【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及智能醫(yī)療，特別是涉及一種基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法。
技術(shù)介紹
1、藥物協(xié)同關(guān)系對(duì)于提高癌癥治療效果至關(guān)重要。癌癥的復(fù)雜機(jī)制給有效治療帶來(lái)了重大挑戰(zhàn)，藥物治療即使初期有效，最終也可能會(huì)出現(xiàn)耐藥性。研究表明，傳統(tǒng)的單一化合物靶向單一分子的治療方法并不總是有效。因此，預(yù)測(cè)藥物協(xié)同關(guān)系對(duì)臨床進(jìn)行輔助決策具有重大意義。
2、預(yù)測(cè)藥物協(xié)同關(guān)系是一項(xiàng)復(fù)雜且艱巨的任務(wù)。考慮到通過(guò)臨床試驗(yàn)和高通量篩選選擇有效的藥物組合既耗時(shí)又費(fèi)力，因此這種方法是不切實(shí)際的。計(jì)算方法已成為一種可行的替代方案，主要包括數(shù)學(xué)方法和機(jī)器學(xué)習(xí)方法。盡管數(shù)學(xué)方法因其對(duì)大數(shù)據(jù)集的處理能力有限且依賴于先驗(yàn)知識(shí)而受到阻礙，但傳統(tǒng)的機(jī)器學(xué)習(xí)方法，如隨機(jī)森林、支持向量機(jī)和邏輯回歸，能夠取得相對(duì)不錯(cuò)的結(jié)果。然而，這些方法仍落后于基于表型的前沿深度學(xué)習(xí)方法。這些方法通過(guò)在細(xì)胞系中訓(xùn)練模型來(lái)預(yù)測(cè)藥物協(xié)同關(guān)系，通常將兩個(gè)藥物、一個(gè)細(xì)胞系和一個(gè)協(xié)同關(guān)系標(biāo)簽作為一個(gè)四元組來(lái)表示樣本。然而，這些方法通常只是簡(jiǎn)單地將這四條信息連接在一起，可能忽略了它們之間復(fù)雜的相互關(guān)系。近年來(lái)，基于圖模型的方法在捕捉藥物組合與細(xì)胞系之間的高階依賴關(guān)系方面展現(xiàn)了其有效性。超圖為建模藥物協(xié)同關(guān)系數(shù)據(jù)提供了一個(gè)天然適合的框架。
3、但是現(xiàn)有基于超圖的藥物協(xié)同關(guān)系預(yù)測(cè)方法面臨著標(biāo)簽稀疏的問(wèn)題，這導(dǎo)致訓(xùn)練時(shí)所用超圖的超邊稀疏，限制了模型效果。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助
2、一種基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其包括：
3、s1，獲取包括若干個(gè)樣本數(shù)據(jù)的原始藥物協(xié)同關(guān)系數(shù)據(jù)集，所述樣本數(shù)據(jù)為藥物-藥物-細(xì)胞系-實(shí)際協(xié)同關(guān)系的四元組數(shù)據(jù)；
4、s2，基于各所述樣本數(shù)據(jù)構(gòu)建訓(xùn)練超圖，并對(duì)所述訓(xùn)練超圖進(jìn)行增強(qiáng)操作得到第一增強(qiáng)視圖和第二增強(qiáng)視圖，基于所述訓(xùn)練超圖、所述第一增強(qiáng)視圖和所述第二增強(qiáng)視圖對(duì)圖卷積網(wǎng)絡(luò)、全連接網(wǎng)絡(luò)、超圖神經(jīng)網(wǎng)絡(luò)和預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行對(duì)比訓(xùn)練，得到訓(xùn)練好的所述圖卷積網(wǎng)絡(luò)、所述全連接網(wǎng)絡(luò)、所述超圖神經(jīng)網(wǎng)絡(luò)和所述預(yù)測(cè)網(wǎng)絡(luò)；
5、s3，基于訓(xùn)練好的所述圖卷積網(wǎng)絡(luò)對(duì)待測(cè)數(shù)據(jù)集中的藥物進(jìn)行特征提取，得到若干個(gè)待測(cè)藥物分子表征；基于訓(xùn)練好的所述全連接網(wǎng)絡(luò)對(duì)待測(cè)數(shù)據(jù)集中的若干個(gè)細(xì)胞系進(jìn)行特征提取，得到若干個(gè)待測(cè)細(xì)胞系分子表征；基于訓(xùn)練好的所述圖卷積網(wǎng)絡(luò)對(duì)各所述樣本數(shù)據(jù)的藥物進(jìn)行特征提取，得到若干個(gè)樣本藥物分子表征；基于訓(xùn)練好的所述全連接網(wǎng)絡(luò)對(duì)各所述樣本數(shù)據(jù)中的細(xì)胞系進(jìn)行特征提取，得到若干個(gè)樣本細(xì)胞系分子表征；
6、s4，以各所述樣本藥物分子表征和各所述樣本細(xì)胞系分子表征為樣本頂點(diǎn)構(gòu)建樣本超圖，以各所述待測(cè)藥物分子表征和各所述待測(cè)細(xì)胞系分子表征為待測(cè)頂點(diǎn)更新到所述樣本超圖中，得到待測(cè)超圖；
7、s5，將所述待測(cè)超圖輸入到訓(xùn)練好的所述超圖神經(jīng)網(wǎng)絡(luò)中得到各所述待測(cè)頂點(diǎn)的嵌入表示；
8、s6，將各所述待測(cè)頂點(diǎn)的嵌入表示輸入到訓(xùn)練好的所述預(yù)測(cè)網(wǎng)絡(luò)中得到所述待測(cè)數(shù)據(jù)集中各藥物的協(xié)同關(guān)系。
9、可選地，所述s2包括：
10、s21，使用圖卷積網(wǎng)絡(luò)對(duì)所述樣本數(shù)據(jù)中的藥物進(jìn)行特征提取，得到若干個(gè)訓(xùn)練藥物分子表征；使用全連接網(wǎng)絡(luò)對(duì)各所述樣本數(shù)據(jù)中的細(xì)胞系進(jìn)行特征提取，得到若干個(gè)訓(xùn)練細(xì)胞系分子表征；
11、s22，以各所述訓(xùn)練藥物分子表征和各所述訓(xùn)練細(xì)胞系分子表征為訓(xùn)練頂點(diǎn)，在具有拮抗作用的藥物所對(duì)應(yīng)的訓(xùn)練藥物分子表征之間添加邊，得到藥物關(guān)系矩陣，在相似性大于相似設(shè)定值的細(xì)胞系所對(duì)應(yīng)的訓(xùn)練細(xì)胞系分子表征之間添加邊，得到細(xì)胞系相似性矩陣，在協(xié)同關(guān)系大于關(guān)系閾值所對(duì)應(yīng)的訓(xùn)練藥物分子表征和訓(xùn)練細(xì)胞系分子表征之間添加超邊，得到超邊矩陣和所述訓(xùn)練超圖，并對(duì)所述訓(xùn)練超圖進(jìn)行增強(qiáng)操作得到所述第一增強(qiáng)視圖和所述第二增強(qiáng)視圖；
12、s23，基于所述超圖神經(jīng)網(wǎng)絡(luò)得到所述訓(xùn)練超圖中各訓(xùn)練頂點(diǎn)的嵌入表示、所述第一增強(qiáng)視圖中各訓(xùn)練頂點(diǎn)的嵌入表示和所述第二增強(qiáng)視圖中各訓(xùn)練頂點(diǎn)的嵌入表示；
13、s24，將各所述樣本數(shù)據(jù)對(duì)應(yīng)的所述訓(xùn)練超圖中各所述訓(xùn)練頂點(diǎn)的嵌入表示作為一個(gè)集合，得到若干個(gè)訓(xùn)練嵌入集合，將各所述訓(xùn)練嵌入集合輸入到所述預(yù)測(cè)網(wǎng)絡(luò)中，得到若干個(gè)訓(xùn)練預(yù)測(cè)協(xié)同關(guān)系；基于投影頭對(duì)所述第一增強(qiáng)視圖中各訓(xùn)練頂點(diǎn)的嵌入表示和所述第二增強(qiáng)視圖中各訓(xùn)練頂點(diǎn)的嵌入表示進(jìn)行轉(zhuǎn)換，得到第一對(duì)比學(xué)習(xí)參考數(shù)據(jù)和第二對(duì)比學(xué)習(xí)參考數(shù)據(jù)；
14、s25，基于所述訓(xùn)練預(yù)測(cè)協(xié)同關(guān)系、所述第一對(duì)比學(xué)習(xí)參考數(shù)據(jù)和所述第二對(duì)比學(xué)習(xí)參考數(shù)據(jù)獲得目標(biāo)損失函數(shù)值，并基于所述目標(biāo)損失函數(shù)值對(duì)所述圖卷積網(wǎng)絡(luò)、所述全連接網(wǎng)絡(luò)、所述超圖神經(jīng)網(wǎng)絡(luò)、所述預(yù)測(cè)網(wǎng)絡(luò)和所述投影頭進(jìn)行優(yōu)化更新；
15、s26，重復(fù)執(zhí)行s21-s25，得到訓(xùn)練好的所述圖卷積網(wǎng)絡(luò)、訓(xùn)練好的所述全連接網(wǎng)絡(luò)、訓(xùn)練好的所述超圖神經(jīng)網(wǎng)絡(luò)和訓(xùn)練好的所述預(yù)測(cè)網(wǎng)絡(luò)。可選地，藥物的分子圖表示為，其中代表藥物分子中個(gè)原子的維特征向量集合，代表原子之間的連接矩陣，表示藥物分子中的原子鍵，表示實(shí)數(shù)集；細(xì)胞系使用651個(gè)基因表達(dá)；可選地，所述圖卷積網(wǎng)絡(luò)包括k層更新層和最大池化層；所述更新層表達(dá)式為：；
16、式中：表示第個(gè)藥物，表示第個(gè)藥物的第個(gè)原子，為更新層的激活函數(shù)，表示第個(gè)藥物的第個(gè)原子在第層更新層的更新特征，表示第個(gè)藥物的第個(gè)原子在第層更新層的更新特征，為第個(gè)藥物在第層更新層的參數(shù)矩陣，，為第個(gè)藥物的度數(shù)矩陣，所述最大池化層表達(dá)式為：；
17、式中：表示第個(gè)藥物的藥物分子表征，表示第個(gè)藥物第個(gè)原子在第層更新層的更新特征；；
18、式中：
19、細(xì)胞系分子表征表達(dá)式為：表示第個(gè)細(xì)胞系的細(xì)胞系分子表征，為全連接網(wǎng)絡(luò)的激活函數(shù)，表示651個(gè)基因表達(dá)，表示全連接網(wǎng)絡(luò)第0層的參數(shù)矩陣，表示全連接網(wǎng)絡(luò)第層的參數(shù)矩陣，為全連接網(wǎng)絡(luò)的層數(shù)。
20、可選地，所述超圖神經(jīng)網(wǎng)絡(luò)包括若干個(gè)超邊卷積層；
21、當(dāng)所述待測(cè)超圖中的頂點(diǎn)為樣本頂點(diǎn)時(shí)，所述超邊卷積層表達(dá)式為：；
22、當(dāng)所述待測(cè)超圖中的頂點(diǎn)為待測(cè)頂點(diǎn)時(shí)，所述超邊卷積層表達(dá)式為：；
23、式中：表示第層超邊卷積層，表示待測(cè)超圖的頂點(diǎn)在第層超邊卷積層的分子表征，表示超圖的頂點(diǎn)在第層超邊卷積層的分子表征，是超邊矩陣，表示超邊度數(shù)矩陣，表示頂點(diǎn)度數(shù)矩陣，表示超邊權(quán)重矩陣，表示第層超邊卷積層的特征提取矩陣，為轉(zhuǎn)置。
24、可選地，所述訓(xùn)練嵌入集合包括兩個(gè)訓(xùn)練藥物嵌入表示和一個(gè)訓(xùn)練細(xì)胞系嵌入表示，兩個(gè)所述訓(xùn)練藥物嵌入表示對(duì)應(yīng)所述樣本數(shù)據(jù)中的兩個(gè)藥物，將兩個(gè)所述訓(xùn)練藥物嵌入分別定義為第一訓(xùn)練藥物嵌入表示和第二訓(xùn)練藥物嵌入表示；
25、所述預(yù)測(cè)網(wǎng)絡(luò)表達(dá)式為：；
26、式中：表示訓(xùn)練預(yù)測(cè)協(xié)同關(guān)系，表示第一訓(xùn)練藥物嵌入表本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，其包括：
2.根據(jù)權(quán)利要求1所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，所述S2包括：
3.根據(jù)權(quán)利要求1所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，藥物的分子圖表示為，其中代表藥物分子中?n?個(gè)原子的f?維特征向量集合，代表原子之間的連接矩陣，表示藥物分子中的原子鍵，R表示實(shí)數(shù)集；細(xì)胞系使用651個(gè)基因表達(dá)。
4.根據(jù)權(quán)利要求3所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，所述圖卷積網(wǎng)絡(luò)包括K層更新層和最大池化層；
5.根據(jù)權(quán)利要求1所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，所述超圖神經(jīng)網(wǎng)絡(luò)包括若干個(gè)超邊卷積層；
6.根據(jù)權(quán)利要求2所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，所述訓(xùn)練嵌入集合包括兩個(gè)訓(xùn)練藥物嵌入表示和一個(gè)訓(xùn)練細(xì)胞系嵌入表示，兩個(gè)所述訓(xùn)練藥物嵌入表示對(duì)應(yīng)所述樣本數(shù)據(jù)中的兩個(gè)藥物，將兩個(gè)所述訓(xùn)練藥物嵌入分別定義為第一訓(xùn)練藥物嵌入表示和第二訓(xùn)練藥物嵌入表示；
7.根據(jù)權(quán)利要求2所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，所述目標(biāo)損失函數(shù)值表達(dá)式為：；
8.根據(jù)權(quán)利要求7所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，預(yù)測(cè)網(wǎng)絡(luò)損失值表達(dá)式為：；
9.根據(jù)權(quán)利要求7所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，所述第一對(duì)比學(xué)習(xí)參考數(shù)據(jù)包括第一藥物對(duì)比學(xué)習(xí)參考數(shù)據(jù)和第一細(xì)胞系對(duì)比學(xué)習(xí)參考數(shù)據(jù)，所述第二對(duì)比學(xué)習(xí)參考數(shù)據(jù)包括第二藥物對(duì)比學(xué)習(xí)參考數(shù)據(jù)和第二細(xì)胞系對(duì)比學(xué)習(xí)參考數(shù)據(jù)；
10.根據(jù)權(quán)利要求9所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，細(xì)胞系對(duì)比學(xué)習(xí)損失值表達(dá)式為：；；式中，表示細(xì)胞系對(duì)比損失函數(shù)，為細(xì)胞系集合，為各所述樣本數(shù)據(jù)中包含的細(xì)胞系的總數(shù)量，表示第一細(xì)胞系對(duì)比學(xué)習(xí)參考數(shù)據(jù)中第i個(gè)值，為第i個(gè)細(xì)胞系對(duì)應(yīng)的第一個(gè)對(duì)比的值，表示第二細(xì)胞系對(duì)比學(xué)習(xí)參考數(shù)據(jù)中第i個(gè)值，為第i個(gè)細(xì)胞系對(duì)應(yīng)的第二個(gè)對(duì)比的值，為細(xì)胞系相似矩陣中第行第列的值，代表第個(gè)細(xì)胞系和第個(gè)細(xì)胞系的相似性是否大于相似設(shè)定值。
...【技術(shù)特征摘要】
1.一種基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，其包括：
2.根據(jù)權(quán)利要求1所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，所述s2包括：
3.根據(jù)權(quán)利要求1所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，藥物的分子圖表示為，其中代表藥物分子中?n?個(gè)原子的f?維特征向量集合，代表原子之間的連接矩陣，表示藥物分子中的原子鍵，r表示實(shí)數(shù)集；細(xì)胞系使用651個(gè)基因表達(dá)。
4.根據(jù)權(quán)利要求3所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，所述圖卷積網(wǎng)絡(luò)包括k層更新層和最大池化層；
5.根據(jù)權(quán)利要求1所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，所述超圖神經(jīng)網(wǎng)絡(luò)包括若干個(gè)超邊卷積層；
6.根據(jù)權(quán)利要求2所述的基于知識(shí)增強(qiáng)超圖對(duì)比學(xué)習(xí)的癌癥輔助決策方法，其特征在于，所述訓(xùn)練嵌入集合包括兩個(gè)訓(xùn)練藥物嵌入表示和一個(gè)訓(xùn)練細(xì)胞系嵌入表示，兩個(gè)所述訓(xùn)練藥物嵌入表示對(duì)應(yīng)所述樣本數(shù)據(jù)中的兩個(gè)藥物，將兩個(gè)所述訓(xùn)練藥物嵌入分別定義為第一訓(xùn)練藥物嵌入表示和第二...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：周斌彬，王維坤，孔睿鶯，鄭增威，周展，張藝桐，
申請(qǐng)(專利權(quán))人：浙大城市學(xué)院，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。