【技术实现步骤摘要】
本专利技术涉及癌症个体化多模态药物靶点识别，尤其是涉及一种利用多目标网络控制理论来识别癌症个体化多模态药物靶点的约束多模态多目标进化方法。
技术介绍
1、
2、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。
3、随着网络科学的发展，网络结构控制方法是识别个体化药物靶点(pdts)的有效方法之一，它旨在利用网络结构控制原理，从个性化基因交互网络(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。最新研究成果表明网络结构控制可以转化一个多目标优化问题，从而选取最优个体药物靶点节点集合。即同时考虑最小药物靶点个数和包含最大的药物靶点有效先验信息。但是这类方法可能忽略了药物靶点的多模态性，即存在相同目标但是基因组成不同的药物靶点。
4、公开号为cn116189758a的中国专利“检测癌症个体病人药物靶点的约束多目标优化方法”也能够识别癌症个体患者的药物靶点，但其是基于传统的网络控制方法，适用于单目标种群的环境选择策略，具有在非线性动力学的大尺度网络中难以到最优的驱
技术实现思路
1、本专利技术目的是通过约束多模态多目标优化可有效识别癌症个体患者的多模态药物靶点，提供了一种识别癌症个体病人多模态药物靶点的利用多目标网络控制理论的约束多模态多目标进化方法。
2、本专利技术采用的技术方案为：识别癌症个体病人多模态药物靶点的约束多模态多目标进化方法，包括以下步骤：
3、步骤1，从个体病人的基因组数据采用paired-ssn构建个体病人的个性化基因交互网络pgin；包括：
4、步骤11，建立基于肿瘤样本和单个患者的正常样本的共表达网络；
5、步骤12，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值来确定构建pgin的边；当基因i和基因j之间的边的p值在正常样本网络中大于0.05和在肿瘤样本网络中低于0.05时，或在正常样本网络中低于0.05和在肿瘤样本网络中大于0.05时，使用这条边来构建pgin；
6、步骤13，通过计算边的z-value值得到边的δpcc值，进而计算出基因i和基因j之间的一条边的δpcc及其z-value分数：
7、
8、
9、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值可以基于zij,k的标准正态分布计算出来；
10、步骤14，通过将跨癌症类型特定数据的体细胞突变数据整合到pgin中，计算对pgin边的个性化ppcc进行评分的方法，即
11、
12、
13、
14、
15、
16、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；comutationi,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；d10表示对一组数据进行升序排序后，有10％的数据在d10之下；
17、步骤2，根据多目标网络控制理论形成一个约束多模态多目标优化模型cmmoncp，即
18、
19、
20、s.t.gk(x)≤0,k＝1,2...,m
21、其中，x＝(x1,x2,…,xn)表示是二进制值决策变量；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xi＝1；否则，xi＝0；l＝(l1,l2,…,ln)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，li＝1；否则，li＝0；n表示pgin中的基因数，m表示约束数；
22、步骤3，采用约束多模态多目标进化算法寻找个性化多模态药物靶点集合；约束多模态多目标进化算法包括以下步骤：
23、步骤31，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％，其中主种群解决的是主任务约束多模态多目标优化问题，辅助种群解决辅助任务分别优化对应的约束多模态单目标优化问题；
24、步骤32，主种群根据改进的搜索策略产生子代，辅助种群根据基于决策空间小生境的锦标赛选择策略和遗传算子产生子代；
25、步骤33，把主种群及辅助种群和所有的子代种群合并；
26、步骤34，把改进的特殊拥挤度距离嵌入到主种群的环境选择中，从合并种群中选出n个解；辅助种群根据适应度值选出n1个解进入下一代；
27、步骤35，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。
28、进一步，在步骤32中，所述改进的搜索策略包括以下步骤：
29、步骤321，采用基于角度的小生境父代选择方法和遗传算子产生一半的子代；
30、步骤322，使用加强的二进制竞标赛选择策略和遗传算子产生另一半的子代。
31、进一步，所述基于角度的小生境父代选择方法，包括以下步骤：
32、步骤3211，首先计算当前种群的目标值并减去当前种群中最小的目标值f；
33、步骤3212，根据f计算每两个个体之间的角度值
34、步骤3213，从若干个邻居中选择最小的两个个体作为父代；
35、步骤3214，使用遗传算子产生子代。
36、进一步，所述加强的二进制竞标赛选择策略，包括以下步骤：
37、步骤3221，从种群中随机选择两个个体，非支配排序等级高个体会被选择为父代；
38、步骤3222，当非支配排序等级一样时，会选择改进的特殊拥挤度距离较大的那一个作为父代；
39、步骤3223，使用遗传算子产生子代。
40、进一步，在步骤3222中，所述改进的特殊拥挤度距离为：在特殊拥挤度距离中考虑了目标空间的多样性和决策空间多样性的平衡问题，具体计算如下：
41、
42、
43、
44、其中，scdi是第i个体的特殊拥挤度距离，cdavg,x是平均决策空间拥挤度距离；cdavg,f是本文档来自技高网...
【技术保护点】
1.识别癌症个体化多模态药物靶点的约束多模态多目标进化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的识别癌症个体化多模态药物靶点的约束多模态多目标进化方法，其特征在于，在步骤32中，所述改进的搜索策略包括以下步骤：
3.根据权利要求2所述的识别癌症个体化多模态药物靶点的约束多模态多目标进化方法，其特征在于，所述基于角度的小生境父代选择方法，包括以下步骤：
4.根据权利要求2所述的识别癌症个体化多模态药物靶点的约束多模态多目标进化方法，其特征在于，所述加强的二进制竞标赛选择策略，包括以下步骤：
5.根据权利要求4所述的识别癌症个体化多模态药物靶点的约束多模态多目标进化方法，其特征在于，在步骤3222中，所述改进的特殊拥挤度距离为：在特殊拥挤度距离中考虑了目标空间的多样性和决策空间多样性的平衡问题，具体计算如下：
【技术特征摘要】
1.识别癌症个体化多模态药物靶点的约束多模态多目标进化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的识别癌症个体化多模态药物靶点的约束多模态多目标进化方法，其特征在于，在步骤32中，所述改进的搜索策略包括以下步骤：
3.根据权利要求2所述的识别癌症个体化多模态药物靶点的约束多模态多目标进化方法，其特征在于，所述基于角度的小生境父代选择方法，包括以下步骤...
【专利技术属性】
技术研发人员：郭伟峰，胡灼，梁静，任向阳，程涵，
申请(专利权)人：郑州大学，
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。