【技术实现步骤摘要】
一种基于基因检测的肿瘤用药方案的深度学习预测方法
[0001]本申请涉及深度学习及器官芯片
,尤其涉及一种基于基因检测的肿瘤用药方案的深度学习预测方法
。
技术介绍
[0002]恶性肿瘤已经成为严重威胁人类生命健康的问题,截止
2021
年,因恶性肿瘤导致的死亡已超过国内总人群死亡原因的
20
%,且仍然呈上升态势
。
肿瘤对健康和公共卫生的影响不仅给患者个人,也给医疗系统和社会资源造成巨大压力,对肿瘤的防治已成为社会性问题
。
[0003]在临床的肿瘤防治中,传统的手术,放射疗法和化疗,虽然可以一定程度上控制肿瘤的生长,但是一些情况下有效性不稳定,且往往都伴随着较重的副作用,患者的依从性不高
。
随着靶向药物逐渐进入临床,根据患者的遗传背景和肿瘤表型特征的客观证据,结合专业临床医生团队的主观经验诊断,综合形成为每位患者精准设计过的个性化治疗方案,已经逐渐成为了肿瘤治疗方案制定新范式的关键环节
。
但是,基因的调控方式的多样性和生物学信号通路的错综复杂,使得依照单一或孤立的几个靶点无法进行可靠的预判
。
此外,随机突变带来的不同影响很难通过有限的先验知识进行分类,难以分类的亚型使得靶向药的价值打了折扣
。
如何对突变的整体趋势信息进行有效整合,同时将药物的预测与湿实验结果真正结合,是能提升基因检测预测有效性的努力方向
。
基因检测
、
基因型预测
【技术保护点】
【技术特征摘要】
1.
一种基于基因检测的肿瘤用药方案的深度学习预测方法,其特征在于,包括:
S1
:对预训练模型进行模型结构框架的构建,该预训练模型包括第一编码模块
、
第二编码模块
、
遗传信息解码模块
、
化合物结构解码模块
、
全连接层和输出层;
S2
:构建基于二维药敏数据库的预训练突变药敏数据集,通过预训练突变药敏数据集对预训练模型进行训练,得到泛癌种预训练模型;
S3
:从类器官样本库中对目标预测模型的癌种样本进行筛选并进行对应类器官的复苏;
S4
:根据癌种样本设计多种用药方案;
S5
:通过不同的用药方案对选择类器官匹配的器官芯片体系进行湿实验,得到湿实验数据集;
S6
:通过湿实验数据集对所述泛癌种预训练模型进行迁移学习,直至得到适用于目标领域的目标预测模型;
S7
:通过所述目标预测模型对肿瘤用药方案的合理性进行预测
。2.
如权利要求1所述的深度学习预测方法,其特征在于,所述步骤
S2
包括:
S21
:将预训练突变药敏数据集分别输入至第一编码模块和第二编码模块进行编码,分别得到突变信息编码和化合物结构编码;
S22
:将所述突变信息编码输入至所述遗传信息解码模块进行解码并输出,将所述化合物结构编码输入至所述化合物结构解码模块进行解码并输出;
S23
:所述全连接层对所述遗传信息解码模块和所述化合物结构解码模块的输出进行特征拼接,再通过输出层输出;
S24
:重复步骤
S21
至
S23
,直至完成预训练模型的训练,得到泛癌种预训练模型;其中,所述第一编码模块和所述第二编码模块均使用基于
Transformer
基础架构的交叉注意力机制,该交叉注意力机制将突变信息编码和化合物结构编码的隐层特征关联,通过突变信息编码对化合物结构编码进行加权,同时通过化合物结构编码对突变信息编码进行加权
。3.
如权利要求2所述的深度学习预测方法,其特征在于,所述第一编码模块为倒置
KO
模块,该倒置
KO
模块通过
One
‑
Hot
编码方式对预训练突变药敏数据集中每个样本独立的突变图谱进行映射转换,得到突变信息编码;所述第二编码模块为摩根指纹编码模块,该摩根指纹编码模块对预训练突变药敏数据集中涉及到的所有干预化合物按照其对应化合物结构进行编码,得到化合物结构编码
。4.
如权利要求1所述的深度学习预测方法,其特征在于,步骤
S4
中,所述用药方案至少有
12
种,每种所述用药方案产出至少5个不同浓度剂量等级的浓度梯度,非特定药物的情况浓度梯度以
[0,0.016,0.08,0.4,2,10.0]
微摩尔为标准
。5.
如权利要求1所述的深度学习预测方法,其特征在于
,
步骤
S5
包括:...
【专利技术属性】
技术研发人员:于文龙,顾忠泽,胡天牧,
申请(专利权)人:江苏运动健康研究院,
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。