【技術實現步驟摘要】
本申請涉及生物信息學分析，尤其涉及一種藥物響應預測方法、裝置、計算機設備及可讀存儲介質。
技術介紹
1、藥物響應預測是指利用計算模型和生物學數據來預測個體或細胞對特定藥物的反應，以期望了解可能影響藥物的療效和安全性的因素，從而預測個體或細胞系在使用某種藥物后的生物學反應，比如藥效顯現、毒性反應等，進而提高治療的精準性和有效性。
2、相關技術中，一般采用單一模態組學數據進行藥物響應預測，例如，采用基因組、轉錄組、蛋白質組等組學數據中的一個來預測藥物對特定細胞系或生物體的反應，以此，降低了數據整合的難度，提高了數據整合的效率。但是，采用單一組學數據預測藥物響應，只能捕捉到生物系統中特定層面的生物信息，可能無法反映基因的實際表達水平或蛋白質的功能狀態，導致預測不準確的問題。
技術實現思路
1、本申請實施例的主要目的在于提出一種藥物響應預測方法、裝置、計算機設備及可讀存儲介質，能夠提高對藥物響應預測的準確性。
2、為實現上述目的，本申請實施例的第一方面提出了一種藥物響應預測方法，所述方法包括：
3、對目標細胞中的多個目標基因進行基因測序，得到所述目標細胞的多層次組學特征；
4、獲取所述目標細胞的基因表達向量，并將所述基因表達向量中的多個目標基因確定為多個圖節點，將任意兩個目標基因之間的多種屬性關聯關系作為多條交互邊，生成多邊緣圖；其中，每個目標基因關聯對應的多層次組學特征作為相應圖節點的節點特征；
5、通過預設的目標模型中的多個圖
6、通過所述目標模型的圖同構網絡層，獲取所述目標細胞對應的藥物化合物的藥物特征向量，并將所述第一細胞特征向量和所述藥物特征向量進行融合，得到第一融合向量；
7、通過所述目標模型的全連接層對所述第一融合向量進行預測，得到所述藥物化合物對所述目標細胞的預測藥物響應結果。
8、為實現上述目的，本申請實施例的第二方面提出了一種藥物響應預測裝置，所述裝置包括：
9、測序模塊，用于對目標細胞中的多個目標基因進行基因測序，得到所述目標細胞的多層次組學特征；
10、生成模塊，用于獲取所述目標細胞的基因表達向量，并將所述基因表達向量中的多個目標基因確定為多個圖節點，將任意兩個目標基因之間的多種屬性關聯關系作為多條交互邊，生成多邊緣圖；其中，每個目標基因關聯對應的多層次組學特征作為相應圖節點的節點特征；
11、更新模塊，用于通過預設的目標模型中的多個圖神經網絡層，在每個圖神經網絡層中針對所述多邊緣圖中的每個圖節點，通過與相鄰的圖節點連接的所述多條交互邊進行多次消息傳遞，得到來自所述相鄰的圖節點的相鄰節點特征，并根據所述相鄰節點特征對所述每個圖節點中的節點特征進行更新，并對更新后的多邊緣圖進行特征映射，得到第一細胞特征向量；
12、融合模塊，用于通過所述目標模型的圖同構網絡層，獲取所述目標細胞對應的藥物化合物的藥物特征向量，并將所述第一細胞特征向量和所述藥物特征向量進行融合，得到第一融合向量；
13、預測模塊，用于通過所述目標模型的全連接層對所述第一融合向量進行預測，得到所述藥物化合物對所述目標細胞的預測藥物響應結果。
14、在一些實施方式中，所述藥物響應預測裝置還包括提取模塊，用于：
15、通過所述目標模型的目標編碼器對所述基因表達向量進行高維特征的提取，確定第二細胞特征向量，其中，所述第二細胞特征向量用于表征各目標基因與對應的基因表達模式之間的相互作用關系；
16、將所述第二細胞特征向量與所述第一融合向量進行融合，得到第二融合向量；
17、則所述通過所述目標模型的全連接層對所述第一融合向量進行預測，得到所述藥物化合物對所述目標細胞的預測藥物響應結果，包括：
18、通過所述目標模型的全連接層對所述第二融合向量進行預測，得到所述藥物化合物對所述目標細胞的預測藥物響應結果。
19、在一些實施方式中，所述多層次組學特征包括基因表達特征、拷貝數變異特征、基因突變狀態特征和甲基化狀態特征，所述測序模塊，還用于：
20、通過基因組測序儀，得到所述目標細胞對應的基因表達向量，將所述基因表達向量中每個目標基因的基因表達量作為對應目標基因的基因表達特征；
21、通過多種基因組測序方式對所述目標細胞的基因組進行測序，得到各目標基因的拷貝數變異狀態、基因突變狀態和甲基化狀態；
22、將所述拷貝數變異狀態轉化為二值化拷貝矩陣，并基于所述二值化拷貝矩陣確定每個目標基因的拷貝數變異特征；
23、將所述基因突變狀態轉化為二值突變矩陣，并基于所述二值突變矩陣確定每個目標基因的基因突變狀態特征；
24、將所述甲基化狀態轉化為二值甲基化矩陣，并基于所述二值甲基化矩陣確定所述每個目標基因的甲基化狀態特征。
25、在一些實施方式中，所述多種屬性關聯關系包括任意兩個目標基因編碼產生的蛋白質之間的關聯關系、任意兩個基因之間的基因通路關系以及任意兩個基因之間的相似性關系，所述藥物響應預測裝置還包括獲取模塊，用于：
26、獲取每個目標基因的預測蛋白質序列，并通過基因表達數據庫對任意兩個目標基因的預測蛋白質序列進行查詢，得到所述任意兩個目標基因產生的蛋白質之間的關聯關系；
27、通過生物信息數據庫對所述任意兩個目標基因的基因通路關系進行查詢，得到所述任意兩個目標基因的基因通路關系；
28、通過所述目標細胞對應的所述基因表達向量，確定所述任意兩個目標基因之間的皮爾遜相關系數，并基于所述皮爾遜相關系數，確定所述任意兩個目標基因之間的相似性關系。
29、在一些實施方式中，所述更新模塊，還用于：
30、通過預設的目標模型中的當前圖神經網絡層，針對上一圖神經網絡層更新的所述多邊緣圖中的每個圖節點，通過與相鄰的圖節點連接的所述多條交互邊進行多次消息傳遞，得到來自所述相鄰的圖節點的相鄰節點特征；
31、通過所述當前圖神經網絡層的節點級門控循環單元，根據所述相鄰節點特征對所述每個圖節點中的節點特征進行更新，得到所述每個圖節點更新后的節點特征；
32、在所述多邊緣圖的所述多個圖節點的節點特征更新完畢后，通過所述當前圖神經網絡層的圖級門控循環單元，對所述多邊緣圖進行全局節點特征的更新，并將更新后的多邊緣圖傳遞至下一圖神經網絡層；
33、重復通過預設的目標模型中的當前圖神經網絡層，針對上一圖神經網絡層更新的所述更新后的多邊緣圖中的每個圖節點，通過與相鄰的圖節點連接的所述多條交互邊進行多次消息傳遞，得到來自所述相鄰的圖節點本文檔來自技高網...
【技術保護點】
1.一種藥物響應預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的藥物響應預測方法，其特征在于，所述通過所述目標模型的全連接層對所述第一融合向量進行預測，得到所述藥物化合物對所述目標細胞的預測藥物響應結果之前，還包括：
3.根據權利要求1所述的藥物響應預測方法，其特征在于，所述多層次組學特征包括基因表達特征、拷貝數變異特征、基因突變狀態特征和甲基化狀態特征，所述對目標細胞中的多個目標基因進行基因測序，得到所述目標細胞的多層次組學特征，包括：
4.根據權利要求1所述的藥物響應預測方法，其特征在于，所述多種屬性關聯關系包括任意兩個目標基因編碼產生的蛋白質之間的關聯關系、任意兩個基因之間的基因通路關系以及任意兩個基因之間的相似性關系，所述任意兩個目標基因之間的多種屬性關聯關系通過以下方式獲取得到：
5.根據權利要求1所述的藥物響應預測方法，其特征在于，所述通過預設的目標模型中的多個圖神經網絡層，在每個圖神經網絡層中針對所述多邊緣圖中的每個圖節點，通過與相鄰的圖節點連接的所述多條交互邊進行多次消息傳遞，得到來自所述相鄰的圖節點的
6.根據權利要求1所述的藥物響應預測方法，其特征在于，所述通過所述目標模型的圖同構網絡層，獲取所述目標細胞對應的藥物化合物的藥物特征向量，包括：
7.根據權利要求1所述的藥物響應預測方法，其特征在于，所述目標模型通過以下方式訓練得到：
8.一種藥物響應預測裝置，其特征在于，所述裝置包括：
9.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現權利要求1至7任一項所述的藥物響應預測方法。
10.一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7任一項所述的藥物響應預測方法。
...【技術特征摘要】
1.一種藥物響應預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的藥物響應預測方法，其特征在于，所述通過所述目標模型的全連接層對所述第一融合向量進行預測，得到所述藥物化合物對所述目標細胞的預測藥物響應結果之前，還包括：
3.根據權利要求1所述的藥物響應預測方法，其特征在于，所述多層次組學特征包括基因表達特征、拷貝數變異特征、基因突變狀態特征和甲基化狀態特征，所述對目標細胞中的多個目標基因進行基因測序，得到所述目標細胞的多層次組學特征，包括：
4.根據權利要求1所述的藥物響應預測方法，其特征在于，所述多種屬性關聯關系包括任意兩個目標基因編碼產生的蛋白質之間的關聯關系、任意兩個基因之間的基因通路關系以及任意兩個基因之間的相似性關系，所述任意兩個目標基因之間的多種屬性關聯關系通過以下方式獲取得到：
5.根據權利要求1所述的藥物響應預測方法，其特征在于，所述通過預設的目標模型中的多個圖神經網絡層，在每個圖神經網絡層中針對所述多邊緣圖中的每...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。