[发明专利]一种基于细胞表型的药物相关性、作用靶点及药效融合图网络分析方法

说明书

本发明提供了一种基于细胞表型的药物相关性、作用靶点及药效分析融合图网络，使用药物合集与对应配对的基因敲除合集分别对细胞基因表达进行扰动处理，测量得到各自的基因表达图谱；采集扰动处理后的细胞图像，得到药物处理图像合集与对应的基因敲除图像合集，并设置未扰动的对照组细胞并采集对应的对照图像合集；使用所述药物处理、基因敲除、对照组细胞的图像合集提取对应的单细胞图像合集；使用获取的数据训练模型，并获取损失函数。本发明使用两组孪生异质图网络将细胞图像数据和基因表达谱数据结合起来，实现了不同源数据的高效利用。采用多源数据结合的方式，可以提高模型的预测准确率，同时可以加速药物推荐和靶点预测的速度。

技术领域

本发明涉及细胞图像分析技术领域，特别涉及基于细胞表型的药物推荐、药物靶点预测及药效预测融合图网络。

背景技术

使用药物处理细胞可以通过改变细胞的生物化学途径来影响细胞的基因表达谱。例如，使用一种特定的药物可以抑制或促进某些基因的表达，从而导致基因表达谱的变化。这种方法可以帮助我们确定药物如何作用于细胞，并且有助于开发新的药物治疗方法。其次，使用基因敲除技术可以通过删除一个或多个基因来研究这些基因对细胞功能和表达的影响。这可以帮助我们确定特定基因在细胞功能和调节中的作用。例如，如果一个基因的敲除导致某些基因的表达下降，那么这可能意味着这个基因在调节这些基因表达方面起着重要作用。测量基因表达谱可以通过各种方法来实现，包括微阵列和RNA测序。这可以帮助我们确定不同处理条件下基因表达的变化，从而更好地理解细胞和基因调节的机制。

对于药效预测、药物靶点以及药物推荐的预测，目前主要采用的技术是相对独立的。药效预测的通行做法是将加入不同药物及对照组的细胞进行培养，然后进行图像采集，再从图像提取到的表型数据中分析药物的效果。而药物靶点预测和药物推荐的预测则根据不同场景采用不同的方法。传统的靶点预测方法通常以药物作用机制（MoA）及配位体研究为核心，通过分析药物与蛋白质相互作用的特征来预测药物的作用靶点。同时，利用深度学习将基因表达谱作为输入来预测药物效果和靶点也成为了一种常见的方法。因此，在药物研发过程中改为采用基于细胞表型的融合图网络方法，整合处理可以解决存在的高成本、低效率、低成功率等问题。

发明内容

本发明目的在于提供基于细胞表型的药物相关性、作用靶点及药效分析融合图网络，以解决上述背景技术存在的技术问题。

为实现上述目的，本发明提供如下技术方案：

基于细胞表型的药物相关性、作用靶点及药效分析融合图网络，包括如下步骤：

S1：使用药物合集与对应配对的基因敲除合集分别对样本细胞的基因表达进行扰动处理，测量得到各自的基因表达图谱；

S2：采集扰动处理后的细胞图像，得到药物处理图像合集与对应的基因敲除图像合集，并设置未扰动的对照组细胞，采集对应的对照图像合集；

S3：使用所述药物处理图像合集、基因敲除图像合集、对照图像合集提取对应的单细胞图像合集；

S4：使用所述步骤S1至S3获取的数据训练模型，并获取损失函数，具体包括如下：

（1）使用测量得到的基因表达图谱与蛋白质互作网络训练得到孪生网络，并依据输出的差异确认损失函数；

（2）使用所述单细胞图像合集作为输入训练多编码-自动编码器一，并对不同的空间变换设置不同的编码器，并依据变分推断确认损失函数；

（3）对所述单细胞图像合集进行细胞状态分类，并根据将所述多编码-自动编码器一的输出映射于所述细胞状态分类中，以细胞状态分类的标签损失确认损失函数；

S5：根据所述步骤S4获取的损失函数定义总损失函数；

S6：依据所述总损失函数优化整个模型，直至损失函数收敛。

进一步地，每种所述基因表达图谱作为一个若干维的向量，与对应的蛋白质互作网络的节点数量。