检测癌症个体病人药物靶点的约束多目标优化方法技术

本发明专利技术公开了一种检测癌症个体病人药物靶点的约束多目标优化方法，包括：从个体病人的基因组数据构建个性化基因交互网络PGIN；形成一个基于多目标优化的结构网络控制模型；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；本发明专利技术可有效识别癌症个体患者的药物靶点，探索癌症的异质性，并且可以为精准医学中理解肿瘤异质性提供了一个新的视角。的视角。的视角。

【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合。然而目前网络结构控制方法面临着两个主要的问题。一是这些方法，在具有非线性动力学的大规模网络中，大多是NP
‑
难问题，在计算上难以找到最优的驱动节点集。另一种是它们基于单一目标优化识别最小驱动节点集，未考虑最优靶向驱动基因(药物靶点)集合不唯一问题，即，可能存在其他药物靶点集合，不具有最小药物靶点个数，但这些药物靶点集合包含最大的药物靶点有效先验信息。因此，需要设计更加准确的约束优化算法来克服以上缺点。

技术实现思路

[0006]为解决现有技术中存在的问题，本专利技术的目的是提供一种检测癌症个体病人药物靶点的约束多目标优化方法，本专利技术通过约束多目标优化可有效识别癌症个体患者的个性化驱动基因。
[0007]为实现上述目的，本专利技术采用的技术方案是：一种检测癌症个体病人药物靶点的约束多目标优化方法，包括以下步骤：
[0008]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；
[0009]步骤2、形成一个基于多目标优化的结构网络控制模型；
[0010]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。
[0011]作为本专利技术的进一步改进，所述步骤1具体如下：
[0012]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。
[0013]作为本专利技术的进一步改进，构建PGIN个性化基因交互网络的具体条件如下：
[0014]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。
[0015]作为本专利技术的进一步改进，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：
[0016][0017][0018]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
ij,k
的标准正态分布计算出来。
[0019]作为本专利技术的进一步改进，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：
[0020][0021][0022][0023][0024][0025]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。
[0026]作为本专利技术的进一步改进，步骤2中，所述结构网络控制模型如下：
[0027][0028][0029][0030]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＝(x1,x2,
…
,x
n
)表示是二进制值决策变量；V代表网络的顶点集；D和DT分别表示已识别的药物靶点集和已知的原始药物靶点集，如果该基因被选择，则x
i
＝1，否则，x
i
＝0；l＝(l1,l2,
…
,l
n
)表示具有二进制编码的标签向量，如果该基因在已知药物靶点内，l
i
＝1，否则，l
i
＝0；n表示PGIN中的基因数，m表示约束数。
[0031]作为本专利技术的进一步改进，所述步骤3具体包括以下步骤：
[0032]步骤3.1、初始化一个大小为N的主种群P0和两个大小为N1的辅助种群P1和P2，其中N1＝N*30％，其中主种群优化原始的约束多目标优化问题CMOP，辅助种群分别优化对应的约束单目标优化问题CSOP；
[0033]步骤3.2、利用锦标赛选择策略分别从当前种群P0中选出N/2个父代、P1和P2中选出N1/2个父代；
[0034]步骤3.3、分别使用交叉变异算子产生大小为N/2的子代种群Q0和大小为N1/2的子代种群Q1和Q2，把主种群及辅助种群和所有的子代种群合并R0＝P0∪Q0∪Q1∪Q2,R1＝P1∪Q0∪Q1∪Q2，R2＝P2∪Q0∪Q1∪Q2；
[0035]步骤3.4、根据ε约束方法从合并种群R0中选出N个解作为种群P0，根据一种基于排名的适应度函数从合并种群R1和R2中选出N1个解作为种群P1和P2，作为下一次迭代的种群；
[0036]步骤3.5、输出多个驱动基因集合，直到迭代的终止条件，即满足函数求值的最大数目。
[0037]作为本专利技术的进一步改进，在步骤3.1中，采用一种多任务优化的思想，主种群本文档来自技高网...

【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＝...

【专利技术属性】
技术研发人员：梁静，胡灼，郭伟峰，程涵，
申请(专利权)人：郑州大学，
类型：发明
国别省市：