表示共突变,coexpression表示共表达,表示病人k样本中基因i和j的个性化皮尔逊系数,comutation
i,j
表示基因i和j的杰卡德系数,表示基因i和j在个体病人k的肿瘤样本中的皮尔逊相关系数,表示基因i和j在个体病人k的正常样本中的皮尔逊相关系数,S(i)和S(j)分别是在检查给定癌症数据集中的体细胞突变后存在突变基因i和基因j的肿瘤的集合,D
10
表示对一组数据进行升序排序后,有10%的数据在D
10
之下。6.根据权利要求5所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,步骤2中,所述结构网络控制模型如下:在于,步骤2中,所述结构网络控制模型如下:s.t.g
k
(x)≤0,k=1,2...,m其中,f1和f2是两个优化的目标函数;g(x)表示约束条件,即使得网络是可控的;x=...
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。