【技术实现步骤摘要】
本专利技术涉及药物敏感性预测，尤其涉及基于对抗迁移学习的单细胞药物因果基因的发现方法及系统。
技术介绍
1、耐药性和由此产生的药物治疗无效导致高达90%的癌症相关死亡，除了一些对选择疗法具有固有抗性的肿瘤亚群，癌细胞获得耐药性的途径多种多样，部分肿瘤亚群本身对选择疗法具有固有抗性，而其他癌细胞还可通过药物激活、靶点交替和药物外排等复杂机制来逃避药物的杀伤作用。因此，深入了解癌细胞亚群的异质性对于提高癌症治疗效果至关重要，而对独立癌症亚群的药物敏感性预测以及在单细胞层面识别癌症药物敏感性的因果基因成为本领域的关键科研方向。
2、目前单细胞rna测序（scrna-seq）技术的出现为癌症研究带来了新的契机，它能够在单个细胞水平上分析转录组谱，从而更精准地研究癌症的异质性。通过单细胞rna测序，研究人员可以获取每个细胞的基因表达信息，深入了解癌细胞亚群之间的差异，进而推论出耐药性的根源。然而由于单细胞层面的研究相对复杂，获取准确且大规模的药物敏感性标注数据难度较大，这使得在单细胞水平上进行药物敏感性预测和相关研究缺乏足够的数据支持...
【技术保护点】
1.基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征在于，包括：
2.如权利要求1所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征在于，所述源分类模型通过最小化分类损失进行优化，并通过分层等式约束源分类模型，最小化分类损失的公式为：
3.如权利要求2所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征在于，所述分层等式约束为：,)；其中，为单细胞基因表达数据的映射，为约束函数，为分层的层次索引，，为细胞系基因表达数据在层中的映射，为单细胞基因表达数据在层中的映射，并且=。
4.如权利要求1所述的基于对抗迁移...
【技术特征摘要】
1.基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征在于，包括：
2.如权利要求1所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征在于，所述源分类模型通过最小化分类损失进行优化，并通过分层等式约束源分类模型，最小化分类损失的公式为：
3.如权利要求2所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征在于，所述分层等式约束为：,)；其中，为单细胞基因表达数据的映射，为约束函数，为分层的层次索引，，为细胞系基因表达数据在层中的映射，为单细胞基因表达数据在层中的映射，并且=。
4.如权利要求1所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征在于，所述根据源域数据集和目标域数据集训练所述对抗迁移模型，具体包括：根据监督对抗损失函数训练优化目标域判别器，并根据目标映射损失函数训练优化单细胞基因表达数据的映射，其中监督对抗损失函数=，其中，d为目标域判别器，为单细胞基因表达数据，和分别表示细胞系基因表达数据和单细胞基因表达数据的期望，为最大均值差异；目标映射损失函数；。
5.如权利要求1所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征在于，所述得到单细胞基因表达数据的反事实值的具体方法为：；其中，为对抗迁移模型得到单细胞药物敏感性预测结果，即药物敏感性标签，为带...
【专利技术属性】
技术研发人员：杨帆，薛付忠，张华伟，李霞，仲海，吴昊，梁成，张庆科，许兴周，靳志明，
申请(专利权)人：山东大学，
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。