[发明专利]药物与细胞系反应的预测模型的训练方法及相关装置

权利要求书

1.一种药物与细胞系反应的预测模型的训练方法，其特征在于，包括：

获取训练样本集，所述训练样本集包括所述细胞系的基因数据、所述药物的化合物数据以及所述药物的化合物数据与所述细胞系的基因数据的反应结果标注；

将所述细胞系的基因数据和所述药物的化合物数据输入深度学习回归模型进行预测，得到所述药物的化合物数据与所述细胞系的基因数据的反应的预测结果；

利用所述反应的预测结果及所述药物的化合物数据与所述细胞系的基因数据的反应结果标注对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型。

2.根据权利要求1所述的训练方法，其特征在于，所述利用所述反应的预测结果及所述药物的化合物数据与所述细胞系的基因数据的反应结果标注对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型包括：

计算所述反应的预测结果及所述药物的化合物数据与所述细胞系的基因数据的反应结果标注的差值；

根据所述差值对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型。

3.根据权利要求2所述的训练方法，其特征在于，所述根据所述差值对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型包括：

根据所述差值利用反向传播方法对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型。

4.根据权利要求1所述的训练方法，其特征在于，所述获取训练样本集包括：

获取所述药物的名称，并根据所述药物的名称确定所述药物对应的分子表达式和/或指纹表达式；

将所述分子表达式和/或指纹表达式整合为所述药物的化合物数据；

获取所述细胞系的名称，并根据所述细胞系的名称确定所述细胞系对应的基因表达数据、拷贝数变异以及点突变数据；

将所述细胞系对应的基因表达数据、拷贝数变异以及点突变数据整合为所述细胞系的基因数据。

5.根据权利要求4所述的训练方法，其特征在于，所述将所述细胞系对应的基因表达数据、拷贝数变异以及点突变数据整合为所述细胞系的基因数据之前还包括：

对所述细胞系对应的基因表达数据、拷贝数变异以及点突变数据进行填充、归一化、独热编码中至少一种处理；

将处理后的所述细胞系对应的基因表达数据、拷贝数变异以及点突变数据整合为所述细胞系的基因数据。

6.根据权利要求1所述的训练方法，其特征在于，所述药物的化合物数据与所述细胞系的基因数据的反应结果标注包括：所述药物与细胞系反应的标注IC50值；

所述药物的化合物数据与所述细胞系的基因数据的反应的预测结果包括：所述药物与细胞系反应的预测IC50值。

7.一种药物与细胞系反应的预测模型的训练装置，其特征在于，包括：

训练样本获取模块，用于获取训练样本集，所述训练样本集包括所述细胞系的基因数据、所述药物的化合物数据以及所述药物的化合物数据与所述细胞系的基因数据的反应结果标注；

模型预测模块，用于将所述细胞系的基因数据和所述药物的化合物数据输入深度学习回归模型进行预测，得到所述药物的化合物数据与所述细胞系的基因数据的反应的预测结果；

迭代训练模块，用于利用所述反应的预测结果及所述药物的化合物数据与所述细胞系的基因数据的反应结果标注对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型。

8.一种药物与细胞系反应的预测方法，其特征在于，所述预测方法基于药物与细胞系反应的预测模型实现，所述药物与细胞系反应的预测模型通过上述权利要求1～6任一项所述的训练方法训练所得；所述预测方法包括：

获取预测样本集，所述预测样本集包括所述细胞系的样本基因数据、所述药物的样本化合物数据；

利用所述药物与细胞系反应的预测模型对所述预测样本集进行处理，得到所述药物与细胞系反应的预测结果。