[發明專利]基于深度學習和基因表達數據的化合物肝毒性早期預測方法

有效

• 申請號: 201910546943.7
• 申請日: 2019-06-24
• 公開（公告）號: CN110517790B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 馮春來;陳恒巍;季薇;芮蒙杰
• 申請（專利權）人: 江蘇大學
• 主分類號: G16H70/40
• 分類號: G16H70/40
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及計算機輔助藥物篩選領域，具體地說是涉及一種基于深度學習和基因表達數據的化合物肝毒性的早期預測方法，其包括以下步驟：(1)化合物毒理學基因表達數據的挖掘與預處理；(2)肝毒性特征基因的挑選；(3)基于肝毒性特征基因的表達數據建立深度學習預測模型；(4)模型的參數優化與性能提升。本方法將藥物基因組學與人工智能深度學習算法充分結合，克服了傳統化合物肝毒性預測方法的局限性，實現了通過基因水平系統地對化合物遲發性肝毒性進行早期預測，從而為新藥研發過程中的臨床前毒性安全評估及臨床合理用藥提供一種高效、準確、快速的化合物肝毒性預測方法。

技術領域

本發明涉及計算機輔助藥物篩選領域，具體地說是涉及一種基于深度學習和基因表達數據的化合物肝毒性的早期預測方法，適用于根據基因表達數據對化合物肝毒性進行早期預測。

背景技術

藥物肝毒性是導致新藥研究失敗和臨床藥物撤市的一個重要因素。據統計在新藥研發過程中因候選藥物肝毒性而導致失敗的比例為37％，在臨床應用中因藥物肝毒性而導致藥物撤市的比例為18％，因此，在藥物研發早期以及臨床使用中對藥物肝毒性進行預測對于提高研發成功率和合理用藥具有重要意義。由于藥物肝毒性發生機制復雜，如何提高藥物肝毒性預測的準確性以及適用性，特別是對遲發性藥物肝毒性的預測依然面臨重大挑戰。

傳統的藥物肝毒性預測方法主要是基于體內外實驗模型對藥物的毒性安全進行評估，該方法需要大量的活體動物進行實驗基礎，具有實驗周期長、耗費高等缺點。隨著安全、環保、動物保護等方面的法規要求日益嚴格，全球化的市場競爭也要求藥物開發周期大幅縮減，因此如何克服傳統藥物肝毒性預測方法所存在的缺點，開發高效的藥物肝毒性評估方法具有重要意義。隨著信息技術的發展，國內外研究開始嘗試利用機器學習與化合物結構特征建立計算模型來進行藥物肝毒性預測，但其往往面臨以下問題：1)易受單一化合物結構的限制，對于結構多樣性的化合物的肝毒性預測往往準確率較低；2)預測結果缺乏生物學意義，無法從生物作用機制系統地解釋預測結果；3)無法對遲發性的藥物肝毒性進行早期預測；4)傳統的機器學習方法無法從大數據中自動學習特征信息，需要大量的人工特征挑選。因此，針對以上方法的局限性，本發明提供了一種基于深度學習和基因表達數據的化合物肝毒性預測方法，能夠通過基因水平系統地對化合物遲發性肝毒性進行早期預測。

發明內容

本發明克服現有技術存在的不足，公開了一種基于深度學習算法(Deep?LearningAlgorithm,DL)和基因表達數據的化合物肝毒性的早期預測方法，本方法將藥物基因組學與人工智能深度學習算法充分結合，克服了傳統化合物肝毒性預測方法的局限性，實現了通過基因水平系統地對化合物遲發性肝毒性進行早期預測，從而為新藥研發過程中的毒性安全評估及臨床合理用藥提供一種高效、準確、快速的化合物肝毒性預測方法。

本發明的目的可以通過以下技術路線(圖1)來實現：

1.一種基于深度學習和基因表達數據的化合物肝毒性早期預測方法，其特征在于，包括如下步驟：

步驟一：通過從公共生物醫學數據庫中對化合物作用后的基因表達數據進行挖掘，將得到的原始數據進行數據清洗與標準化，構建建模數據樣本；

步驟二：通過基因差異表達分析與特征權重計算篩選肝毒性特征基因，作為最終模型樣本特征；

步驟三：基于深度學習算法構建預測模型，將篩選得到的肝毒性特征基因的表達數據用于模型的訓練與學習；

步驟四：通過網格搜索算法與交叉驗證對模型的關鍵參數進行優化，提高模型的預測性能。

2.所述步驟一包括如下步驟：

1.1通過從公共生物醫學數據庫中收集來自同一基因芯片測定的化合物作用后的基因表達數據；