【技术实现步骤摘要】
本专利技术涉及基于人工智能计算的抗肿瘤药物联用机制预测，尤其是一种基于多模态数据的药效协同作用预测方法。
技术介绍
1、多种抗肿瘤药物联用可以克服肿瘤耐药以及提供新的疗法。同时调控多个疾病相关的靶标可以弥补单药使用的脱靶效应，以及减少给药剂量。现有技术中，在一项针对携带braf v600e突变的转移性结直肠癌患者的联合用药实验中，康奈非尼,西妥昔单抗和贝美替尼的联合治疗比标准疗法显着延长了患者总生存期。个性化药物联用取决于独立的病患个体。药物联用的有效性在不同的病人之间不尽相同，其差异取决于他们不同的基因型和表型。传统的临床前药物筛选实验往往依赖于二维细胞系或者模式动物。但是通过实验探索可能的药物组合空间是不可行的。
2、为了加速高通量药物筛选的流程，多种“在硅”方法被提出用于预测联合用药的协同作用，其中包括传统的数学建模，以及机器学习和深度学习模型等等。这些模型使用了不同种类的训练数据，包括药物的分子结构、药物的化学性质、细胞系的基因表达、药靶交互以及蛋白质互作数据等等。尽管如此，有效联合用药的研究依旧受限于系统建模方法、相对较少的测试集药物组合、有限的或者次优的药物浓度梯度，以及缺少模拟人体生理环境的实验数据等。
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于多模态数据的药效协同作用预测方法，目的是提供较为准确的预测抗肿瘤联合用药的药效预测结果。
2、本专利技术采用的技术方案如下：
3、本专利技术提供一种基于多模态数据的药效协同
4、s1、获取多模态数据，包括：
5、筛选对目标癌种具有药效协同作用的药物分子组合集，获取对应的药物分子信息作为第一类数据；
6、获取与目标癌种相关的药物靶点交互信息，作为第二类数据，其包含的药物分子集合为所述第一类数据的子集；
7、使用测试药物对目标癌种类器官进行药敏试验，获取对应的类器官样本，采集所述类器官样本的影像数据，作为第三类数据，所述测试药物的集合为所述第一类数据的子集，所述影像数据为类器官细胞的明场图像和荧光图像；
8、获取目标癌种的、与所述第一类数据中各药物分子组合对应的组学数据，作为第四类数据；
9、s2、多模态数据配对：
10、通过对影像数据进行分析，筛选出有药物协同作用的部分，从中随机选取并进行复制，从而扩增第三类数据，使其与所述第四类数据的数量匹配；
11、将第一类数据、扩增后的第三类数据、第四类数据构成对应的数据对集合；
12、s3、标签标记，包括：
13、对所述数据对集合添加药效协同作用评分标签、或者药效协同作用二分类标签；
14、s4、将所述数据对集合、所述第二类数据同步输入到网络模型中训练获得预测模型，训练过程包括：
15、通过对应的表征方式将各模态数据分别转变为可用于模型输入的结构化标志；
16、所述结构化标志输入到对应的前置模型中获得特异性特征，所述特异性特征包括：从第一类数据中获得的药物分子特征、从第二类数据中获得的药物靶点预测向量、从第三类数据中获得的影像特征、及从第四类数据中获得的目标癌种生物学特征；
17、将所述特异性特征输入到特征融合模块，以捕捉不同特异性特征之间的关系；
18、通过不断迭代和调节超参数最小化损失函数，获得最优参数，得到预测模型；
19、s5、利用所述预测模型对待测的多模态数据进行预测，获得药效协同作用的评分决策。
20、进一步技术方案为：
21、所述药效协同作用评分通过以下任一数学模型计算获得：
22、ybliss＝y1+y2-y1·y2；
23、yhsa＝max(y1,y2)；
24、
25、
26、其中，y1,y 2分别是药物1在剂量x1及药物2在剂量x2下的归一化药效评分；x1loewe,x2loewe分别是药物1和药物2单独产生loewe additivity模型药效协同作用评分yloewe的剂量；m1,m2分别是药物1、药物2的ec50值或ic50值；λ1,λ2分别是药物1、药物2的药物响应曲线的斜率；药物1、药物2为第一类数据中某个药物分子组合所包含的药物；ybliss、yhsa、yzip分别为bliss模型、highest single agent模型、loewe additivity模型、zerointeraction potency模型计算获得的药效协同作用评分。
27、所述二分类标签的设置，包括：
28、将所述数学模型计算获得的药效协同作用评分与设置的阈值比较，将大于阈值和小于等于阈值的评分分别记为两类。
29、所述通过对影像数据进行分析，筛选出有药物协同作用的部分，包括：
30、对caspase-3标记的凋亡细胞的荧光强度与设定的阈值进行比较，大于该阈值则视为该类器官图像对应的测试药物有药物协同作用，反之则没有。
31、所述特征融合模块包括输入端全连接层、注意力机制、残差模块、relu函数、输出端全连接层；
32、所述输入端全连接层用于将各模态数据的特异性特征对齐到同一维度
33、所述注意力机制用于捕获不同特异性特征之间的关系，提取新特征；
34、所述残差模块将所述新特征连结到原始特征，然后用relu函数激活并输出给所述输出端全连接层，其用于输出最终的评分预测结果。
35、所述损失函数为：
36、ltotal＝lc+α*ldti
37、其中，ltotal为总损失函数，lc、ldti分别为交叉熵函数和二分类交叉熵函数，α为超参数；
38、
39、式中，y分别是药物协同作用预测得分和真实得分；
40、
41、式中，为药物靶点交互信息中的药物分子经过所述前置模型提取得到的预测靶点向量，ydti为真实靶点向量。
42、通过对应的表征方式将各模态数据分别转变为可用于模型输入的结构化标志，包括：
43、对smiles格式编码的药物分子结构采用分词方法将不同的化学元素转变为事先设定好的索引表中的索引值；
44、对明场图像采用图像分块方法将原始图像划分为小块；
45、对荧光图像分别使用dapi、actin和caspase-3标记细胞核、细胞骨架和凋亡细胞；
46、对组学数据采用固定维度的特征嵌入法将基因表达特征、microrna表达特征和蛋白质组学特征拼接成固定维度的特征嵌入。
47、与第一类数据及第二类数据对应的所述前置模型包括：图模型、多层感知机、transformer模型、rnn模型；
48、与第三类数据对应的所述前置模型包括二维卷积神经网络；
49、与第四类数据对应的所述前置模型包括多层感知机。<本文档来自技高网...
【技术保护点】
1.一种基于多模态数据的药效协同作用预测方法，其特征在于，所述预测方法包括：
2.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述药效协同作用评分通过以下任一数学模型计算获得：
3.根据权利要求2所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述二分类标签的设置，包括：
4.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述通过对影像数据进行分析，筛选出有药物协同作用的部分，包括：
5.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述特征融合模块包括输入端全连接层、注意力机制、残差模块、ReLU函数、输出端全连接层；
6.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述损失函数为：
7.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，通过对应的表征方式将各模态数据分别转变为可用于模型输入的结构化标志，包括：
8.根据权利要求1所述的基于多模态数据的药效协同作用预测方
9.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述药物分子信息包括结构参数、物理化学参数、药代动力学属性参数、药理学性质参数中的一种或多种。
10.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述组学数据包括基因组学数据、转录组学数据、表观遗传学数据、蛋白质组学数据、代谢组学数据中的一种或多种。
...【技术特征摘要】
1.一种基于多模态数据的药效协同作用预测方法，其特征在于，所述预测方法包括：
2.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述药效协同作用评分通过以下任一数学模型计算获得：
3.根据权利要求2所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述二分类标签的设置，包括：
4.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述通过对影像数据进行分析，筛选出有药物协同作用的部分，包括：
5.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述特征融合模块包括输入端全连接层、注意力机制、残差模块、relu函数、输出端全连接层；
6.根据权利要求1所述的基于多模态数据的药效协同作用预测方法，其特征在于，所述...
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。