System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及药物性肝损伤预测,尤其是一种基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法。
技术介绍
1、随着精准医疗快速发展,分子靶向治疗如人类表皮生长因子受体酪氨酸激酶抑制剂(epidermal growth factor receptor tyrosine kinase inhibitors,egfr-tkis)、间变性淋巴瘤激酶酪氨酸激酶抑制剂(anaplastic lymphoma kinase tyrosine kinaseinhibitor,alk-tki)等靶向治疗手段可通过药物与特定的致癌位点结合,杀灭肿瘤细胞,具有特异性高,毒性低等精准制导的优点。靶向药物引起的不良反应近年来引发了广泛的关注,尤其是药物性肝损伤(drug-induced liver injury,dili),即各处方或非处方的化学药物、生物制剂、传统中药、天然药、保健品、膳食补充剂及其代谢产物乃至辅料等所诱发的肝损伤。抗肿瘤药物诱导的肝损伤占药物性肝损伤的20%-25%,其临床表现复杂多样,轻者无任何症状,仅表现为肝功能异常,严重者可在较短时间内进展为急性肝衰竭甚至死亡。目前,较为公认的dili机制包括氧化应激、线粒体功能障碍、胆汁酸转运抑制、免疫介导机制等,其中,免疫机制介导肝损伤仍是dili预测的一大难点,其具有不可预测性,仅发生在某些特异体质,或有家族聚集现象,与用药的剂量与疗程无关,在实验动物模型上常无法复制。因此,预测免疫机制介导肝损伤对肝毒性风险的体外早期发现十分重要。
2、在此背景下,人诱导性多能干细胞(huma
3、基于化合物分子结构数据、基因组学数据、体外实验检测数据等,学者们已提出诸多基于dl的dili预测模型,然而,基于不同数据类型的dili预测模型或多或少存在一些弊端。例如,由于所选数据的来源不同、内容不均衡以及化合物数量差异,基于分子结构的dili预测模型的准确率较低,且稳定性较差,从60%-90%不等。另外,基于基因组学的dili预测模型准确率同样不高,可能是由于基因层面的表达的变化不足以诱发药物的肝毒性变化,或与数据量或该数据类型复杂性有关。此外,基于图像特征识别技术的预测大多依赖于荧光探针,成本较高、检测手段较复杂。
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图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,对免疫介导机制肝损伤的靶向药物明场图像数据集进行批量训练、特征识别,旨在改善抗肿瘤药物的开发效率。
2、本专利技术采用的技术方案如下:
3、一种基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,包括:
4、采用诱导性多能干细胞技术诱导分化肝脏类器官;
5、构建肝脏类器官的靶向药物模型,按设定的时间间隔对靶向药物作用周期内的肝脏类器官进行图像采集,获得不同免疫介导机制靶向药物作用下基于时间序列的类器官明场图像,并对与所采集图像对应的类器官的与设定检测指标相关的数值数据;
6、对所述类器官明场图像进行预处理,形成图像集;
7、基于所述靶向药物的机制特性,结合所述数值数据,对图像集的药物性肝损伤机制进行标签标注,以将图像集划分为预设数量的、与免疫介导机制相关的类别;
8、基于深度学习网络模型,以添加了标签标注的所述图像集为输入,以所述类别为输出,构建基于类器官明场图像识别抗肿瘤药物性肝损的免疫介导机制预测模型;
9、利用所述预测模型对目标靶向药物作用下的肝脏类器官图像进行识别,获得所述目标靶向药物的药物性肝损的免疫介导机制所属的类别。
10、进一步技术方案为:
11、所述采用诱导性多能干细胞技术诱导分化肝脏类器官,包括:
12、通过诱导性多能干细胞分化为定形内胚层;
13、通过所述定形内胚层分化为早期肠管组织;
14、通过所述早期肠管组织分化为肝脏类器官。
15、所述数值数据的采集包括:
16、提取类器官的dna,通过特异性基因捕获探针对十二个免疫相关基因,包括s100a7、r3hdml、il19、nras、bmp1、s100a11、hmox1、pak1、s100a16、vegfa、ndrg1、csf1,进行基因水平检测,获得基因表达结果。
17、所述靶向药物的机制特性从livertox数据库中获取。
18、还包括对所述构建肝脏类器官的靶向药物模型进行验证:
19、采集类器官培养产生的上清液,检测白蛋白浓度值;
20、若白蛋白浓度值大于设定的极限值,则验证类器官有效,否则无效。
21、所述预设数量的、与免疫介导机制相关的类别包括无毒性、免疫介导、非免疫介导、混合型。
22、所述深度学习网络模型为resnet50,其包括第一阶段模块、第二至五阶段模块、以及第六阶段模块;所述第一阶段模块用于通过卷积、正则化、re lu激活函数、最大池化对输入的图像进行计算;所述第二至五阶段模块分别包括3、4、6、3个bottleneck结构,所述bottleneck结构包括卷积核依次为1×1、3×3、1×1的三层卷积层,用于通过不断卷积和池化后分别输出不同类别下的特征图;所述第六阶段模块用于将所述特征图展平为一维的特征向量,并使用softmax函数输出概率最大的类别。
23、所述预测模型的构建,包括:
24、按比例将添加了标签标注的所述图像集划分训练集和测试集,用所述训练集进行模型训练和参数学习;用所述验证集验证模型性能;
25、通过准确率、精确率、召回率、混淆矩阵、f1值、roc曲线和auc曲线对预测模型的能力进行评估。
26、对所述类器官明场图像进行预处理,包括:
27、对图像进行颜色归一化,统一本文档来自技高网...
【技术保护点】
1.一种基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,包括:
2.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,所述采用诱导性多能干细胞技术诱导分化肝脏类器官,包括:
3.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,所述数值数据的采集包括:
4.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,所述靶向药物的机制特性从LiverTox数据库中获取。
5.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,还包括对所述构建肝脏类器官的靶向药物模型进行验证:
6.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,所述预设数量的、与免疫介导机制相关的类别包括无毒性、免疫介导、非免疫介导、混合型。
7.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,所述深度学习网络模型为ResNet50,
8.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,所述预测模型的构建,包括:
9.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,对所述类器官明场图像进行预处理,包括:
...【技术特征摘要】
1.一种基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,包括:
2.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,所述采用诱导性多能干细胞技术诱导分化肝脏类器官,包括:
3.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,所述数值数据的采集包括:
4.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,所述靶向药物的机制特性从livertox数据库中获取。
5.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,还包括对所述构建肝脏类器官的靶向药物模型进行验证:
6.根据权利要求1所述的基于图像识别抗肿瘤药物性肝损免疫介导机制的预测方法,其特征在于,所述预设数量的、与免疫介导机制相关的类别包括无毒性、免疫介导、非免疫介导、混合型。<...
【专利技术属性】
技术研发人员:顾忠泽,于文龙,谭诗旖,
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。