CN112768029B - 一种基于单细胞测序的组合用药推荐设备、方法及介质 - Google Patents
一种基于单细胞测序的组合用药推荐设备、方法及介质 Download PDFInfo
- Publication number
- CN112768029B CN112768029B CN202011571913.0A CN202011571913A CN112768029B CN 112768029 B CN112768029 B CN 112768029B CN 202011571913 A CN202011571913 A CN 202011571913A CN 112768029 B CN112768029 B CN 112768029B
- Authority
- CN
- China
- Prior art keywords
- sequencing
- medication
- mode
- immune
- cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于单细胞测序的组合用药推荐设备、方法及介质，所述设备包括：测序模块，获取肿瘤样本信息，以单细胞转录组测序技术进行测序，获得测序数据；预处理模块，对测序数据进行预处理，获得表达数据；特征提取模块，对表达数据进行免疫相关特征的提取，基于所述免疫相关特征及预先构建的机器学习模型，获得相应的免疫能力评估值；选择模块根据免疫能力评估值选择用药方式，生成二部图结构模型；优化模型构建求解模块根据二部图结构模型及获取的目标和约束条件，构建多目标优化模型，对所述多目标优化模型进行蒙特卡洛算法求解，基于所述最优解生成推荐的用药方案。与现有技术相比，本发明具有针对性强、效率高等优点。
Description
技术领域
本发明涉及医药技术领域，尤其是涉及一种基于单细胞测序的组合用药推荐设备。
背景技术
“合理用药”一直以来都是相关单位、相关个人等关心的重点，这与患者的身体健康有着密切的联系，用药不合理会导致患者病症无法好转，甚至会给患者的生命安全带来威胁。可见，如何为患者推荐合理的用药方案显得尤为重要。
当前，为患者推荐合理的用药方案主要依赖于医生对患者的诊断结果以及药品的出厂说明书内容。然而，实践发现，药品的出厂说明书内容有限，这降低了为患者推荐出的用药方案的合理性以及安全性。
另外，对于癌症的组合用药方案一般只关注于肿瘤组织本身，限制了肿瘤治疗的效率。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种效率高、更个性化的基于单细胞测序的组合用药推荐设备、方法及介质。
本发明的目的可以通过以下技术方案来实现：
一种基于单细胞测序的组合用药推荐设备，包括：
数据库模块，用于存储和更新可用药物数据；
测序模块，用于获取肿瘤样本信息，并对该肿瘤样本信息以单细胞转录组测序技术进行测序，获得测序数据；
预处理模块，用于对所述测序数据进行预处理，获得表达数据；
特征提取模块，用于对所述表达数据进行免疫相关特征的提取，基于所述免疫相关特征及预先构建的机器学习模型，获得相应的免疫能力评估值；
选择模块，用于根据所述免疫能力评估值选择用药方式，判断用药方式是否为单一抗体给药方式，若是，则生成推荐的用药方案，若否则基于所述用药方式调用所述数据库模块，生成二部图结构模型；
优化模型构建求解模块，在获得所述二部图结构模型时响应，用于根据所述二部图结构模型及获取的目标和约束条件，构建多目标优化模型，对所述多目标优化模型进行蒙特卡洛算法求解，基于所述最优解生成推荐的用药方案，该用药方案包括多组用药组合；
输出模块，用于输出所述用药方案。
进一步地，所述预处理包括量纲统一、批次效应消除、drop out问题消除和细胞类型标注。
进一步地，所述细胞类型包括恶性肿瘤细胞和肿瘤微环境细胞。
进一步地，所述免疫相关特征包括肿瘤恶性细胞特征和肿瘤免疫微环境特征，所述肿瘤恶性细胞特征包括关键基因表达和肿瘤细胞异质性，所述肿瘤免疫微环境特征包括免疫细胞密度、免疫细胞多样性和免疫细胞耗竭程度。
进一步地，所述特征提取模块中采用决策树模型获取免疫能力评估值。
进一步地，所述选择模块中，根据所述免疫能力评估值选择用药方式具体为：
若免疫能力评估值大于等于高阈值，则用药方式采用单一抗体给药方式；若免疫能力评估值大于低阈值且小于高阈值，则用药方式采用改善免疫微环境并联合抗体的给药方式，若免疫能力评估值小于等于低阈值，则用药方式采用基于靶向治疗的给药方式。
进一步地，若用药方式为改善免疫微环境并联合抗体的给药方式，则所述生成二部图结构模型具体为：
基于所述免疫相关特征对肿瘤微环境细胞进行伪时间分析，获取致免疫微环境恶化的细胞发育轨迹预测结果，基于该轨迹预测结果调用所述数据库模块获取对应的药物信息，基于药物信息获取药物之间的拮抗作用，构建所述二部图结构模型。
进一步地，若用药方式为基于靶向治疗的给药方式，则所述生成二部图结构模型具体为：
采用图优化聚类算法对所述免疫相关特征进行处理，调用所述数据库模块获取对应的药物信息，获得药物对于样本细胞簇的响应及药物之间的拮抗作用，构建所述二部图结构模型。
本发明还提供一种基于单细胞测序的组合用药推荐方法，包括以下步骤：
1)获取肿瘤样本信息，并对该肿瘤样本信息以单细胞转录组测序技术进行测序，获得测序数据；
2)对所述测序数据进行预处理，获得表达数据；
3)对所述表达数据进行免疫相关特征的提取，基于所述免疫相关特征及预先构建的机器学习模型，获得相应的免疫能力评估值；
4)根据所述免疫能力评估值选择用药方式，判断用药方式是否为单一抗体给药方式，若是，则生成推荐的用药方案，执行步骤6)，若否则基于所述用药方式调用药物数据库，生成二部图结构模型；
5)根据所述二部图结构模型及获取的目标和约束条件，构建多目标优化模型，对所述多目标优化模型进行蒙特卡洛算法求解，基于所述最优解生成推荐的用药方案；
6)输出所述用药方案。
本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行述基于单细胞测序的组合用药推荐方法的指令。
进一步地，所述一个或多个程序基于R语言编写。
与现有技术相比，本发明具有以下有益效果：
1、本发明以高分辨率的单细胞测序数据作为输入加以分析，从而实现了更精准高效的用药方案推荐。
2、本发明考虑肿瘤恶性细胞和肿瘤微环境细胞两种类型的特征实现样本免疫能力的评估，可靠性高。
3、本发明考虑样本免疫能力评估结果、对于药物的响应、药物之间的拮抗作用等确定最终的用药方案，具有针对性，精准高效。
4、在多目标优化模型中，本发明全面考虑了药物之间的拮抗作用、副作用、药物敏感度等因素。因此模型的结果给出的药物组合方案具有多种优势，如最好的治疗效果，最小副作用，耐药性的预防，这使得本发明具更高的意义和应用价值。
5、本发明采用自动化程序实现方式，极大地降低了使用门槛，提高了工作效率。
6、采用本发明设备获得的用药方案具体有对于肿瘤病人作用好、副作用少、耐药性预防、个性化等优点。
附图说明
图1为本发明的工作流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明提供一种基于单细胞测序的组合用药推荐设备，包括数据库模块、测序模块、预处理模块、特征提取模块、选择模块、优化模型构建求解模块和输出模块，其中，数据库模块用于存储和更新可用药物数据；测序模块用于获取肿瘤样本信息，并对该肿瘤样本信息以单细胞转录组测序技术进行测序，获得测序数据；预处理模块用于对所述测序数据进行预处理，获得表达数据；特征提取模块用于对所述表达数据进行免疫相关特征的提取，基于所述免疫相关特征及预先构建的机器学习模型，获得相应的免疫能力评估值；选择模块用于根据所述免疫能力评估值自动选择用药方式，判断用药方式是否为单一抗体给药方式，若是，则生成推荐的用药方案，若否则基于所述用药方式调用所述数据库模块，建立数学模型来预测抗癌药物数据库中各种药物对病人的作用，生成二部图结构模型；优化模型构建求解模块在获得所述二部图结构模型时响应，用于根据所述二部图结构模型及获取的目标和约束条件，构建多目标优化模型，对所述多目标优化模型进行蒙特卡洛算法求解，基于所述最优解生成推荐的用药方案，该用药方案包括多组用药组合；输出模块用于输出所述用药方案。
测序模块中，获取肿瘤样本信息，进行单细胞测序，得到表达谱数据和metadata数据。
预处理模块中，所述预处理包括量纲统一、批次效应消除、drop out问题消除和细胞类型标注，使用python和R语言脚本解决了基因表达量的量纲不统一问题、批次效应问题以及基因的drop out问题。所述细胞类型包括恶性肿瘤细胞和肿瘤微环境细胞。
特征提取模块中，基于处理好的表达谱数据和metadata数据，分析和计算与样本免疫能力高度相关的特征值，包括肿瘤恶性细胞特征和肿瘤免疫微环境特征，所述肿瘤恶性细胞特征包括E、H，所述肿瘤免疫微环境特征包括ρ、V、X：
E-关键基因表达量，使用脚本计算得出离散度较大的差异gene，再根据文献挖掘筛选其中的关键基因，最后使用R检索这些gene的表达量并将其标准化；
H-肿瘤细胞异质性，将表达谱数据带入到图聚类算法后得到；
ρ-免疫细胞密度，将免疫细胞的数量与样本相数量比较得出；
V-免疫细胞多样性，将样本的免疫细胞种类比对到本发明建立的免疫细胞库后得出；
X-免疫细胞耗竭程度，由耗竭的免疫细胞在所有免疫细胞中所占的比例得出。
以这些特征作为病人的属性，以病人在reist标准下的评价作为标签，训练决策树模型，基于模型决策树模型使用特征的数值预测病人的免疫能力。
所述选择模块中，根据所述免疫能力评估值选择用药方式具体为：若免疫能力评估值大于等于高阈值，则用药方式采用单一抗体给药方式；若免疫能力评估值大于低阈值且小于高阈值，则用药方式采用改善免疫微环境并联合抗体的给药方式，若免疫能力评估值小于等于低阈值，则用药方式采用基于靶向治疗的给药方式。
若用药方式为改善免疫微环境并联合抗体的给药方式，则所述生成二部图结构模型具体为：
基于所述免疫相关特征对肿瘤微环境细胞进行伪时间分析，获取致免疫微环境恶化的细胞发育轨迹预测结果，基于该轨迹预测结果调用所述数据库模块获取对应的药物信息，基于药物信息获取药物之间的拮抗作用，构建所述二部图结构模型。
若用药方式为基于靶向治疗的给药方式，则所述生成二部图结构模型具体为：
采用图优化聚类算法对所述免疫相关特征进行处理，调用所述数据库模块获取对应的药物信息，获得药物对于样本细胞簇的响应及药物之间的拮抗作用，构建所述二部图结构模型。
选择模块中，采用图论中二部图结构来描述药物对于样本的作用关系，二部的左侧是药物，右侧代表细胞簇或细胞的耗竭轨迹，药物对于细胞簇或轨迹有一个响应关系。
针对免疫评分中等，免疫能力普通的病人，本发明选用药物与ICB联合使用的方法进行给药，通过抑制和逆转T细胞发生耗竭，改善病人的免疫微环境，具体的步骤如下：
a)将肿瘤微环境中的免疫细胞单独分离，有效去恶性细胞和非功能性细胞带来的噪音。
b)使用脚本计算出免疫细胞的轨迹，并使用脚本自动识别出造成免疫微环境恶化的细胞轨迹，如活性T细胞，记忆T细胞等细胞走向耗竭的轨迹。
c)使用脚本计算免疫细胞耗竭的轨迹上转录组变化的signature。
d)利用这些轨迹的signature，和药物小分子数据库中的响应数据库进行匹配，构建二部图结构模型。
针对免疫评分低，免疫能力较差的病人，选择靶向治疗的方法进行药物组合给药。将癌变的恶性细胞单独分离，有效去除环境中非肿瘤恶性细胞带来的噪音，将分离后的癌细胞根据其不同的表达特征进行分型。为了保证取得最好的分型效果，本发明提出了基于药物响应的图聚类方法，该聚类方法依据两个目标进行样本细胞的聚类：a)使得类与类之间对于药物的响应尽量不同，b)同一类中的细胞对药物的响应尽量相同。通过该聚类方法，识别出具有不同药物响应的细胞簇，并使用相似度校准模型来预测数据库中的药物对于这些细胞簇的作用。相似度校准模型的函数为：
其中，S为相似度，x、y是细胞和细胞簇的表达值，R是药物敏感度系数，L(x)是基于深度学习的表达量预测函数。
优化模型构建求解模块中，获取的目标包括药物组合对病人的治疗效果最好、副作用最少等，约束条件包括药物的数量不能太多，对潜在药物毒性进行评估等。建立多目标优化模型后，基于蒙特卡洛的贪婪算法，求解药物之间组合的最优解，将评分最高的几种药物组合方案以及详情信息输出。
在一个实施方式下构建的多目标优化模型为：
其中，Pi指每个group所占的比例，GiDi指药物对细胞的敏感性系数，d是模糊变量。
如图1所示，上述基于单细胞测序的组合用药推荐设备的工作过程包括如下步骤：
步骤101：获取肿瘤样本信息，并对该肿瘤样本信息以单细胞转录组测序技术进行测序，获得测序数据；
步骤102：对所述测序数据进行预处理，获得表达数据；
步骤103：对所述表达数据进行免疫相关特征的提取，基于所述免疫相关特征及预先构建的机器学习模型，获得相应的免疫能力评估值；
步骤104：根据所述免疫能力评估值选择用药方式，判断用药方式是否为单一抗体给药方式，若是，则生成推荐的用药方案，若否则基于所述用药方式调用药物数据库，生成二部图结构模型；
步骤105：根据所述二部图结构模型及获取的目标和约束条件，构建多目标优化模型；
步骤106：对所述多目标优化模型进行蒙特卡洛算法求解，基于所述最优解生成推荐的用药方案。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
优选地，本发明可采用R语言将这些繁琐的步骤集成为pipeline，使用户只需要一步操作即可得到结果，极大地降低了使用门槛，提高了工作效率。运行的示例如下：
Drug_comb<-combSC(exp＝exp,
metadata＝metadata,
res_rank＝seq(0.4,5,0.2),
there＝0.5,
rfgene＝rfgene_rpkm,
essential_genes＝essential_genes)
实施例1
参考图1所示，本实施例采用上述基于单细胞测序的组合用药推荐设备进行个性化药物组合推荐，具体过程包括以下步骤：
步骤101：肿瘤病人单细胞转录组测序数据的输入(使用基底细胞癌病人样本su007_pre，Yost KE,Satpathy AT,Wells DK,Qi Y et al.Clonal replacement oftumor-specific T cells following PD-1blockade.Nat Med 2019Aug；25(8):1251-1259.)。
步骤102：输入测序数据表达量量纲的统一化，批次效应的消除，drop out基因的预测：对于输入的表达谱数据使用脚本进行drop out的消除，依据输入的metadata数据针对表达谱数据使用脚本进行批次效应的消除。使用脚本对样本细胞进行基本的分类和注释，分离肿瘤恶性细胞和肿瘤微环境细胞。
步骤103：对预处理且注释后的表达数据计算免疫相关的特征值；使用机器学习模型对样本的免疫能力进行评估，获得免疫能力评估值，样本各项特征值与评估结果如表1所示。
表1
| Sample | E | H | ρ | V | X | Grade |
| Su_007 | 0.527 | 0.026 | 0.063 | 0.125 | 0.667 | -1 |
步骤104：本实施例根据上一步的免疫能力评估值自动选择的用药方案是靶向治疗药物组合。使用图优化聚类算法对提取的肿瘤恶性细胞进行进一步的分型，并针对这些特征找出药物对这些细胞系的作用。同时使用脚本对将药物之间的拮抗作用进行评估，建立二部图结构模型。
步骤105：根据二部图结构模型，考虑药物和细胞簇之间的关系，制定药物组合的选择目标，设定约束条件，最后建立多目标优化模型。
步骤106：基于步骤105给出的多目标优化模型，使用蒙特卡洛算法解出最优解，进行用药方案推荐，结果如表2所示。
表2
| Drug Combination | Score | Patient immune score |
| Temozolomide&Sunitinib | 167.74 | Low |
| Linifanib&Sunitinib | 157.08 | Low |
| PHA-665752&AZ628 | 156.77 | Low |
表2中，第一列是本实施例所选择的药物组合方案，依据第二列的评分由高往低依次排序，得分越高，说明这项药物组合可达到的效果越好，第三列是样本的免疫评分。
实施例2
参考图1所示，本实施例采用上述基于单细胞测序的组合用药推荐设备进行个性化药物组合推荐，具体过程包括以下步骤：
步骤101：肿瘤病人单细胞转录组测序数据的输入(使用基底细胞癌病人样本su013_pre，Yost KE,Satpathy AT,Wells DK,Qi Y et al.Clonal replacement oftumor-specific T cells following PD-1blockade.Nat Med 2019Aug；25(8):1251-1259.)。
步骤102：输入测序数据表达量量纲的统一化，批次效应的消除，drop out基因的预测：对于输入的表达谱数据使用脚本进行drop out的消除。依据输入的metadata数据针对表达谱数据使用脚本进行批次效应的消除。使用脚本对样本细胞进行基本的分类和注释，分离肿瘤恶性细胞和肿瘤微环境细胞。
步骤103：对预处理且注释后的样本计算其免疫相关的特征值；使用机器学习模型对样本的免疫能力进行评估，样本各项特征值与评估结果如表3所示。
表3
| Sample | E | H | ρ | V | X | Grade |
| Su_001 | 0.541 | 0.059 | 0.336 | 0.077 | 0.83 | 0 |
步骤104：本实施例根据上一步的免疫能力评估值自动选择的用药方案是药物组合配合ICB的方法，改善免疫微环境。使用脚本对提取的免疫微环境细胞进行伪时间分析，基于药物数据库匹配药物，同时对药物之间的拮抗作用进行评估，建立二部图结构模型。
步骤105：根据二部图结构模型，考虑药物和细胞簇之间的关系，制定药物组合的选择目标，设定约束条件，最后建立多目标优化模型。
步骤106：基于步骤105给出的多目标优化模型，使用蒙特卡洛算法解出最优解，给病人相应的最好方案，结果如表4所示。
表4
表4中，第一列是本实施例挑选出来的药物组合方案，与ICB药物联合，依据第二列的评分由高往低依次排序，得分越高，说明这项药物组合对免疫环境的改善越有效，可达到的效果越好，第三列是样本的免疫评分。
实施例3
参考图1所示，本实施例采用上述基于单细胞测序的组合用药推荐设备进行个性化药物组合推荐，具体过程包括以下步骤：
步骤101：肿瘤病人单细胞转录组测序数据的输入(黑色素瘤病人样本mel_01，Tirosh I,Izar B,Prakadan SM,Wadsworth MH 2nd et al.Dissecting themulticellular ecosystem of metastatic melanoma by single-cell RNA-seq.Science2016Apr8；352(6282):189-96.)。
步骤102：输入测序数据表达量量纲统一化，批次效应的消除，drop out基因的预测：对于输入的表达谱数据使用脚本进行drop out的消除。依据输入的metadata数据针对表达谱数据使用脚本进行批次效应的消除。使用脚本对样本细胞进行基本的分类和注释，分离肿瘤恶性细胞和肿瘤微环境细胞。
步骤103：对预处理且注释后的表达数据计算免疫相关的特征值；使用机器学习模型对样本的免疫能力进行评估，样本各项特征值与评估结果如表5所示。
表5
| Sample | E | H | ρ | V | X | Grade |
| mel_01 | 0.463 | 0.058 | 0.094 | 0.077 | 0.925 | 1 |
步骤104：本实施例根据上一步的免疫能力评估值可知，该样本本身具有较强的免疫能力，故选择单个ICB的用药方案，并以此为输出结果。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于单细胞测序的组合用药推荐设备，其特征在于，包括：
数据库模块，用于存储和更新可用药物数据；
测序模块，用于获取肿瘤样本信息，并对该肿瘤样本信息以单细胞转录组测序技术进行测序，获得测序数据；
预处理模块，用于对所述测序数据进行预处理，获得表达数据；
特征提取模块，用于对所述表达数据进行免疫相关特征的提取，基于所述免疫相关特征及预先构建的机器学习模型，获得相应的免疫能力评估值；
选择模块，用于根据所述免疫能力评估值选择用药方式，判断用药方式是否为单一抗体给药方式，若是，则生成推荐的用药方案，若否则基于所述用药方式调用所述数据库模块，生成二部图结构模型；
优化模型构建求解模块，在获得所述二部图结构模型时响应，用于根据所述二部图结构模型及获取的目标和约束条件，构建多目标优化模型，对所述多目标优化模型进行蒙特卡洛算法求解，基于最优解生成推荐的用药方案；
输出模块，用于输出所述用药方案；
所述选择模块中，根据所述免疫能力评估值选择用药方式具体为：
若免疫能力评估值大于等于高阈值，则用药方式采用单一抗体给药方式；若免疫能力评估值大于低阈值且小于高阈值，则用药方式采用改善免疫微环境并联合抗体的给药方式，若免疫能力评估值小于等于低阈值，则用药方式采用基于靶向治疗的给药方式；
若用药方式为改善免疫微环境并联合抗体的给药方式，则所述生成二部图结构模型具体为：
基于所述免疫相关特征对肿瘤微环境细胞进行伪时间分析，获取致免疫微环境恶化的细胞发育轨迹预测结果，基于该轨迹预测结果调用所述数据库模块获取对应的药物信息，基于药物信息获取药物之间的拮抗作用，构建所述二部图结构模型；
若用药方式为基于靶向治疗的给药方式，则所述生成二部图结构模型具体为：
采用图优化聚类算法对所述免疫相关特征进行处理，调用所述数据库模块获取对应的药物信息，获得药物对于样本细胞簇的响应及药物之间的拮抗作用，构建所述二部图结构模型。
2.根据权利要求1所述的基于单细胞测序的组合用药推荐设备，其特征在于，所述预处理包括量纲统一、批次效应消除、drop out问题消除和细胞类型标注。
3.根据权利要求2所述的基于单细胞测序的组合用药推荐设备，其特征在于，所述细胞类型包括恶性肿瘤细胞和肿瘤微环境细胞。
4.根据权利要求1所述的基于单细胞测序的组合用药推荐设备，其特征在于，所述免疫相关特征包括肿瘤恶性细胞特征和肿瘤免疫微环境特征，所述肿瘤恶性细胞特征包括关键基因表达和肿瘤细胞异质性，所述肿瘤免疫微环境特征包括免疫细胞密度、免疫细胞多样性和免疫细胞耗竭程度。
5.一种基于单细胞测序的组合用药推荐方法，其特征在于，包括以下步骤：
1）获取肿瘤样本信息，并对该肿瘤样本信息以单细胞转录组测序技术进行测序，获得测序数据；
2）对所述测序数据进行预处理，获得表达数据；
3）对所述表达数据进行免疫相关特征的提取，基于所述免疫相关特征及预先构建的机器学习模型，获得相应的免疫能力评估值；
4）根据所述免疫能力评估值选择用药方式，判断用药方式是否为单一抗体给药方式，若是，则生成推荐的用药方案，执行步骤6），若否则基于所述用药方式调用药物数据库，生成二部图结构模型；
5）根据所述二部图结构模型及获取的目标和约束条件，构建多目标优化模型，对所述多目标优化模型进行蒙特卡洛算法求解，基于最优解生成推荐的用药方案；
6）输出所述用药方案；
根据所述免疫能力评估值选择用药方式具体为：
若免疫能力评估值大于等于高阈值，则用药方式采用单一抗体给药方式；若免疫能力评估值大于低阈值且小于高阈值，则用药方式采用改善免疫微环境并联合抗体的给药方式，若免疫能力评估值小于等于低阈值，则用药方式采用基于靶向治疗的给药方式；
若用药方式为改善免疫微环境并联合抗体的给药方式，则所述生成二部图结构模型具体为：
基于所述免疫相关特征对肿瘤微环境细胞进行伪时间分析，获取致免疫微环境恶化的细胞发育轨迹预测结果，基于该轨迹预测结果调用所述数据库模块获取对应的药物信息，基于药物信息获取药物之间的拮抗作用，构建所述二部图结构模型；
若用药方式为基于靶向治疗的给药方式，则所述生成二部图结构模型具体为：
采用图优化聚类算法对所述免疫相关特征进行处理，调用所述数据库模块获取对应的药物信息，获得药物对于样本细胞簇的响应及药物之间的拮抗作用，构建所述二部图结构模型。
6.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求5所述基于单细胞测序的组合用药推荐方法的指令。
7.根据权利要求6所述的计算机可读存储介质，其特征在于，所述一个或多个程序基于R语言编写。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011571913.0A CN112768029B (zh) | 2020-12-27 | 2020-12-27 | 一种基于单细胞测序的组合用药推荐设备、方法及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011571913.0A CN112768029B (zh) | 2020-12-27 | 2020-12-27 | 一种基于单细胞测序的组合用药推荐设备、方法及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112768029A CN112768029A (zh) | 2021-05-07 |
| CN112768029B true CN112768029B (zh) | 2023-10-13 |
Family
ID=75696963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011571913.0A Active CN112768029B (zh) | 2020-12-27 | 2020-12-27 | 一种基于单细胞测序的组合用药推荐设备、方法及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112768029B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362965B (zh) * | 2021-06-28 | 2023-09-15 | 中国人民解放军疾病预防控制中心 | 用于医院病原菌耐药性监测系统及方法 |
| CN115831313B (zh) * | 2022-11-25 | 2023-08-29 | 成都诺医德医学检验实验室有限公司 | 三药联用的联合用药推荐方法及装置 |
| CN115862804B (zh) * | 2022-11-25 | 2023-12-19 | 成都诺医德医学检验实验室有限公司 | 双药联用的联合用药的推荐方法及装置 |
| CN115798673B (zh) * | 2022-11-25 | 2023-08-08 | 成都诺医德医学检验实验室有限公司 | 联合用药的推荐方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102196815A (zh) * | 2008-10-21 | 2011-09-21 | 默克专利有限公司 | 使用辐射和免疫细胞因子的癌症治疗 |
| CN105160206A (zh) * | 2015-10-08 | 2015-12-16 | 中国科学院数学与系统科学研究院 | 一种预测药物的蛋白质相互作用靶点的方法和系统 |
| CN106987631A (zh) * | 2017-04-01 | 2017-07-28 | 武汉赛云博生物科技有限公司 | 一种用于pd‑1/pd‑l1阻断治疗伴随诊断的免疫组测序技术 |
| CN110412286A (zh) * | 2019-07-11 | 2019-11-05 | 上海宸安生物科技有限公司 | 一种利用质谱流式系统对肿瘤样本进行单细胞检测的方法 |
| CN110674848A (zh) * | 2019-08-31 | 2020-01-10 | 南京理工大学 | 联合稀疏表示与二部图分割的高维数据联合聚类方法 |
| CN111445991A (zh) * | 2020-03-31 | 2020-07-24 | 深圳市恒泰生命科学技术发展有限公司 | 一种基于细胞转录组数据进行临床免疫监测的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9293060B2 (en) * | 2010-05-06 | 2016-03-22 | Ai Cure Technologies Llc | Apparatus and method for recognition of patient activities when obtaining protocol adherence data |
| CA3039402A1 (en) * | 2016-10-07 | 2018-04-12 | Omniseq, Inc. | Methods and systems for determining personalized therapies |
-
2020
- 2020-12-27 CN CN202011571913.0A patent/CN112768029B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102196815A (zh) * | 2008-10-21 | 2011-09-21 | 默克专利有限公司 | 使用辐射和免疫细胞因子的癌症治疗 |
| CN105160206A (zh) * | 2015-10-08 | 2015-12-16 | 中国科学院数学与系统科学研究院 | 一种预测药物的蛋白质相互作用靶点的方法和系统 |
| CN106987631A (zh) * | 2017-04-01 | 2017-07-28 | 武汉赛云博生物科技有限公司 | 一种用于pd‑1/pd‑l1阻断治疗伴随诊断的免疫组测序技术 |
| CN110412286A (zh) * | 2019-07-11 | 2019-11-05 | 上海宸安生物科技有限公司 | 一种利用质谱流式系统对肿瘤样本进行单细胞检测的方法 |
| CN110674848A (zh) * | 2019-08-31 | 2020-01-10 | 南京理工大学 | 联合稀疏表示与二部图分割的高维数据联合聚类方法 |
| CN111445991A (zh) * | 2020-03-31 | 2020-07-24 | 深圳市恒泰生命科学技术发展有限公司 | 一种基于细胞转录组数据进行临床免疫监测的方法 |
Non-Patent Citations (4)
| Title |
|---|
| 单细胞RNA测序技术在肿瘤免疫微环境研究中的应用;杨凯莉等;《中国医学科学院学报》;第42卷(第01期);全文 * |
| 单细胞测序技术的发展及应用;王磊等;《基因组学与应用生物学》;第39卷(第11期);全文 * |
| 基于基因表达谱筛选lumina1型乳腺癌的预后标志物和治疗药物;张晶晶;《中国优秀硕士学位论文全文数据库医药卫生科技辑》(第5期);全文 * |
| 新时代胶质瘤免疫治疗研究进展;赵炳昊等;《中国现代神经疾病杂志》;第19卷(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112768029A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112768029B (zh) | 一种基于单细胞测序的组合用药推荐设备、方法及介质 | |
| US11621083B2 (en) | Cancer evolution detection and diagnostic | |
| Huang et al. | Open source machine-learning algorithms for the prediction of optimal cancer drug therapies | |
| Pagani et al. | Tracing the route of modern humans out of Africa by using 225 human genome sequences from Ethiopians and Egyptians | |
| Liu et al. | A review of multivariate analyses in imaging genetics | |
| Celiku et al. | Visualizing molecular profiles of glioblastoma with GBM-BioDP | |
| Barbeira et al. | Fine‐mapping and QTL tissue‐sharing information improves the reliability of causal gene identification | |
| CN108292299A (zh) | 从基因组变体预测疾病负担 | |
| US20180211719A1 (en) | Systematic pharmacological method for personalized medicine | |
| US20210090686A1 (en) | Single cell rna-seq data processing | |
| Wang et al. | Disease-specific classification using deconvoluted whole blood gene expression | |
| Zhao et al. | Survival prediction in gliomas: current state and novel approaches | |
| Marko et al. | Why is there a lack of consensus on molecular subgroups of glioblastoma? Understanding the nature of biological and statistical variability in glioblastoma expression data | |
| Islam et al. | Network based systems biology approach to identify diseasome and comorbidity associations of Systemic Sclerosis with cancers | |
| Van den Berge et al. | Normalization benchmark of ATAC-seq datasets shows the importance of accounting for GC-content effects | |
| Wang et al. | A network-based method for brain disease gene prediction by integrating brain connectome and molecular network | |
| Khan et al. | Bayesian, maximum parsimony and UPGMA models for inferring the phylogenies of antelopes using mitochondrial markers | |
| Ko et al. | Classification and clustering methods for multiple environmental factors in gene–environment interaction: application to the multi-ethnic study of atherosclerosis | |
| Guo et al. | Testing gene-gene interactions based on a neighborhood perspective in genome-wide association studies | |
| US20230253115A1 (en) | Methods and systems for predicting in-vivo response to drug therapies | |
| Perumal et al. | Insights from the clustering of microarray data associated with the heart disease | |
| Johannessen et al. | TIN: an R package for transcriptome instability analysis | |
| Pu et al. | Using graph-based model to identify cell specific synthetic lethal effects | |
| Li et al. | A method for heterogeneity analysis of complex diseases based on clustering algorithm | |
| Alves et al. | Multi-omic data integration applied to molecular tumor classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |