[发明专利]基于深度学习的药物预测方法和设备

说明书

本发明涉及一种药物预测方法(100)，包括：接收从一个对象的肿瘤样本导出的基因组特征向量(130)，所述基因组特征向量表示肿瘤的基因突变信息；接收从该肿瘤样本导出的转录组特征向量(140)，所述转录组特征向量表示肿瘤的基因表达水平；根据一种药物的化学结构，导出该药物的分子结构特征向量(150)；并且将所述基因组特征向量和转录组特征向量中的至少一个以及所述分子结构特征向量输入经训练的深度神经网络，以确定该药物对该肿瘤是否有效(160)。该方法能更加准确地为肿瘤患者预测药物。优选地，该方法还包括根据药物所针对的靶向通路及特点，确定药物的药物靶标特征向量(155)；并额外地将药物靶标特征向量输入该深度神经网络来预测药物。

技术领域

本发明涉及生物信息学技术领域，具体来说涉及基于深度学习的药物预测方法、设备、计算机程序产品和计算机可读存储介质，其结合了肿瘤患者的基因特征和抗癌药物特征，实现了对抗癌药物的精准预测。

背景技术

本节中讨论的内容不因被提及而被认为是现有技术。类似地，本节提到的问题不应被认为已经在现有技术中被认识到。

癌症是当今危害人类健康的最大疾病，直到目前为止也很难被攻克。在中国，癌症发生率正处于快速上升期，癌症已成为第一死因。癌症由于人类个体基因组(genome)发生突变导致。癌细胞与正常细胞不同，具有无限生长、转化和转移三大特性，也因此难以消灭。

目前，治疗癌症的主要手段是使用分子靶向药物抑制癌症的发展。这种靶向疗法的缺点是用于预测药效的生物标志物(biomarker)可覆盖的患者人群有限，而且对于药效指导的准确性和特异性也远远不足。另一种方法是在动物体内移植肿瘤，然后把化合物作用于动物体内，观察动物体内肿瘤的生长变化，以此确定化合物对肿瘤的作用效果，这种研究治疗肿瘤药物的方法费用高、耗时长而且成功率低。

面对这些挑战，人类癌症细胞系为预测药物反应提供了新的载体，有利于筛选治疗癌症的候选药物。通过分析癌症细胞系分子数据预测药物反应，能够提高预测药物反应的准确率。根据不同的数据和理论，目前的药物反应预测方法主要分为以下两类：

一、基于机器学习的药物反应预测方法。

随着机器学习理论的不断发展，使用机器学习预测药物反应的方法取得了较好的结果。此类方法的优点是从癌症细胞系的基因表达水平进行药物反应研究，缺点是只考虑了肿瘤细胞的特征，其预测的准确率有待提高。

二、基于网络的药物反应预测方法。

网络能够反映节点之间的关系。已有研究发现相似的癌症细胞系对相似的药物具有相似的反应。癌症细胞系相似性网络描述了癌症细胞系之间的相似性，药物相似性网络描述了药物之间的相似性，在相似性网络中使用信息传播方法来预测药物的反应。此类方法的优点是从癌症细胞系之间以及药物之间的相似性关系进行药物反应预测研究，缺点是仅从单一层面计算癌症细胞系相似性和药物相似性，预测结果准确率有待提升。

深度神经网络是一种人工智能神经网络，它使用多个非线性和复杂的转换层来连续建模高级特征。深度神经网络通过反向传播提供反馈，该反馈携带观察到的输出与预测输出之间的差异以调整参数。随着可以获得大型的训练数据集、提升了并行和分布式计算的能力以及开发出复杂的训练算法，深度神经网络已经得到了发展。

考虑到测序数据是多维和高维的，深度神经网络因其广泛的适用性和增强的预测能力而在生物信息学研究中具有广阔的前景。卷积神经网络已经用于解决基因组学中基于测序的问题，例如基序发现、病原体变异识别和基因表达推断。循环神经网络可以捕获长度可变的测序数据(例如蛋白质或DNA测序)中的远程依赖(long-range dependency)。

发明内容