[发明专利]一种基于多通道神经网络的抗癌药物筛选方法

权利要求书

1.一种基于多通道神经网络的抗癌药物筛选方法，其特征在于，包含以下步骤：

步骤1，将表示药物全局结构信息的SMILES序列转化为Graph形式，并利用GCN提取其特征；

步骤2，利用一维卷积神经网络分别提取表示药物局部结构信息的分子指纹特征，以及癌细胞系的转录组学特征miRNA；

步骤3，将超高维的基因组学特征基因拷贝数通过栈式自编码器降维，得到低维度的特征表示；

步骤4，利用全局最大池化和全连接网络，将各个通道提取出的不同格式和维度的特征规范化至指定维度向量；

步骤5，拼接融合规范化后的药物的全局和局部结构特征，以及癌细胞系的基因组学和转录组学特征；

步骤6，融合后的特征通过全连接的神经网络，预测药物-细胞系反应的IC50值，筛选出具有研究价值的抗癌药物。

2.如权利要求1所述的一种基于多通道神经网络的抗癌药物筛选方法，其特征在于，所述步骤1中，将给定药物的SMILES序列通过RDKit转化为分子图，并以特征矩阵X和邻接矩阵A的形式存储，X是一个n×f大小的矩阵，其中n是化合物的原子节点个数，每个节点由一个f维向量表示，A是一个n×n大小的矩阵，表示节点之间的边；使用三个图卷积层对药物分子图进行特征提取，其中σ表示非线性激活函数，H表示层，上标l表示层数，当l＝0时，H⁽⁰⁾即为特征矩阵X；W是可训练参数矩阵，l＝0、1、2时的W⁽⁰⁾、W⁽¹⁾、W⁽²⁾的维度分别为f×f、f×2f、f×4f，对应的H⁽¹⁾、H⁽²⁾、H⁽³⁾的维度分别为n×f、n×2f、n×4f；是添加了自环的图邻接矩阵，是图的对角度矩阵。

3.如权利要求1所述的一种基于多通道神经网络的抗癌药物筛选方法，其特征在于，所述步骤2中，将药物的分子指纹信息和细胞系的miRNA信息通过三个一维卷积层

l＝{0,1,2}，其中Z^l+1(i)表示第l+1个卷积层输出的特征向量的第i个元素，Z^l和w^l+1分别表示第l+1个卷积层的输入特征和卷积核，b表示偏移量，K_l为输入通道数，m表示卷积核大小，是第k个通道的输入特征，s₀i+x表示特征向量索引，s₀是卷积步长，是第k个通道的卷积核，x表示卷积核元素索引，L_l和L_l+1分别为第l+1个卷积层的输入和输出特征向量长度，p是填充层数量；在每个卷积层提取特征后，将输出的特征数据Z^l+1传递给池化层进行特征选择和信息过滤，其中s₁i+x表示特征向量的索引，s₁表示池化步长，q是一个预定义参数，被设置为q→∞，即最大池化。

4.如权利要求1所述的一种基于多通道神经网络的抗癌药物筛选方法，其特征在于，所述步骤3中，超高维度的基因拷贝数信息通过栈式自编码器降维，即使用比输入更少的隐藏节点来预测输入：h(t)≈t，其中t为输入，h为学习函数；并在各隐层之间添加非线性激活函数ReLU，实现非线性降维；训练时的目标函数采用MSE：其中y为真实值，为预测值，num表示训练样本数量。

5.如权利要求1所述的一种基于多通道神经网络的抗癌药物筛选方法，其特征在于，所述步骤4中，将GCN提取的特征矩阵H⁽³⁾，通过全局最大池化，转换为一个维度为4f的向量，并通过全连接层，将维度规范至128，得到特征向量v₁，表示提取后的药物分子图信息；将1DCNN提取的药物分子指纹和细胞系miRNA，分别通过全连接层将维度规范至128，得到特征向量v₂和v₃，分别表示提取后的分子指纹和miRNA信息；将AE降维的基因拷贝数信息通过全连接层，将维度规范至128，得到特征向量v₄，表示提取后的拷贝数信息。