[發明專利]目標藥物敏感度預測方法、裝置、終端設備及存儲介質

在審

• 申請號: 202010401840.4
• 申請日: 2020-05-13
• 公開（公告）號: CN111724911A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 牛鋼;薛宜青;范彥輝;張春明;汪亞菲;張強祖;袁碧清;倪思桓
• 申請（專利權）人: 深圳哲源生物科技有限責任公司
• 主分類號: G16H70/40
• 分類號: G16H70/40;G16B20/20;G06K9/62
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 任敏

1.一種目標藥物敏感度預測方法，其特征在于，包括：

獲取待測用戶的臨床因素信息和單核苷酸多態性SNPs位點信息，所述SNPs位點信息為所述待測用戶的基因中會與目標藥物產生作用的位點信息；

根據所述SNPs位點信息提取SNPs信息特征，并根據所述臨床因素信息提取臨床因素特征；

根據所述SNPs信息特征和所述臨床因素特征，對所述待測用戶服用所述目標藥物時的敏感度進行預測。

2.如權利要求1所述的目標藥物敏感度預測方法，其特征在于，所述獲取待測用戶的臨床因素信息和單核苷酸多態性SNPs位點信息，包括：

獲取所述待測用戶的臨床因素信息和初始SNPs位點信息；

在SNPs位點數據庫中獲取會與所述目標藥物產生作用的第一SNPs位點信息；

從所述初始SNPs位點信息中篩選出與所述第一SNPs位點信息相同的位點信息，作為所述待測用戶的SNPs位點信息。

3.如權利要求1所述的目標藥物敏感度預測方法，其特征在于，所述根據所述SNPs位點信息提取SNPs信息特征，并根據所述臨床因素信息提取臨床因素特征，包括：

清洗所述SNPs位點信息和所述臨床因素信息，得到第二SNPs位點信息以及第一臨床因素信息；

根據所述第二SNPs位點信息的數據特性，對所述第二SNPs位點信息進行標準化處理，獲得所述第二SNPs位點信息的SNPs信息特征；

根據所述第一臨床因素信息的數據特性，對所述第一臨床因素信息進行標準化處理，獲得所述第一臨床因素信息的臨床因素特征。

4.如權利要求1所述的目標藥物敏感度預測方法，所述根據所述SNPs信息特征和所述臨床因素特征，對所述待測用戶服用所述目標藥物時的敏感度進行預測，包括：

將所述SNPs信息特征和所述臨床因素特征輸入第一模型進行預測，得到所述待測用戶服用所述目標藥物時的敏感度；

其中，所述第一模型通過如下步驟進行訓練得到：

獲取訓練數據，所述訓練數據包括多個訓練用戶的訓練臨床因素信息和訓練SNPs位點信息；

根據所述訓練SNPs位點信息提取訓練SNPs信息特征，并根據所述訓練臨床因素信息提取訓練臨床因素特征；

將所述訓練SNPs信息特征和訓練臨床因素特征輸入至初始第一模型進行訓練，得到所述訓練用戶的藥物敏感度的第一初始預測值；

根據所述訓練用戶的藥物敏感度的真實值和所述第一初始預測值，確定所述訓練用戶的訓練損失；

根據所述訓練損失迭代更新所述初始第一模型的模型參數；

若在迭代更新過程中所述訓練損失收斂，則結束訓練所述初始第一模型，并將當前的初始第一模型作為已訓練的第一模型；

若在迭代更新過程中所述訓練損失未收斂，則調整所述初始第一模型的模型參數，并返回執行所述將所述訓練SNPs信息特征和訓練臨床因素特征輸入至初始第一模型進行訓練，得到所述訓練用戶的藥物敏感度的第一初始預測值的步驟，直到所述訓練損失收斂。

5.如權利要求4所述的目標藥物敏感度預測方法，所述已訓練的第一模型包括多個；在所述將所述訓練SNPs信息特征和訓練臨床因素特征輸入至初始第一模型進行訓練，得到所述訓練用戶的藥物敏感度的第一初始預測值之后，還包括：

將所述訓練SNPs信息特征和訓練臨床因素特征輸入至多個初始第一模型進行訓練，對應得到多個已訓練的第一模型；

獲取測試數據，所述測試數據包括測試用戶的測試SNPs信息特征和測試臨床因素特征；

將所述測試數據分別輸入至所有所述已訓練的第一模型中，對應獲得基于各個已訓練第一模型進行預測后的第二初始預測值；

根據所述第二初始預測值，在多個已訓練第一模型中確定最優的第一模型。