基于深度学习的预测药物肝毒性的网络模型制造技术

本发明专利技术公开了一种基于深度学习的预测药物肝毒性的网络模型，包括：TCN模块、RDP模块和MLP模块，TCN模块和RDP模块为并行结构且分别用于对样本的输入数据进行特征提取，其中，每一个样本的输入数据包括：m个基因表达组，每个基因表达组为同一个基因在n个时间点的基因表达，每个基因表达组的n个基因表达按照时序排列，其中，TCN模块使用时域卷积网络对输入数据进行特征提取后输出特征XTCN；RDP模块用于先通过随机维度置换方法生成G个数据R，再对G个数据R进行特征提取，RDP模块输出特征XRDP；MLP模块用于接收特征XTCN和特征XRDP后输出预测结果。本发明专利技术网络模型在各项评估指标上显示出具有竞争力的结果，可以更准确和可靠地预测药物具有的潜在肝毒性。

【技术实现步骤摘要】

本专利技术属于生物信息，具体来说涉及一种基于深度学习的预测药物肝毒性的网络模型。

技术介绍

1、肝脏作为人体的解毒器官，负责代谢进入体内的各种化学物质，是毒素的主要目标。因此，它很容易受到药物损害。药物性肝损伤是药物开发失败的主要原因之一。因此，在药物设计的早期就应该考虑其潜在的肝毒性作用，识别药物的肝毒性，筛选出具有高肝毒性的化合物，以便在药物开发中提供更安全的选择空间。传统的毒理学评价方法通常依赖于复杂的动物实验和临床试验，成本高昂，周期长。而计算预测模型可以快速有效地确定化合物的毒性。利用计算预测模型可以初步筛选出大量具有高毒性潜力的化合物，以避免不必要的实验。它有助于研究人员关注更多潜在的化合物，从而加快研发进度，降低研发成本。

2、目前许多研究者建立了计算预测模型来评估药物的器官特异性毒性或整体毒性。low等人在论文“predicting druginduced hepatotoxicity using qsar andtoxicogenomics approaches,”中，利用药物的化学描述符和毒性基因组图谱评估了几种统计模型预测本文档来自技高网...

【技术保护点】

1.一种基于深度学习的预测药物肝毒性的网络模型，其特征在于，包括：TCN模块、RDP模块和MLP模块，向TCN模块和RDP模块分别输入样本的输入数据，TCN模块和RDP模块为并行结构且分别用于对样本的输入数据进行特征提取，其中，每一个样本的输入数据包括：m个基因表达组，每个基因表达组为同一个基因在n个时间点的基因表达，每个基因表达组的n个基因表达按照时序排列，m个基因表达组所对应的n个时间点相同，m个基因表达组所对应的基因不相同，其中，TCN模块使用时域卷积网络对输入数据进行特征提取后输出特征XTCN；RDP模块用于先通过随机维度置换方法生成G个数据R，再对G个数据R进行特征提取，RDP...

【技术特征摘要】

1.一种基于深度学习的预测药物肝毒性的网络模型，其特征在于，包括：tcn模块、rdp模块和mlp模块，向tcn模块和rdp模块分别输入样本的输入数据，tcn模块和rdp模块为并行结构且分别用于对样本的输入数据进行特征提取，其中，每一个样本的输入数据包括：m个基因表达组，每个基因表达组为同一个基因在n个时间点的基因表达，每个基因表达组的n个基因表达按照时序排列，m个基因表达组所对应的n个时间点相同，m个基因表达组所对应的基因不相同，其中，tcn模块使用时域卷积网络对输入数据进行特征提取后输出特征xtcn；rdp模块用于先通过随机维度置换方法生成g个数据r，再对g个数据r进行特征提取，rdp模块输出特征xrdp；

2.根据权利要求1所述的网络模型，其特征在于，α为比例因子参数。

3.根据权利要求2所述的网络模型，其特征在于，g＝1～10，优选为g＝4。

4.根据权利要求1所述的网络模型，其特征在于，tcn模块包括：一个输入层、若干残差层以及一个池化层，tcn模块中的池化层进行全局平均池化得到特征xtcn。

5.根据权利要求4所述的网络模型，其特征在于，tcn模块的每个残差层包括：1个输入层、2个隐藏层以及1个输出层。

6.根据权利要求5所述的网络模型，其特征在于，tcn模块的每个残差层采用wavenet的结构。

7.根据权利要求1所...

【专利技术属性】
技术研发人员：苏苒，左浩辰，
申请(专利权)人：天津大学，
类型：发明
国别省市：