CN113470735A - 预测方法及装置、电子设备和存储介质 - Google Patents

预测方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113470735A
CN113470735A CN202110728214.0A CN202110728214A CN113470735A CN 113470735 A CN113470735 A CN 113470735A CN 202110728214 A CN202110728214 A CN 202110728214A CN 113470735 A CN113470735 A CN 113470735A
Authority
CN
China
Prior art keywords
gene
network
feature extraction
data
molecular
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.)
Withdrawn
Application number
CN202110728214.0A
Other languages
English (en)
Inventor
黎瑛
张捷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202110728214.0A priority Critical patent/CN113470735A/zh
Publication of CN113470735A publication Critical patent/CN113470735A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/50—Mutagenesis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Biotechnology (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种预测方法及装置、电子设备和存储介质，所述方法包括：通过药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，所述药物特征提取网络包括第一子网络及第二子网络，所述第一子网络为图神经网络，所述第二子网络为卷积神经网络；通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征；对所述分子特征及所述基因特征进行融合，得到融合特征；根据所述融合特征，预测所述待测物质与所述目标对象之间的反应结果。本公开实施例能够在预测药物与基因之间的反应结果时，通过神经网络进行特征提取，不仅能够提高处理效率，还能够提高预测准确性。

Description

预测方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种预测方法及装置、电子设备和存储介质。
背景技术
基因药物响应是将基因功能学与分子药理学有机结合的研究。在相关技术中，通常通过人工实验定量分析基因对药物的反应，或者基于基因的相似性，利用矩阵分解等传统的统计学方法，预测基因与药物之间的关系。然而，人工实验效率较低，而通过传统的统计学方法得到的预测结果的准确性较低。
发明内容
本公开提出了一种预测技术方案。
根据本公开的一方面，提供了一种预测方法，包括：通过药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，所述药物特征提取网络包括第一子网络及第二子网络，所述第一子网络为图神经网络，所述第二子网络为卷积神经网络；通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征；对所述分子特征及所述基因特征进行融合，得到融合特征；根据所述融合特征，预测所述待测物质与所述目标对象之间的反应结果。
在一种可能的实现方式中，所述通过药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，包括：将待测物质的分子结构图输入所述第一子网络进行特征提取，得到分子结构特征图；将所述分子结构特征图输入所述第二子网络进行特征提取，得到分子特征。
在一种可能的实现方式中，所述对所述分子特征及所述基因特征进行融合，得到融合特征，包括：根据预设的第一卷积核尺寸，将所述分子特征变换为第一卷积核；根据所述第一卷积核，对所述基因特征进行卷积操作，得到融合特征。
在一种可能的实现方式中，所述对所述分子特征及所述基因特征进行融合，得到融合特征，包括：根据预设的第二卷积核尺寸，将所述基因特征变换为第二卷积核；根据所述第二卷积核，对所述分子特征进行卷积操作，得到融合特征。
在一种可能的实现方式中，所述通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征，包括：对所述目标对象的基因数据进行预处理，得到预处理后的基因数据，所述预处理包括嵌入处理；将预处理后的基因数据输入所述基因特征提取网络进行特征提取，得到基因特征。
在一种可能的实现方式中，所述待测物质包括小分子药物，所述分子结构图包括多个节点及所述多个节点之间的连线，所述节点用于表示所述待测物质的分子结构中的原子，所述连线用于表示所述待测物质的分子结构中的化学键，所述目标对象的基因数据包括所述目标对象的基因组突变数据、转录组数据、微卫星不稳定性数据中的至少一种，所述反应结果包括半抑制浓度。
在一种可能的实现方式中，所述方法还包括：根据预设的多个基因突变类别，确定所述目标对象的基因组中各个基因的突变数据，得到所述目标对象的基因组突变数据，其中，所述基因组突变数据通过二值矩阵来表示。
在一种可能的实现方式中，所述通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征，包括：在所述目标对象的基因数据包括所述目标对象的基因组突变数据、转录组数据、微卫星不稳定性数据中的至少两种的情况下，分别对各种基因数据进行特征提取，得到各种基因数据的特征信息；对所述各种基因数据的特征信息进行融合，得到基因特征。
根据本公开的一方面，提供了一种预测装置，包括：药物特征提取模块，用于通过药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，所述药物特征提取网络包括第一子网络及第二子网络，所述第一子网络为图神经网络，所述第二子网络为卷积神经网络；基因特征提取模块，用于通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征；特征融合模块，用于对所述分子特征及所述基因特征进行融合，得到融合特征；预测模块，用于根据所述融合特征，预测所述待测物质与所述目标对象之间的反应结果。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，能够通过包括第一子网络(图神经网络)及第二子网络(卷积神经网络)的药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，并通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征，然后对分子特征与基因特征进行融合，得到融合特征，并根据融合特征，预测待测物质与目标对象之间的反应结果。根据本公开的预测方法，不仅能够提高预测效率，还能够通过图神经网络及卷积神经网络提取分子特征，提高分子特征的准确性，进而提高预测结果(即待测物质与目标对象之间的反应结果)的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的预测方法的流程图。
图2示出根据本公开实施例的药物特征提取网络的示意图。
图3示出根据本公开实施例的预测方法的处理过程的示意图。
图4示出根据本公开实施例的预测装置的框图。
图5示出根据本公开实施例的一种电子设备的框图。
图6示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的预测方法的流程图。该预测方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(user equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personal digital assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。服务器可以为云端服务器等。在一些可能的实现方式中，该预测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示，所述预测方法包括：
在步骤S11中，通过药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，所述药物特征提取网络包括第一子网络及第二子网络，所述第一子网络为图神经网络，第二子网络为卷积神经网络；
在步骤S12中，通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征；
在步骤S13中，对所述分子特征及所述基因特征进行融合，得到融合特征；
在步骤S14中，根据所述融合特征，预测所述待测物质与所述目标对象之间的反应结果。
根据本公开的实施例，能够通过包括第一子网络(图神经网络)及第二子网络(卷积神经网络)的药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，并通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征，然后对分子特征与基因特征进行融合，得到融合特征，并根据融合特征，预测待测物质与目标对象之间的反应结果。根据本公开的预测方法，不仅能够提高预测效率，还能够通过图神经网络及卷积神经网络提取分子特征，提高分子特征的准确性，进而提高预测结果(即待测物质与目标对象之间的反应结果)的准确性。
在一种可能的实现方式中，待测物质可包括小分子药物，小分子药物通常指分子量小于1000的化学合成药物。待测物质具有分子结构。
在一种可能的实现方式中，在已知待测物质的分子结构图的情况下，可直接使用其分子结构图。在已知待测物质的分子指纹(fingerprint)、分子式等分子结构数据的情况下，可根据待测物质的分子结构数据，确定待测物质的分子结构图。分子结构图包括多个节点及多个节点之间的连线，节点用于表示待测物质的分子结构中的原子，连线用于表示待测物质的分子结构中的化学键。例如，在待测物质的分子结构数据为分子指纹或分子式的情况下，可通过预设的转换工具，将待测物质的分子指纹或分子式转换为待测物质的分子结构图(graph)。
其中，待测物质的分子指纹可以是根据预设的编码规则对待测物质的分子结构进行编码得到的预设长度的二进制数值。预设长度可例如16、32、64等。待测物质的分子指纹具有唯一性，不同待测物质的分子指纹不同。
例如，分子指纹的长度为16位，有两种待测物质，分别为小分子药物A和小分子药物B，小分子药物A的分子指纹为1010001101100010，小分子药物B的分子指纹为1001010100000011，两者的分子指纹不同。
需要说明的是，本领域技术人员可根据实际情况设置分子指纹的编码规则及长度，本公开对此不作限制。
待测物质的分子式可以是待测物质的分子结构的字符串表达形式，例如，待测物质的SMILES表达式。其中，SMILES(simplified molecular input line entryspecification)为简化分子线性输入规范，是一种用ASCII字符串明确描述分子结构的规范。待测物质的分子式具有唯一性，不同待测物质的分子式不同。相应地，在分子式为SMILES表达式的情况下，待测物质的SMILES表达式也具有唯一性，不同待测物质的SMILES表达式也不同。
在一种可能的实现方式中，待测物质的分子结构图还可包括各个节点的描述信息(descriptors)。任一节点的描述信息用于描述该与节点对应的原子的属性特征，例如，原子的类型、与原子连接的化学键的数量及类型等。本领域技术人员可根据实际情况设置原子的属性特征的具体内容，本公开对此不作限制。
在一种可能的实现方式中，目标对象可以是从特定疾病或特定患者的病变细胞中提取的基因序列或基因序列的片段。例如，可将从肝癌患者的病变细胞中提取的基因序列，确定为目标对象，或者，将从肝癌患者的病变细胞中提取的基因序列的片段，确定为目标对象。目标对象还可以是其他与基因相关的对象，本公开对此不作限制。
在一种可能的实现方式中，目标对象的基因数据可包括目标对象的基因组突变数据、转录组数据(例如基因表达等)、微卫星不稳定性(microsatellite instability，MSI)数据中的至少一种。其中，目标对象的基因组突变数据可用于表示目标对象是否发生单核苷酸变异(single nucleotide variants，SNV)、拷贝数变异(copy number variations，CNV)、基因重排等基因突变。
需要说明的是，目标对象的基因数据还可包括其他与基因相关的数据，本公开对此不作限制。
在一种可能的实现方式中，可根据预设的多个基因突变类别，确定目标对象的基因组中各个基因的突变数据，得到目标对象的基因组突变数据。例如，目标对象为从肝癌患者的病变细胞中提取的基因序列，该基因序列的基因组包括多个基因，可预设单核苷酸变异SNV、拷贝数变异CNV、基因重排等15个基因突变类别。可根据这15个基因突变类别，针对基因组中的每个基因，判断该基因是否存在这15种突变，进而得到目标对象的基因组突变数据。
在一种可能的实现方式中，目标对象的基因组突变数据可通过由0和1组成的二值矩阵来表示。可根据预设的多个基因突变类别的数量，确定二值矩阵的列数，根据目标对象的基因组中基因的数量，确定二值矩阵的行数，进而建立二值矩阵，该二值矩阵的一行对应目标对象的基因组中的一个基因。例如，假设预设的基因突变类别的数量为15，目标对象的基因组包括10个基因，则可以通过10×15的二值矩阵来表示目标对象的基因组突变数据。
在一种可能的实现方式中，可通过下述方式确定二值矩阵中元素的取值：对于二值矩阵中的任一行，该行的元素取值可根据与该行对应的基因是否存在各列所述的基因突变来确定。例如，二值矩阵中的第1行对应目标对象的基因组中的第1个基因，在第1个基因存在第5列、第8列所述的基因突变的情况下，可将二值矩阵中第1行第5列以及第1行第8列的元素的取值设置为1，将第1行其他元素的取值设置为0。
通过多位有效(multi-hot)编码的方式，来表示目标对象的基因组突变数据，不仅可以同时表示目标对象的多种基因突变，还可以降低数据维度(相比于热独one-hot编码)，从而能够提高基因特征提取时的处理效率。
在一种可能的实现方式中，也可根据预设的多个基因突变类别的数量，确定二值矩阵的行数，根据目标对象的基因组中基因的数量，确定二值矩阵的列数，进而建立二值矩阵，该二值矩阵的一列对应目标对象的基因组中的一个基因，其元素取值的确定方式与上述类似，此处不再赘述。
通过预设多个突变数据类别，并根据该多个基因突变类别，确定目标对象的基因组中各个基因的突变数据，得到目标对象的基因组突变数据，从而能够使得基因组突变数据中包括基因组中各个基因的多维度的突变信息，提高基因组突变数据的精准性。此外，通过二值矩阵来表示目标对象的基因组突变数据，简单快速，且能够提高后续处理效率。
预测待测物质与目标对象之间的反应结果时，可在步骤S11中，通过药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征。所述药物特征提取网络可包括第一子网络及第二子网络，所述第一子网络为图神经网络，所述第二子网络为卷积神经网络。
其中，第一子网络(graph neural networks，GNN)可例如图卷积网络(graphconvolution networks，GCN)、图注意力网络(graph attention network，GAT)、图同构网络(graph isomorphism network)、图采样与聚合(graph sample and aggregate，GraphSAGE)等。本公开对第一子网络的具体类型不作限制。
第二子网络可以是一维或二维的卷积神经网络(convolutional neuralnetworks，CNN)、包括空洞卷积(dilated convolution)的神经网络、文本卷积神经网络(textCNN)、残差网络(residual network，ResNet)等预训练的基于卷积的神经网络。本公开对第二子网络的具体类型不作限制。
在一种可能的实现方式中，药物特征提取网络可包括至少一个第一子网络及至少一个第二子网络。例如，药物特征提取网络的结构可以为第一子网络+第二子网络、第1个第一子网络+第2个第一子网络+第二子网络等。本公开对药物特征提取网络的具体结构不作限制。
在一种可能的实现方式中，可将待测物质的分子结构图输入药物特征提取网络，药物特征提取网络中的第一子网络及第二子网络对输入的分子结构图进行处理，得到待测物质的分子特征。
在一种可能的实现方式中，通过药物特征提取网络对待测物质的分子结构图进行特征提取时，还可引入注意力机制，例如，可在药物特征提取网络中引入预训练的第一注意力信息，从而能够提高药物特征提取的准确性，进而提高分子特征的准确性。
在一种可能的实现方式中，可在步骤S12中，通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征。其中，目标对象的基因数据可包括目标对象的基因组突变数据、转录组数据(例如基因表达等)、微卫星不稳定性(microsatelliteinstability，MSI)数据中的至少一种。
其中，基因特征提取网络可以为基于卷积、序列、全连接等的神经网络。举例来说，基因特征提取网络可以为基于全连接的神经网络，例如多层感知器(multi-layerperceptron，MLP)、高速神经网络(highway networks)等；基因特征提取网络也可以为基于卷积的神经网络，例如一维或二维的卷积神经网络(convolutional neural networks，CNN)、包括空洞卷积(dilated convolution)的神经网络、文本卷积神经网络(textCNN)、残差网络(residual network，ResNet)等；基因特征提取网络还可以为基于序列的神经网络，例如循环神经网络(recurrent neural network，RNN)、长短期记忆网络(long-shorttermmemory，LSTM)、双向长短期记忆网络(bi-directional long-short term memory，BiLSTM)、转换器(transformer)等。
需要说明的是，基因特征提取网络还可以是其他类型的神经网络，或者是上述神经网络的各种组合。本领域技术人员可根据实际情况设置基因特征提取网络的具体类型及结构，本公开对此不作限制。
在一种可能的实现方式中，在通过基因特征提取网络对目标对象的基因数据进行特征提取时，还可引入注意力机制，例如，可在基因特征提取网络中加入预训练的第二注意力信息，从而能够提高基因特征提取的准确性，进而提高基因特征的准确性。
在一种可能的实现方式中，在目标对象的基因数据包括目标对象的基因组突变数据、转录组数据、微卫星不稳定性数据中的至少两种的情况下，可分别对各种基因数据进行特征提取，得到各种基因数据的特征信息，然后对各种基因数据的特征信息进行融合，得到基因特征。
在分别对各种基因数据进行特征提取时，基因特征提取网络可包括多个子网络。每种基因数据对应基因特征提取网络中的一个子网络。也就是说，基因特征提取网络中的子网络的数量与目标对象的基因数据中数据的种类相同。
例如，在目标对象的基因数据包括目标对象的基因组突变数据及转录组数据这两种数据的情况下，基因特征提取网络可包括第三子网络和第四子网络，第三子网络可用于对目标对象的基因组突变数据进行特征提取，得到基因组突变数据的特征信息，第四子网络可用于对目标对象的转录组数据进行特征提取，得到转录组数据的特征信息。
其中，第三子网络与第四子网络的网络类型及结构可以相同，也可以不同，本领域技术人员可根据实际情况进行设置，本公开对此不作限制。
得到目标对象的各种基因数据的特征信息后，可通过拼接、相加、点乘(即点积)、卷积等多种方式中的至少一种，例如点乘+相加，对各种基因数据的特征信息进行融合，得到基因特征。本公开对各种基因数据的特征信息的融合方式不作限制。
通过这种方式，能够在目标对象的基因数据包括目标对象的基因组突变数据、转录组数据、微卫星不稳定性数据中的至少两种的情况下，分别对各种基因数据进行特征提取，得到各种基因数据的特征信息，然后对各种基因数据的特征信息进行融合，得到基因特征，不仅能够提高处理效率，还能够提高基因特征的准确性。
在一种可能的实现方式中，得到待测物质的分子特征及目标对象的基因特征后，可在步骤S13中，通过拼接、相加、点乘(即点积)、卷积等多种方式中的至少一种，对所述分子特征及所述基因特征进行融合，得到融合特征。
例如，对分子特征及基因特征进行融合时，可使用相加+点乘的方式：对分子特征及基因特征进行相加操作，得到第一特征；对分子特征与基因特征进行点乘操作，得到第二特征；对第一特征及第二特征进行相加或点乘操作，得到分子特征与基因特征的融合特征。
通过相加及点乘的方式对分子特征及基因特征进行融合，能够将共享参数的融合方式(相加)与通过余弦相似度融合相似性的方式(点乘)相结合，从而能够从不同角度进行特征交叉，使得融合特征包含的信息更为丰富。
在一种可能的实现方式中，得到融合特征后，可在步骤S14中，根据所述融合特征，预测所述待测物质与所述目标对象之间的反应结果。其中，所述反应结果可包括半抑制浓度(half maximal inhibitory concentration，IC50)。
举例来说，可将融合特征输入预训练的回归模型，例如基于全连接、卷积等处理的深度神经网络(deep neural networks，DNN)，对半抑制浓度IC50进行回归预测，从而可以预测出待测物质(即小分子药物)与目标对象(基因序列或基因序列片段)之间的反应结果(半抑制浓度IC50)。
在一种可能的实现方式中，在通过回归模型预测待测物质与目标对象之间的反应结果时，还可引入注意力机制，例如，在回归模型中加入预训练的第三注意力信息，从而能够提高回归预测的准确性，进而提高预测结果的准确性。
在一种可能的实现方式中，步骤S11可包括：将待测物质的分子结构图输入所述第一子网络进行特征提取，得到分子结构特征图；将所述分子结构特征图输入所述第二子网络进行特征提取，得到分子特征。
在对待测物质的分子结构图进行特征提取时，可将待测物质的分子结构图输入药物特征提取网络，药物特征提取网络的第一子网络对输入的分子结构图进行处理，得到分子结构特征图，然后将分子结构特征图输入药物特征提取网络的第二子网络，第二子网络对分子结构特征图进行特征提取，得到分子特征。
图2示出根据本公开实施例的药物特征提取网络的示意图。如图2所示，药物特征提取网络包括第一子网络22和第二子网络24，其中，第一子网络22为图神经网络，第二子网络24为卷积神经网络。通过药物特征提取网络对待测物质的分子结构图21(包括多个节点、多个节点之间的连线以及各个节点的描述信息)进行特征提取时，可将分子结构图21输入药物特征提取网络的第一子网络(图神经网络)22进行处理，得到分子结构特征图23，然后将分子结构特征图23输入第二子网络(卷积神经网络)24进行处理，得到分子特征25。
在本公开的实施例中，在对待测物质的分子结构图进行特征提取时，先通过第一子网络(图神经网络)进行处理，得到分子结构特征图，再将分子结构特征图输入第二子网络(卷积神经网络)进行处理，得到分子特征，从而不仅能够提高分子特征的准确性，还能够提高药物特征提取的处理效率。
在一种可能的实现方式中，步骤S12可包括：对所述目标对象的基因数据进行预处理，得到预处理后的基因数据，所述预处理包括嵌入处理；将预处理后的基因数据输入所述基因特征提取网络进行特征提取，得到基因特征。
在对目标对象的基因数据进行特征提取前，可对目标对象的基因数据进行标准化、嵌入等预处理，得到预处理后的基因数据。其中，嵌入处理(embedding)可在保留数据之间的语义关系的同时，还可将基因数据中的离散数据转换为连续数据、将基因数据中的稀疏数据转换为稠密数据。嵌入处理后的基因数据中，相似度高的数据之间的距离(例如欧式距离)较近，相似度低的数据之间的距离较远。
得到预处理后的基因数据后，可通过上述基因特征提取网络，对预处理后的基因数据进行特征提取，得到目标对象的基因特征。
通过对目标对象的基因数据进行嵌入等预处理，得到预处理后的基因数据，并通过基因特征提取网络对预处理后的基因数据进行特征提取，得到基因特征，从而能够通过预处理降低基因数据的维度，减少数据量，进而能够提高基因特征提取的处理效率。
在一种可能的实现方式中，步骤S13可包括：根据预设的第一卷积核尺寸，将所述分子特征变换为第一卷积核；根据所述第一卷积核，对所述基因特征进行卷积操作，得到融合特征。其中，分子特征与基因特征的尺寸可相同或不同。
举例来说，假设分子特征与基因特征的尺寸相同，均为128×128×3，预设的第一卷积核尺寸为32×32×3，在对分子特征及基因特征进行融合时，可根据该第一卷积核尺寸，对分子特征的形状进行变换，将分子特征的尺寸由128×128×3变换为32×32×48，可将变换后的分子特征(尺寸为32×32×48)，可以看作16个第一卷积核，即(32×32×3)×16；可根据这16个第一卷积核，对基因特征进行卷积操作，得到融合特征。
通过将分子特征变换为第一卷积核，并根据该第一卷积核，对基因特征进行卷积操作，得到融合特征，不仅能够通过卷积互相关方式增强分子特征与基因特征之间的相关性，而且使得分子特征与基因特征的特征融合过程收敛更快，从而提高特征融合的处理效率。
在一种可能的实现方式中，步骤S13可包括：根据预设的第二卷积核尺寸，将所述基因特征变换为第二卷积核；根据所述第二卷积核，对所述分子特征进行卷积操作，得到融合特征。其中，分子特征与基因特征的尺寸可相同或不同。
举例来说，假设分子特征与基因特征的尺寸不同，分子特征的尺寸为128×128×6，基因特征的尺寸为128×128×3，预设的第二卷积核尺寸为32×32×6，在对分子特征及基因特征进行融合时，可根据该第二卷积核尺寸，对基因特征的形状进行变换，将基因特征的尺寸由128×128×3变换为32×32×48；可将变换后的基因特征(尺寸为32×32×48)，可以看作8个第二卷积核，即(32×32×6)×8；可根据这8个第二卷积核，对分子特征进行卷积操作，得到融合特征。
通过将基因特征变换为第二卷积核，并根据该第二卷积核，对分子特征进行卷积操作，得到融合特征，不仅能够通过卷积互相关方式增强分子特征与基因特征之间的相关性，而且使得分子特征与基因特征的特征融合过程收敛更快，从而提高特征融合的处理效率。
需要说明的是，第二卷积核尺寸可以与第一卷积核尺寸相同，也可以与第一卷积核尺寸不同。本领域技术人员可根据实际情况对第一卷积核尺寸及第二卷积核的尺寸进行设置，本公开对此不作限制。
在一种可能的实现方式中，所述方法还可包括：根据预设的第一训练集，对所述药物特征提取网络进行训练，得到已训练的药物特征提取网络。其中，第一训练集可包括多个样本物质的分子结构图及参考分子特征。
在一种可能的实现方式中，所述方法还可包括：根据预设的第二训练集，对所述基因特征提取网络进行训练，得到已训练的基因特征提取网络。其中，第二训练集可包括多个样本对象的基因数据及参考基因特征。
图3示出根据本公开实施例的预测方法的处理过程的示意图。如图3所示，可获取待测的小分子药物(即待测物质)301的分子结构图302，并通过药物特征提取网络303对分子结构图302进行特征提取，得到分子特征304，其中，分子结构图302可包括多个节点(用于表示待测物质的分子结构中的原子)及多个节点之间的连线(用于表示所述待测物质的分子结构中的化学键)，药物特征提取网络303可包括第一子网络(图神经网络)及第二子网络(卷积神经网络)，用于对小分子药物的分子结构图进行特征提取；
可获取待测的基因序列(即目标对象)305的基因数据306，并通过基因特征提取网络307对基因数据306进行特征提取，得到基因特征308，其中，基因数据306可包括基因组突变数据、转录组数据、微卫星不稳定性数据中的至少一种，基因特征提取网络306用于对基因数据进行特征提取，可以是基于全连接的神经网络、基于序列的神经网络等，本公开对基因特征提取网络的具体类型不作限制；
可通过拼接、相加、点乘、卷积等多种方式中的至少一种，对分子特征304及基因特征308进行融合，得到融合特征309；将融合特征309输入预训练的回归模型310进行回归预测，回归模型310可例如基于全连接、卷积等处理的深度神经网络(deep neural networks，DNN)等，从而预测出小分子药物301与基因序列305之间的反应结果311。其中，反应结果311可以为半抑制浓度IC50。
本公开的实施例所述的预测方法，基于人工智能(artificial intelligence，AI)对待测的小分子药物与待测的基因序列之间的反应结果进行预测。与人工实验及传统方法相比，本公开的实施例所述的预测方法，无需人工参与，不仅可降低人力成本，提高处理效率，还可提高预测结果的精度。
本公开的实施例所述的预测方法，可应用于基因公司或制药公司的癌症与药物分析的场景中。例如，可通过本公开的实施例所述的预测方法，预测各种基因突变与小分子药物之间的反应结果，并通过对反应结果的研究及分析来辅助精准医疗，例如辅助发现高效、特效药物等，从而能够缩小药物搜索空间，大大加速新药开发的进程。还可提取特定疾病或特定患者的基因序列，通过预测该基因序列与药物之间的反应结果，有针对性的制定治疗方案，改善治疗效果。
此外，还可通过预测基因序列与药物之间的反应结果，重新估价过去未通过的新药，例如，对原来一些证明“无效”或“毒副反应大”的药物，有可能证明其对某些人群有较好的作用，从而能够根据基因选择治疗药物，可提高药物的有效性，减少不良反应的发生。
本公开的实施例所述的预测方法中提取的分子特征及基因特征，还可用于分析基因之间的关系、药物之间的关系。例如，可对细胞C1的基因序列D1进行特征提取，得到分子特征E1，可对细胞C2的基因序列D2进行特征提取，得到分子特征E2，可根据分子特征E1与分子特征E2之间的欧式距离，确定基因序列D1与基因序列D2之间的相似度。
通过分析基因之间的关系、药物之间的关系以及基因与药物之间的反应结果，能够辅助相关项目的研究实验，从而加快研究向临床方向的转换。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了预测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种预测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的预测装置的框图，如图4所示，所述装置包括：
药物特征提取模块41，用于通过药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，所述药物特征提取网络包括第一子网络及第二子网络，所述第一子网络为图神经网络，所述第二子网络为卷积神经网络；
基因特征提取模块42，用于通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征；
特征融合模块43，用于对所述分子特征及所述基因特征进行融合，得到融合特征；
预测模块44，用于根据所述融合特征，预测所述待测物质与所述目标对象之间的反应结果。
在一种可能的实现方式中，所述药物特征提取模块41，包括：第一特征提取子模块，用于将待测物质的分子结构图输入所述第一子网络进行特征提取，得到分子结构特征图；第二特征提取子模块，用于将所述分子结构特征图输入所述第二子网络进行特征提取，得到分子特征。
在一种可能的实现方式中，所述特征融合模块43，包括：第一卷积核确定模块，用于根据预设的第一卷积核尺寸，将所述分子特征变换为第一卷积核；第一卷积子模块，用于根据所述第一卷积核，对所述基因特征进行卷积操作，得到融合特征。
在一种可能的实现方式中，所述特征融合模块43，包括：第二卷积核确定模块，用于根据预设的第二卷积核尺寸，将所述基因特征变换为第二卷积核；第二卷积子模块，用于根据所述第二卷积核，对所述分子特征进行卷积操作，得到融合特征。
在一种可能的实现方式中，所述基因特征提取模块42，包括：预处理子模块，用于对所述目标对象的基因数据进行预处理，得到预处理后的基因数据，所述预处理包括嵌入处理；第三特征提取子模块，用于将预处理后的基因数据输入所述基因特征提取网络进行特征提取，得到基因特征。
在一种可能的实现方式中，所述待测物质包括小分子药物，所述分子结构图包括多个节点及所述多个节点之间的连线，所述节点用于表示所述待测物质的分子结构中的原子，所述连线用于表示所述待测物质的分子结构中的化学键，所述目标对象的基因数据包括所述目标对象的基因组突变数据、转录组数据、微卫星不稳定性数据中的至少一种，所述反应结果包括半抑制浓度。
在一种可能的实现方式中，所述方法还包括：突变数据确定模块，用于根据预设的多个基因突变类别，确定所述目标对象的基因组中各个基因的突变数据，得到所述目标对象的基因组突变数据，其中，所述基因组突变数据通过二值矩阵来表示。
在一种可能的实现方式中，所述基因特征提取模块42，包括：第四特征提取子模块，用于在所述目标对象的基因数据包括所述目标对象的基因组突变数据、转录组数据、微卫星不稳定性数据中的至少两种的情况下，分别对各种基因数据进行特征提取，得到各种基因数据的特征信息；特征融合子模块，用于对所述各种基因数据的特征信息进行融合，得到基因特征。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种预测方法，其特征在于，包括：
通过药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，所述药物特征提取网络包括第一子网络及第二子网络，所述第一子网络为图神经网络，所述第二子网络为卷积神经网络；
通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征；
对所述分子特征及所述基因特征进行融合，得到融合特征；
根据所述融合特征，预测所述待测物质与所述目标对象之间的反应结果。
2.根据权利要求1所述的方法，其特征在于，所述通过药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，包括：
将待测物质的分子结构图输入所述第一子网络进行特征提取，得到分子结构特征图；
将所述分子结构特征图输入所述第二子网络进行特征提取，得到分子特征。
3.根据权利要求1所述的方法，其特征在于，所述对所述分子特征及所述基因特征进行融合，得到融合特征，包括：
根据预设的第一卷积核尺寸，将所述分子特征变换为第一卷积核；
根据所述第一卷积核，对所述基因特征进行卷积操作，得到融合特征。
4.根据权利要求1所述的方法，其特征在于，所述对所述分子特征及所述基因特征进行融合，得到融合特征，包括：
根据预设的第二卷积核尺寸，将所述基因特征变换为第二卷积核；
根据所述第二卷积核，对所述分子特征进行卷积操作，得到融合特征。
5.根据权利要求1所述的方法，其特征在于，所述通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征，包括：
对所述目标对象的基因数据进行预处理，得到预处理后的基因数据，所述预处理包括嵌入处理；
将预处理后的基因数据输入所述基因特征提取网络进行特征提取，得到基因特征。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述待测物质包括小分子药物，所述分子结构图包括多个节点及所述多个节点之间的连线，所述节点用于表示所述待测物质的分子结构中的原子，所述连线用于表示所述待测物质的分子结构中的化学键，
所述目标对象的基因数据包括所述目标对象的基因组突变数据、转录组数据、微卫星不稳定性数据中的至少一种，所述反应结果包括半抑制浓度。
7.根据权利要求6中所述的方法，其特征在于，所述方法还包括：
根据预设的多个基因突变类别，确定所述目标对象的基因组中各个基因的突变数据，得到所述目标对象的基因组突变数据，
其中，所述基因组突变数据通过二值矩阵来表示。
8.根据权利要求6或7所述的方法，其特征在于，所述通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征，包括：
在所述目标对象的基因数据包括所述目标对象的基因组突变数据、转录组数据、微卫星不稳定性数据中的至少两种的情况下，分别对各种基因数据进行特征提取，得到各种基因数据的特征信息；
对所述各种基因数据的特征信息进行融合，得到基因特征。
9.一种预测装置，其特征在于，包括：
药物特征提取模块，用于通过药物特征提取网络对待测物质的分子结构图进行特征提取，得到分子特征，所述药物特征提取网络包括第一子网络及第二子网络，所述第一子网络为图神经网络，所述第二子网络为卷积神经网络；
基因特征提取模块，用于通过基因特征提取网络对目标对象的基因数据进行特征提取，得到基因特征；
特征融合模块，用于对所述分子特征及所述基因特征进行融合，得到融合特征；
预测模块，用于根据所述融合特征，预测所述待测物质与所述目标对象之间的反应结果。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
CN202110728214.0A 2021-06-29 2021-06-29 预测方法及装置、电子设备和存储介质 Withdrawn CN113470735A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110728214.0A CN113470735A (zh) 2021-06-29 2021-06-29 预测方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110728214.0A CN113470735A (zh) 2021-06-29 2021-06-29 预测方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113470735A true CN113470735A (zh) 2021-10-01

Family

ID=77873896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110728214.0A Withdrawn CN113470735A (zh) 2021-06-29 2021-06-29 预测方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113470735A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435995A (zh) * 2023-12-20 2024-01-23 福建理工大学 一种基于残差图网络的生物医药分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435995A (zh) * 2023-12-20 2024-01-23 福建理工大学 一种基于残差图网络的生物医药分类方法
CN117435995B (zh) * 2023-12-20 2024-03-19 福建理工大学 一种基于残差图网络的生物医药分类方法

Similar Documents

Publication Publication Date Title
CN109089133B (zh) 视频处理方法及装置、电子设备和存储介质
CN107491541B (zh) 文本分类方法及装置
US20220285038A1 (en) Prediction method, electronic device, and storage medium
CN111881956B (zh) 网络训练方法及装置、目标检测方法及装置和电子设备
CN111581488B (zh) 一种数据处理方法及装置、电子设备和存储介质
CN110909815B (zh) 神经网络训练、图像处理方法、装置及电子设备
KR20210054563A (ko) 텍스트 시퀀스 인식 방법 및 장치, 전자 기기 및 저장 매체
CN111539410B (zh) 字符识别方法及装置、电子设备和存储介质
CN111783756A (zh) 文本识别方法及装置、电子设备和存储介质
CN114613427B (zh) 蛋白质三维结构预测方法及装置、电子设备和存储介质
CN111612070A (zh) 基于场景图的图像描述生成方法及装置
CN109635920B (zh) 神经网络优化方法及装置、电子设备和存储介质
TWI785638B (zh) 目標檢測方法、電子設備和電腦可讀儲存介質
WO2022247128A1 (zh) 图像处理方法及装置、电子设备和存储介质
CN110781813A (zh) 图像识别方法及装置、电子设备和存储介质
CN111259967A (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
CN114168798B (zh) 文本存储管理与检索方法及装置
CN113470735A (zh) 预测方法及装置、电子设备和存储介质
CN113470736A (zh) 预测方法及装置、电子设备和存储介质
CN113537350B (zh) 图像处理方法及装置、电子设备和存储介质
CN113470733A (zh) 预测方法及装置、电子设备和存储介质
CN114168809A (zh) 基于相似度的文档字符串编码匹配方法及装置
CN110019928B (zh) 视频标题的优化方法及装置
WO2022110411A1 (zh) 信息处理方法及装置、电子设备和计算机可读存储介质
CN115497553B (zh) 蛋白质三维结构建模方法及装置、电子设备和存储介质

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20211001

WW01 Invention patent application withdrawn after publication