[发明专利]一种基于多通道神经网络的抗癌药物筛选方法

说明书

本发明属于计算机科学领域，公开了一种基于多通道神经网络的抗癌药物筛选方法。本发明通过图卷积网络提取图结构的药物分子图特征，一维卷积提取常规向量格式的药物分子指纹和细胞系miRNA特征，自编码器提取超高维的基因拷贝数特征，可以融合不同数据结构和维度的特征信息。本发明可以解决不同输入特征数据结构不同和数据复杂度高的问题，从而有效融合药物的全局和局部结构信息，以及来自不同组学数据的细胞系特征，提高药物敏感性预测的精度，进而提高抗癌药物筛选的效率。同时，多信息源的融合提高了模型的鲁棒性，使其在数据标签不足时，仍能保持稳定的性能。

技术领域

本发明属于计算机科学领域，涉及人工智能技术在生物医药问题中的应用，具体涉及一种基于多通道神经网络的抗癌药物筛选方法。

背景技术

由于癌症治疗的特殊性，精准医学已经成为全世界科学家想要攻克的难题。而预测癌细胞系对特定药物的反应，进而筛选出具有研究意义的抗癌药物，对精准医疗具有重大意义。一些经典的机器学习算法得益于它们在数据和模型集成方面的强大能力，对药物反应预测进行了初步的探索。然而，由于抗癌药物反应数据维度高和标签少的特点，这些方法显得力不能支。深度学习是机器学习的一个更先进的分支，因其能够从复杂数据中提取特征而被广泛应用于各个领域的数据挖掘。

然而，有效融合多个数据源的信息仍是抗癌药物响应预测中一个具有挑战性的问题。原因是很难找到有效的方法克服数据集成的一系列问题，例如数据结构的差异和数据的复杂性。此外，模型的实用性也是一个值得思考的问题。实际应用场景中的癌细胞系数据通常并不理想，从而可能导致模型无法发挥实际作用。

发明内容

本发明所要解决的技术问题是有效融合药物和细胞系的多个特征，从而进行更高效的筛选。针对现有技术不足，提供了一种基于多通道神经网络的抗癌药物筛选方法。本发明方法结合一维卷积神经网络、栈式自动编码器和图卷积网络，利用不同的输入通道提取不同数据结构的输入信息。通过有效融合药物的全局和局部结构信息，以及来自不同组学数据的细胞系特征，提高药物敏感性预测的精度，进而提高抗癌药物筛选的效率。同时，多信息源的融合提高了模型的鲁棒性，使其在训练数据规模减小时，仍能保持稳定的性能。

本发明所采用的技术方案是：

一种基于多通道神经网络的抗癌药物筛选方法，包括以下步骤：

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；

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；

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；

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；

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；

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。

作为本发明的进一步改进，