本发明专利技术公开一种预测抗癌药物反应的方法及装置。其中，预测抗癌药物反应的方法包括获取抗癌药物的药物反应谱及基因表达谱数据，从而得到反应矩阵及表达矩阵；对反应矩阵及表达矩阵进行预处理，从而得到标准化矩阵和处理后的表达矩阵；基于标准化矩阵和处理后的表达矩阵构建MCLRP模型，运用ADMM算法对MCLRP模型进行求解，得到预测矩阵；使用预测矩阵对抗癌药物反应进行预测。在一些实施方案中，进一步对模型进行评价，包括基于皮尔逊相关系数(PCC)及斯皮尔曼相关系数(SCC)的预测性能比较，从细胞层面基于GDSC数据集的新药
【技术实现步骤摘要】
预测抗癌药物反应的方法及装置
[0001]本专利技术涉及抗癌药物开发领域，具体地涉及预测抗癌药物反应的方法及装置。
技术介绍
[0002]癌症细胞的药物反应和耐药性的预测在癌症药物选择中起到关键作用，其在很大程度上仍然是未知的。大规模的实验工作对治疗不同类型癌症的药物选择有很大的帮助，但其受到实验条件依赖性、成本高、缺乏数据整合等多方面的限制，且患有同一种癌症的患者对特定药物治疗的反应可能不同，精准癌症药物的目标是在分子水平上破译特定患者癌症的原因，然后量身定制治疗方案，以延缓患者的癌症进展，因此识别个体药物敏感性的预测性生物标志物是促进精准癌症药物开发的关键。
[0003]与人和动物模型相比，人类癌细胞系通过简单的实验操作来研究癌症生物学和药物发现，其比动物和人体实验更具操作性，几项大规模的高通量筛选已分别对数百种人类癌细胞系的基因组和药理数据进行了分类。目前的研究表明，肿瘤内部存在多种突变基因共存，仅基于肿瘤特征的有效治疗方法的开发受到越来越多的限制。而将癌细胞系的基因组谱与药物反应联系起来的计算方法的开发可以促进精准癌症药物的开发，其中已识别的基因组生物标记物可用于预测抗癌药物反应，因此可以利用常规癌细胞系模型中的大规模药敏谱来识别临床相关的生物标志物。
[0004]随着计算技术的不断发展，为进一步降低药物研发成本，缩短研发周期，计算方法也逐渐应用于预测药物反应领域，并引发了众多学者的关注。目前，预测药物反应的计算模型主要分为四类，包括回归方法、矩阵分解方法、贝叶斯推理方法和基于矩阵补全的方法。但现有的计算方法存在一定的局限性。例如，一些基于机器学习的模型将细胞系药物分为敏感组或耐药组，仅预测二元结果；一些基于网络或矩阵分解的方法提供的关于基因/生物标志物与药物反应相关的信息很少，可解释性较差。目前具有较好表现的几种预测药物反应的计算模型也存在一定的局限性。例如，SRMF模型其优化问题为一个非凸函数，该模型采用交替极小化算法只搜索局部极小值而不搜索全局极小值；MC模型、RR模型及两者结合的MCRR模型预测精度有待进一步提高等。
技术实现思路
[0005]为解决现有技术中的至少部分技术问题，本专利技术提供预测抗癌药物反应的方法。具体地，本专利技术包括以下内容。
[0006]本专利技术的第一方面，提供一种预测抗癌药物反应的方法，包括：
[0007]获取抗癌药物的药物反应谱及基因表达谱数据，从而得到反应矩阵及表达矩阵；
[0008]对反应矩阵及表达矩阵进行预处理，从而得到标准化矩阵和处理后的表达矩阵；
[0009]基于标准化矩阵和处理后的表达矩阵构建MCLRP模型，运用ADMM算法对MCLRP模型进行求解，得到预测矩阵；
[0010]使用预测矩阵对抗癌药物反应进行预测。
[0011]本专利技术的第二方面，提供一种预测抗癌药物反应的装置，包括：
[0012]获取模块，用于获取抗癌药物的药物反应谱及基因表达谱数据，从而得到反应矩阵及表达矩阵；
[0013]预处理模块，用于对反应矩阵及表达矩阵进行预处理，从而得到标准化矩阵和处理后的表达矩阵；
[0014]模型构建模块，用于基于标准化矩阵和处理后的表达矩阵构建MCLRP模型，运用ADMM算法对MCLRP模型进行求解，得到预测矩阵；
[0015]预测模块，用于使用预测矩阵对抗癌药物反应进行预测。
[0016]本专利技术的预测抗癌药物反应的方法，提出了基于已知数据和基因表达谱的MCLRP模型来预测药物敏感性的矩阵，达到提高可解释性及预测精度的目的。优选地，本专利技术的方法进一步包括模型评价或验证步骤，主要包括：基于PCC及SCC的预测性能比较，基于GDSC数据集的新药
‑
癌症关联预测分析(从细胞层面)，基于一致性鉴定的预测结果可靠性分析(从基因层面)。对模型的评价以及对模型从细胞层面及基因层面的验证为本专利技术方法另外的主要创新点。
附图说明
[0017]图1为一种示例性实施例的预测抗癌药物反应的方法的流程图；
[0018]图2A为一种示例性实施例公开的CCLE中预测值与观测值之间的Pearson相关系数示意图；
[0019]图2B为一种示例性实施例的CCLE中预测值与观测值之间的Spearma相关系数示意图；
[0020]图2C为一种示例性实施例的ERKAUC中预测值与观测值之间的Pearson相关系数示意图；
[0021]图2D为一种示例性实施例的ERKIC50预测值与观测值之间的Pearson相关系数示意图；
[0022]图2E为一种示例性实施例的ERKAUC中预测值与观测值之间的Spearman相关系数示意图；
[0023]图2F为一种示例性实施例的ERKIC50预测值与观测值之间的Spearman相关系数示意图；
[0024]图2G为一种示例性实施例的AZD6244使用MCLRP观察和预测活性区域散点示意图；
[0025]图2H为一种示例性实施例的Irinotecan使用MCLRP观察和预测活性区域散点示意图；
[0026]图2I为一种示例性实施例的PD
‑
0325901使用MCLRP观察和预测活性区域散点示意图；
[0027]图2J为一种示例性实施例的Topotecan使用MCLRP观察和预测活性区域散点示意图；
[0028]图3A为一种示例性实施例的PI3K途径中观察和预测值的突变型和野生型P值均小于0.05的药物
‑
细胞系关联网络示意图；
[0029]图3B为一种示例性实施例的ERK途径中观察和预测值的突变型和野生型P值均小
于0.05的药物
‑
细胞系关联网络示意图；
[0030]图3C为一种示例性实施例的BRAF突变型和野生型细胞系的预测和观察数据PD
‑
0325901在ERKAUC中的一致性鉴定结果示意图；
[0031]图3D为一种示例性实施例的BRAF突变型和野生型细胞系的预测和观察数据RDEA119在ERKAUC中的一致性鉴定结果示意图；
[0032]图3E为一种示例性实施例的BRAF突变型和野生型细胞系的预测和观察数据SB590885在ERKAUC中的一致性鉴定结果示意图；
[0033]图3F为一种示例性实施例的用AZ628对BRAF突变型和野生型细胞系进行预测和观察数据之间的ERKIC50一致性鉴定的结果示意图；
[0034]图3G为一种示例性实施例的用AZ628对NRAS突变型和野生型细胞系进行预测和观察数据之间的ERKIC50一致性鉴定的结果示意图；
[0035]图3H为一种示例性实施例的用AZ628对RB1突变型和野生型细胞系进行预测和观察数据之间的ERKIC50一致性鉴定的结果示意图；
[0036]图4A为一种示例性实施例的在PI3KAUC的28种药物中至少有2种出现的GO
‑
MF(细胞成分)的功能注释的Sa本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种预测抗癌药物反应的方法，其特征在于，包括：获取抗癌药物的药物反应谱及基因表达谱数据，从而得到反应矩阵及表达矩阵；对反应矩阵及表达矩阵进行预处理，从而得到标准化矩阵和处理后的表达矩阵；基于标准化矩阵和处理后的表达矩阵构建MCLRP模型，运用ADMM算法对MCLRP模型进行求解，得到预测矩阵；使用预测矩阵对抗癌药物反应进行预测。2.根据权利要求1所述的预测抗癌药物反应的方法，其特征在于，运用ADMM算法对MCLRP进行求解，得到预测矩阵的步骤之后，还包括：对预测矩阵进行评价，评价包括：计算每种药物的Person相关系数得到皮尔逊相关系数值，计算每种药物的Spearman相关系数得到斯皮尔曼相关系数值，其中皮尔逊相关系数值表示预测和观测到的药物反应曲线之间的相关性程度，斯皮尔曼相关系数值代表预测值和观察值之间的相关性，皮尔逊相关系数值或/和斯皮尔曼相关系数值越大，代表预测效果越好；优选地，进一步包括基于GDSC数据集的新药
‑
癌症关联预测分析即从细胞层面验证模型；优选地，进一步包括基于一致性鉴定的预测结果可靠性分析，即从基因层面验证模型。3.根据权利要求1所述的预测抗癌药物反应的方法，其特征在于，对反应矩阵及表达矩阵进行预处理，从而得到标准化矩阵和处理后的表达矩阵，包括：将反应矩阵中所有缺失值替换为0，然后对反应矩阵每一列进行标准化，得到标准化矩阵，表示为M
′
＝[M
ik
′
]
m
×
p
，其中m是细胞系的数量，p是药物的数量；对表达矩阵运用主成分分析进行降维，M
′
是将反应矩阵标准化后的矩阵。4.根据权利要求3所述的预测抗癌药物反应的方法，其特征在于，所述基于标准化矩阵和处理后的表达矩阵构建MCLRP模型，运用ADMM算法对MCLRP模型进行求解，得到预测矩阵，包括：构建过程中假设反应矩阵能通过表达矩阵的列来线性表达，构建MCLRP模型中，将抗癌药物反应预测问题转换为允许噪声范围内的矩阵最小秩问题，由于矩阵最小秩的秩函数为非凸函数，用核函数进行替换，将矩阵最小秩问题转变为凸优化问题；并将MCLRP模型松弛为正则化模型，从而对MCLRP模型的目标函数进行等价变化。5.根据权利要求4所述的预测抗癌药物反应的方法，其特征在于，所述对MCLRP模型的目标函数进行等价变化，包括：变量替换或增广拉格朗日。6.根据权利要求5所述的预测抗癌药物反应的方法，其特征在于，所述将抗癌药物反应预测问题转换为允许噪声范围内的矩阵最小秩问题，包括：药...
【专利技术属性】
技术研发人员：杨家亮，王昆，李欣茹，曾雪迎，田埂，
申请(专利权)人：元码基因科技北京股份有限公司，
类型：发明
国别省市：
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。