预测ALK融合基因阳性非小细胞肺癌早期耐药的新方法技术

本发明专利技术涉及医学信息学和人工智能技术领域，更具体地说，涉及预测ALK融合基因阳性非小细胞肺癌早期耐药的新方法，包括以下步骤:(1)数据采集与预处理:收集ALK阳性非小细胞肺癌患者的多组学数据,包括基因突变数据、表观遗传数据和转录组数据,对所述多组学数据进行质量控制、去除批次效应、标准化处理,形成统一的特征矩阵X;(2)多组学关联分析:使用典范相关分析方法探索所述多组学数据间的关联模式,识别与耐药相关的关键特征;(3)深度学习预测:将特征矩阵X输入深度学习模型,通过分层递进式特征学习、药物结构对抗学习和聚焦损失函数优化,预测早期耐药风险;(4)药物选择推荐。

【技术实现步骤摘要】

本专利技术涉及医学信息学和人工智能领域，具体而言，涉及一种预测alk融合基因阳性非小细胞肺癌早期耐药的新方法。

技术介绍

1、近年来alk融合基因阳性非小细胞肺癌(nsclc)患者在接受alk抑制剂治疗后，常常会在初期表现出良好的疗效，但随着时间推移，部分患者会逐渐产生耐药，导致治疗效果下降。准确预测nsclc患者的早期耐药风险，对于指导临床用药和改善预后具有重要意义。

2、随着精准医疗的快速发展，利用多组学数据和人工智能技术进行疾病诊断和预后预测已成为医学研究的热点。特别地，对于alk融合基因阳性非小细胞肺癌(alk+nsclc)患者，尽管alk抑制剂治疗在早期展现出良好的疗效，但部分患者会逐渐产生获得性耐药，导致疾病进展。因此，准确预测alk+nsclc患者的早期耐药风险，对于指导临床决策、延长患者生存时间具有重要意义。

3、现有的nsclc耐药预测方法主要基于基因突变等单一组学数据，如二代测序技术检测基因突变，评估特定基因与耐药的相关性。然而，这类方法未能充分考虑不同生物学层面的信息，如基因表达调控、蛋白质相互作用等，忽视了生本文档来自技高网...

【技术保护点】

1.预测ALK融合基因阳性非小细胞肺癌早期耐药的新方法,其特征在于，包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,步骤(3)中的分层递进式特征学习包括:

3.根据权利要求1所述的方法，其特征在于，步骤(3)中的药物结构对抗学习包括： 设药物分子结构特征为，耐药和敏感细胞系分别为和，通过最小化对抗损失，使特征表示能够区分和增强其耐药预测能力，其中

4.根据权利要求1所述的方法，其特征在于，步骤(3)中的聚焦损失函数优化包括：使用聚焦损失函数处理样本不均衡问题，加强模型对少数类样本的关注，损失函数定义为：

5.根据权利要求1所述的方...

【技术特征摘要】

1.预测alk融合基因阳性非小细胞肺癌早期耐药的新方法,其特征在于，包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,步骤(3)中的分层递进式特征学习包括:

3.根据权利要求1所述的方法，其特征在于，步骤(3)中的药物结构对抗学习包括： 设药物分子结构特征为，耐药和敏感细胞系分别为和，通过最小化对抗损失，使特征表示能够区分和增强其耐药预测能力，其中

4.根据权利要求1所述的方法，其特征在于，步骤(3)中的聚焦损失函数优化包括：使用聚焦损失函数处理样本不均衡问题，加强模型对少数类样本的关注，损失函数定义为：

5.根据权利要求1所述的方法，其特征在于，步骤(1)中的多组学数据包括:基因突变数据、表观遗传数据和转录组数据，样本量不少于100例，且包含早期耐药和敏感患者样本。

6.根据权利要求1所述的方法，其特征在于，步骤(1)中对多组学数据的质量控制包括:使用fastqc对测序数据进行质量评估，使用trimmomatic去除接头和低...

【专利技术属性】
技术研发人员：黄莹，杨海虹，
申请(专利权)人：广州医科大学附属第一医院广州呼吸中心，
类型：发明
国别省市：