[发明专利]药物血脑屏障渗透性预测中数据集的建立方法及数据模型

权利要求书

1.一种药物血脑屏障渗透性预测中数据集的建立方法，其特征在于，包括：

获取病人使用血脑屏障渗透性已知的药物后针对已知的每种神经系统疾病显现的症状数；

将所述症状数集合形成所述药物的特征数据集，并将所述药物的特征数据集与所述药物的血脑屏障渗透性结合成所述药物的特征矩阵；

将所述病人针对一种神经系统疾病显现出的症状数作为所述特征矩阵的一个元素；按照所述神经系统疾病的顺序将所述元素进行排列，并将代表所述药物的血脑屏障渗透性的数字作为所述特征矩阵的最后一个元素；将病人服用药物X后针对各种疾病出现的症状数集合为药物X的特征数据集为：{2，0，1}；药物X的血脑屏障渗透性为能够通过血脑屏障，用数字1表示，则药物X的特征矩阵为：{2，0，1，1}；当药物X的血脑屏障渗透性为无法通过血脑屏障时，则该药物X的特征矩阵为：{2，0，1，0}；

将预设数量的血脑屏障渗透性已知的药物的特征矩阵进行组合形成所述数据集；

将数据集分为训练集与验证，对训练后的模型进行验证，保证血脑屏障渗透性模型的准确性；血脑屏障渗透性预测模型为深度学习四层网络模型，由所述数据集训练而成；血脑屏障渗透性预测模型分为3层，分别为输入层、隐含层、以及输出层，训练上述模型的过程分两步，分别为正向传递过程和误差的反向传递过程；

输出节点X和输出节点D的个数都是已知的，只需要确定隐含层的个数即可，根据以下公式(1)可得到隐含层的节点个数：

其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，α为1-10之间的调节常数；

得到隐含层的节点数之后，设节点i和节点j之间的权值为w_ij，节点j的阈 值为b_j，每个节点的输出值为x_i，每个节点的输出值根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阈 值还有激活函数来实现；公式如式(2)和式 (3)所示：

x_j＝f(s_j) (3)

其中f(x)为激活函数，本文选取sigmod函数作为激活函数，公式如下：

从上到下，从左到右，依次计算所有节点的值，即可结束整个正向传递的过程；

在反向传递的过程中最主要的是对于输入层和隐含层，隐含层之间，以及隐含层和输出层之间权值和阈 值的调整，具体调整的步骤如下：

假设输出层的所有结果为d_j，误差函数如下：

根据梯度下降法，反复修正权值和阈 值，使得误差函数值达到最小；权值矢量的修正比于当前位置上E(w,b)的梯度，对于第j个输出节点有：

激活函数公式见公式(4),对激活函数求导，得到公式(7)，接下来针对w_ij有公式(8)：

其中，δ_ij的值为公式(9)，同样对于b_j有公式(10)：

至此，完成了隐含层和输出层之间的权值和阈 值计算；

同样的对于输入层之间，输入层和隐含层的阈 值调整计算为，假设w_mn是输入层第m个节点和隐含层第n个节点之间的权值，假设w_ki是输入层第k个节点和隐含层第i个节点之间的权值，那么有公式(11)，(12)，对于其中的δ_ki和δ_mn有公式(13)和公式(14)：

根据上述公式，根据梯度下降法，那么对于隐含层和输出层之间的权值和阈 值调整有公式(15)和公式(16)；对于隐含层之间的权值和阈 值调整有公式(17)和公式(18)；对于输入层和隐含层之间的权值和阈 值调整同样有公式(19)和公式(20)：

b_j＝b_j-η₂×δ_ij (16)

w_mn＝w_mn-η₁×δ_mn×x_m (17)

b_n＝b_n-η₂×δ_mn (18)

w_ki＝w_ki-η₁×δ_ki×x_k (19)

b_i＝b_i-η₂×δ_ki (20)

以上为反向传递的所有过程，通过对于权值和阈 值的不断调整完成整个深度学习网络的数据处理过程，设置误差值或者循环次数用以结束整个过程，至此整个模型建立完成；

模型建立完成之后，用上述数据集中的训练集对上述模型进行训练，得到血脑屏障渗透性预测模型，并使用验证集对所述血脑屏障渗透性预测模型进行验证，得到预测结构较为准确的模型。