[發明專利]藥物與細胞系反應的預測模型的訓練方法及相關裝置

在審

• 申請號: 202110996927.5
• 申請日: 2021-08-27
• 公開（公告）號: CN113707341A
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 李澤超;張捷
• 申請（專利權）人: 上海商湯智能科技有限公司
• 主分類號: G16H70/40
• 分類號: G16H70/40;G16C20/10;G06N3/04;G06N3/08
• 代理公司: 深圳市威世博知識產權代理事務所(普通合伙) 44280
• 代理人: 何倚雯

1.一種藥物與細胞系反應的預測模型的訓練方法，其特征在于，包括：

獲取訓練樣本集，所述訓練樣本集包括所述細胞系的基因數據、所述藥物的化合物數據以及所述藥物的化合物數據與所述細胞系的基因數據的反應結果標注；

將所述細胞系的基因數據和所述藥物的化合物數據輸入深度學習回歸模型進行預測，得到所述藥物的化合物數據與所述細胞系的基因數據的反應的預測結果；

利用所述反應的預測結果及所述藥物的化合物數據與所述細胞系的基因數據的反應結果標注對所述深度學習回歸模型進行迭代訓練，得到所述藥物與細胞系反應的預測模型。

2.根據權利要求1所述的訓練方法，其特征在于，所述利用所述反應的預測結果及所述藥物的化合物數據與所述細胞系的基因數據的反應結果標注對所述深度學習回歸模型進行迭代訓練，得到所述藥物與細胞系反應的預測模型包括：

計算所述反應的預測結果及所述藥物的化合物數據與所述細胞系的基因數據的反應結果標注的差值；

根據所述差值對所述深度學習回歸模型進行迭代訓練，得到所述藥物與細胞系反應的預測模型。

3.根據權利要求2所述的訓練方法，其特征在于，所述根據所述差值對所述深度學習回歸模型進行迭代訓練，得到所述藥物與細胞系反應的預測模型包括：

根據所述差值利用反向傳播方法對所述深度學習回歸模型進行迭代訓練，得到所述藥物與細胞系反應的預測模型。

4.根據權利要求1所述的訓練方法，其特征在于，所述獲取訓練樣本集包括：

獲取所述藥物的名稱，并根據所述藥物的名稱確定所述藥物對應的分子表達式和/或指紋表達式；

將所述分子表達式和/或指紋表達式整合為所述藥物的化合物數據；

獲取所述細胞系的名稱，并根據所述細胞系的名稱確定所述細胞系對應的基因表達數據、拷貝數變異以及點突變數據；

將所述細胞系對應的基因表達數據、拷貝數變異以及點突變數據整合為所述細胞系的基因數據。

5.根據權利要求4所述的訓練方法，其特征在于，所述將所述細胞系對應的基因表達數據、拷貝數變異以及點突變數據整合為所述細胞系的基因數據之前還包括：

對所述細胞系對應的基因表達數據、拷貝數變異以及點突變數據進行填充、歸一化、獨熱編碼中至少一種處理；

將處理后的所述細胞系對應的基因表達數據、拷貝數變異以及點突變數據整合為所述細胞系的基因數據。

6.根據權利要求1所述的訓練方法，其特征在于，所述藥物的化合物數據與所述細胞系的基因數據的反應結果標注包括：所述藥物與細胞系反應的標注IC50值；

所述藥物的化合物數據與所述細胞系的基因數據的反應的預測結果包括：所述藥物與細胞系反應的預測IC50值。

7.一種藥物與細胞系反應的預測模型的訓練裝置，其特征在于，包括：

訓練樣本獲取模塊，用于獲取訓練樣本集，所述訓練樣本集包括所述細胞系的基因數據、所述藥物的化合物數據以及所述藥物的化合物數據與所述細胞系的基因數據的反應結果標注；

模型預測模塊，用于將所述細胞系的基因數據和所述藥物的化合物數據輸入深度學習回歸模型進行預測，得到所述藥物的化合物數據與所述細胞系的基因數據的反應的預測結果；

迭代訓練模塊，用于利用所述反應的預測結果及所述藥物的化合物數據與所述細胞系的基因數據的反應結果標注對所述深度學習回歸模型進行迭代訓練，得到所述藥物與細胞系反應的預測模型。

8.一種藥物與細胞系反應的預測方法，其特征在于，所述預測方法基于藥物與細胞系反應的預測模型實現，所述藥物與細胞系反應的預測模型通過上述權利要求1～6任一項所述的訓練方法訓練所得；所述預測方法包括：

獲取預測樣本集，所述預測樣本集包括所述細胞系的樣本基因數據、所述藥物的樣本化合物數據；

利用所述藥物與細胞系反應的預測模型對所述預測樣本集進行處理，得到所述藥物與細胞系反應的預測結果。