【技术实现步骤摘要】
基于深度学习的错义突变对临床药效影响预测方法及系统
[0001]本专利技术涉及生物学领域，具体地，涉及一种基于深度学习的错义突变对临床药效影响预测方法及系统。
技术介绍
[0002]本世纪最大的挑战之一是精准医疗，特别是对个性化疾病药物的探索。例如在癌症领域，近十几年来靶向癌症治疗与生存率的提高显著相关，因此已成为癌症药物治疗的标准策略之一。然而，许多疾病的靶向药物治疗会出现药物耐药的问题，许多研究探讨了耐药机制出现的原因，表示耐药突变的发生可能是其中重要的原因之一，使微环境发生改变从而逃避靶向药物的影响。值得注意的是，寻找成功的治疗策略需要多种实验条件、细胞系和不同的时间序列建模技术，所有这些与传统的假设驱动实验方法都是代价昂贵和耗时的。因此，基于大数据开发计算方法预测突变对临床药效的影响，不仅可以节约计算成本，也可以为临床用药提供指导和预警。
[0003]近年来，大规模药物筛选项目数据的公开发布促进了精准医疗的发展。已经有一些工具被发布用于预测突变对药物临床药效的改变和影响。现有的工具可以大致分为两类，一类是通过...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的错义突变对临床药效影响预测方法，其特征在于，包括：步骤S1：获取并预处理药物和突变蛋白序列数据集；步骤S2：将药物输入数据进行规范化；步骤S3：将突变蛋白序列输入数据进行规范化；步骤S4：根据规范后的数据搭建深度学习模型，输出预测分类。2.根据权利要求1所述的基于深度学习的错义突变对临床药效影响预测方法，其特征在于，在所述步骤S1中：从PharmGKB和Civic数据库中下载所有已标注的突变对药效影响的条目；步骤S1.1：去除非单点错义突变的条目、去除有数据缺失的条目、去除包含预设字符的条目、去除数据集内部标签矛盾和判断难度大于预设标准的条目，保留有影响和无影响的条目；步骤S1.2：结合基因突变和转录本信息将突变映射到蛋白层面；步骤S1.3：将不同来源的数据集进行合并，若出现重复条目则保留一条，若出现标签矛盾条目，在来源中都将该条目去除；步骤S1.4：在数据集中去除了DRSP使用的测试集，并将标签编码成数字作为训练和测试数据集：突变会影响药效为1，突变不会影响药效为0。3.根据权利要求1所述的基于深度学习的错义突变对临床药效影响预测方法，其特征在于，在所述步骤S2中：将输入药物的药物名通过PubChem API进行匹配，获取药物的分子结构式信息以及子结构分子指纹；药物的分子结构式进行拓扑图编码并制作成Pytorch格式的数据；药物子结构分子指纹是881维的0
‑
1向量，表示该药物是否包含某种特定的子结构。4.根据权利要求1所述的基于深度学习的错义突变对临床药效影响预测方法，其特征在于，在所述步骤S3中：从蛋白质数据库UniProt中下载突变蛋白序列，将突变前后的序列获取30维的HHBlits特征；将突变前的序列使用AlphaFold2预测蛋白质的三级结构，并计算每个残基对应的二级结构和相对溶剂可及表面积，每个残基的二级结构特征是3维的0
‑
1向量，每个残基的相对溶剂可及表面积特征是1维的连续数值；对突变前后的蛋白质序列进行每个残基20维的One
‑
Hot编码；对于突变前后蛋白的所有特征，以突变位置为中心、前后各保留预设氨基酸的长度、总长为预设个氨基酸的形式制作了特征切片。5.根据权利要求1所述的基于深度学习的错义突变对临床药效影响预测方法，其特征在于，在所述步骤S4中：深度学习框架包括图卷积层、全连接层以及Transformer块；其中，每个Transformer块都由自注意力机制实现，每个输入药物的分子结构式经过图编码被输入图卷积层进行学习，为GCN分支；药物的分子指纹由一个Transformer块进行特征学习，为药物的分子指纹分支；在突变特征学习上，每个突变的二级结构特征、相对溶剂可及表面积特征以及突变前后的HHBlits特征被输入同一个全连接层进行学习，为序列属性分支；突变前后的序列One
‑
Hot特征各自分别由一个Transformer块进行特征学习，为序列One
‑
Hot分支；在深度学习网络的第二层，药物的分子指纹分支的输出和序列属性分支进行了合并，
并输入第二层全连接层进行学习；两个为序列One
‑
Hot分支的输出在合并后输入第二层全连接层进行学习；在深度学习网络的第三层，合并了两个第二层全连接层以及GCN分支的输出，并输入第三层全连接层进行学习，合并完成的输入经过SoftMax激活函数进行预测分类输出。6.一种...
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。