一种融合基因网络关系的抗癌细胞敏感性预测方法、系统、设备及介质技术方案

一种融合基因网络关系的抗癌细胞敏感性预测方法、系统、设备及介质，方法包括：将细胞系各基因的表达量构成的向量作为细胞系的原始基因表达特征，利用自编码器压缩低维隐向量作为细胞系的基因表达特征，对基因相互作用网络进行图自编码得到基因互作特征，根据基因表达特征和基因互作特征计算基因网络特征，建立药物化合物分子图得到药物化合物分子中各原子的特征，根据EIGA模型得到预测的抗癌细胞敏感性；系统、设备及介质，用于实现一种融合基因网络关系的抗癌细胞敏感性预测方法；本发明专利技术通过设计新的算法，充分考虑基因之间的相互作用关系和化合物分子中的拓扑结构，实现在细胞系和单细胞水平上的抗癌细胞敏感性预测。和单细胞水平上的抗癌细胞敏感性预测。和单细胞水平上的抗癌细胞敏感性预测。

【技术实现步骤摘要】
一种融合基因网络关系的抗癌细胞敏感性预测方法、系统、设备及介质


[0001]本专利技术涉及细胞预测
，特别涉及一种融合基因网络关系的抗癌细胞敏感性预测方法、系统、设备及介质。

技术介绍

[0002]预测癌症细胞或细胞系对特定抗癌药物的敏感性是精准医疗的一个关键挑战，深度学习算法已在药物发现等领域取得了极好的效果，相较于其它机器学习算法，这类算法对复杂非线性关系较强的捕捉能力，更适合进行药物反应建模任务，已发表的相关研究证实了这一点，显示了深度学习在这一领域的潜力。
[0003]分子药理学(Matteo Manica,Ali Oskooei,Jannis Born,Vigneshwari Subramanian,Julio S
á
ez
‑
Rodr
í
guez,and Mar
í
a Rodr
í
guez Mart
í
nez.Toward Explainable Anticancer Compound Sensitivity Pr本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合基因网络关系的抗癌细胞敏感性预测方法，其特征在于，包括以下步骤：步骤1：将细胞系各基因的表达量构成的向量作为细胞系的原始基因表达特征，利用有激活函数的全连接层搭建的自编码器，压缩原始基因表达特征为64维
‑
1024维的低维隐向量，并将该低维隐向量作为细胞系的基因表达特征；步骤2：对基因相互作用网络进行图自编码，得到基因互作特征；步骤3：根据步骤1中细胞系的基因表达特征和步骤2中的基因互作特征，计算细胞系的基因网络特征；步骤4：将药物化合物分子的原子视为结点、化学键视为边，得到药物化合物分子图，将药物化合物分子图输入molgnet模型，得到药物化合物分子中各原子的特征；步骤5：将步骤1中细胞系的基因表达特征、步骤3中细胞系的基因网络特征以及步骤4中药物化合物分子中各原子的特征输入EIGA模型，得到预测的抗癌细胞敏感性。2.根据权利要求1所述的一种融合基因网络关系的抗癌细胞敏感性预测方法，其特征在于，所述步骤3中，计算细胞系的基因网络特征，具体过程为：取每个细胞系原始基因表达特征值最高的2％
‑
50％的基因，该基因构成的集合作为该细胞系的高表达基因子集，取高表达基因子集中所有基因的基因互作特征的均值，得到细胞系的基因网络特征。3.根据权利要求1所述的一种融合基因网络关系的抗癌细胞敏感性预测方法，其特征在于，所述步骤5中，具体步骤如下：步骤5.1：将药物化合物分子中各原子的特征与通过线性层变换和激活函数映射后的基因表达特征输入多头注意力网络A，得到分子表征E；将药物化合物分子中各原子的特征与通过线性层变换和激活函数映射后的基因网络特征输入多头注意力网络B，得到分子表征I，将分子表征E与分子表征I相加得到分子整体表征；所述多头注意力网络A和B的...

【专利技术属性】
技术研发人员：李朋勇，姜政祥，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：