CN114974610A - 基于图神经网络和自动编码器的抗癌药物敏感性预测方法 - Google Patents
基于图神经网络和自动编码器的抗癌药物敏感性预测方法 Download PDFInfo
- Publication number
- CN114974610A CN114974610A CN202210391128.XA CN202210391128A CN114974610A CN 114974610 A CN114974610 A CN 114974610A CN 202210391128 A CN202210391128 A CN 202210391128A CN 114974610 A CN114974610 A CN 114974610A
- Authority
- CN
- China
- Prior art keywords
- cell line
- drug
- matrix
- neural network
- similarity
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000035945 sensitivity Effects 0.000 title claims abstract description 29
- 239000002246 antineoplastic agent Substances 0.000 title claims abstract description 15
- 229940041181 antineoplastic drug Drugs 0.000 title claims abstract description 15
- 239000003814 drug Substances 0.000 claims abstract description 101
- 229940079593 drug Drugs 0.000 claims abstract description 91
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 108091028043 Nucleic acid sequence Proteins 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 108091029523 CpG island Proteins 0.000 claims description 3
- 238000003559 RNA-seq method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 108091070501 miRNA Proteins 0.000 claims description 3
- 239000002679 microRNA Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 69
- 238000011282 treatment Methods 0.000 description 10
- 206010028980 Neoplasm Diseases 0.000 description 9
- 201000011510 cancer Diseases 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010070308 Refractory cancer Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003560 cancer drug Substances 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000013537 high throughput screening Methods 0.000 description 1
- 238000001794 hormone therapy Methods 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 208000016691 refractory malignant neoplasm Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000009121 systemic therapy Methods 0.000 description 1
- 238000002626 targeted therapy Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 229940043263 traditional drug Drugs 0.000 description 1
Images
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
- 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
-
- 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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Physiology (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机科学领域，公开了基于图神经网络和自动编码器的抗癌药物敏感性预测方法。首先从PubChem、CCLE和PRISM数据库中获取相关数据，然后根据所提取的信息和K近邻的方法构建药物细胞系对稀疏相似性矩阵A；其次，利用自动编码器对细胞系的高维特征进行降维，并将药物的特征和细胞系的特征进行拼接之后得到药物细胞系对的特征矩阵X；再次，将A和X作为输入，利用初始残差连接图神经网络学习网络中每个节点的表征；最后使用全连接层预测药物细胞系对之间的敏感性数值。本发明充分将药物、细胞系和DCP之间的相似性信息进行融合，并将图卷积神经网络和初始残差连接进行融合，提高了药物与细胞系对之间的敏感性预测精度。
Description
技术领域
本发明属于计算机科学领域，涉及药物敏感性预测，具体涉及的是一种基于图神经网络和自动编码器的抗癌药物敏感性预测方法。
背景技术
目前，癌症的治疗与诊断仍是国内乃至世界上一个难以攻克的医学难题。据统计显示，每年约700到1000万人因难以治疗的癌症死亡，已成为世界范围内的第二大死亡原因。传统的癌症治疗方法有手术、放射治疗和全身治疗。但包括化疗和激素治疗在内的全身治疗方法在抑制癌细胞的同时也对身体产生了不可恢复的副作用。同时，同一抗癌药物对于患有同种癌症的不同病人具有不同的治疗效果。因此，传统“一刀切”的治疗方式已经不能满足癌症治疗的需求。
基于此，精准医疗孕育而生。精准医疗是一种针对病患不同的情况，进行个性化医疗诊断的医学模式。癌症患者对同一种药物的不同的临床反应带来了精准医疗的应用前景，然而，对所有的患者进行个性化治疗需要大量的财力物力，不易实施。因此，为突破精准医疗的成本高、实施困难等瓶颈问题，建立合适的药物敏感性预测模型至关重要。近年来大规模高通量筛选研究的出现以及基因学的发展为人们提供了大量的细胞系敏感性数据和细胞系组学特征，这有利于我们深度探索癌症与癌症药物直接的映射关系，更驱使许多研究者去发掘不同人所得癌症的不同之处。从而，药物敏感性预测模型的研究也得到了极大的推动。那么如何针对特定患者的基因组特征和药物表型进行建模和预测已成为个性化治疗的一大挑战。为此，开展改进的药物反应预测方法研究将会使更多的患者受益于靶向治疗，并减缓甚至消除治疗的副作用。
发明内容
本发明为解决现有的药物敏感性预测方法因未考虑药物细胞系对之间的相似性网络以及忽略解决传统图卷积神经网络面临的过平滑问题而导致准确率低下的技术缺陷，提供了基于图神经网络和自动编码器的抗癌药物敏感性预测方法。本方法充分将药物、细胞系和药物细胞系对之间的相似性信息进行融合，并且通过在图卷积神经网络中加入初始残差连接从而提高了预测精度。
本发明所采用的技术方案是：
基于图神经网络和自动编码器的抗癌药物敏感性预测方法，包括如下步骤：
1)从PubChem、CCLE和PRISM数据库中获取药物和细胞的各个特征以及细胞系对药物的敏感性数值IC50，然后根据所提取的信息构建药物细胞系对相似性矩阵S，进一步利用基于K近邻的方法在药物细胞系对相似性矩阵S中对每个节点的邻居节点进行采样，并得到药物细胞系对稀疏相似性矩阵A；
2)利用自动编码器对细胞系的高维组学特征进行降维，并得到细胞系的特征矩阵，将药物的分子指纹特征作为药物的特征矩阵，进而将药物的特征矩阵和细胞系的特征矩阵进行拼接之后得到药物细胞系对的特征矩阵X；
3)将稀疏相似性矩阵A和药物细胞系对的特征矩阵X作为输入，利用初始残差连接图神经网络学习药物细胞系对相似性网络中每个节点的表征；
4)使用带有激活函数的全连接层预测药物细胞系对之间的敏感性数值。
作为本发明的进一步改进，所述步骤1)中构建的药物细胞系对的相似性矩阵为：
其中，Sd(di1,di2)为药物相似性矩阵Sd的元素值，由药物di1和di2物化性质的皮尔逊相关系数得到；Sc(cj1,cj2)为细胞系相似性矩阵Sc的元素值，由细胞系cj1和cj2miRNA表达数据和CPG岛数据的皮尔逊相关系数的平均值得到；S(vi1,j1,vi2,j2)为药物细胞系对的相似性矩阵S的元素值，表示两个药物细胞系对vi1,j1和vi2,j2之间的相似性数值。
作为本发明的进一步改进，所述步骤1)中采用K近邻的方法为每个邻居节点筛选相似度最高的k个邻居节点；首先根据相似性对每个药物细胞系对u的所有邻接节点进行排序；之后为每个节点筛选出固定个最相似的节点构成节点的邻居集合Nu；最后通过公式(2)得到药物细胞系对稀疏相似性矩阵A
其中，Su,v为药物细胞系对u和v之间的相似性数值；Nu为节点u的邻居节点集合；Au,v为药物细胞系对稀疏相似性矩阵A第u行第v列对应的元素值。
作为本发明的进一步改进，所述步骤2)中利用自动编码器对细胞系的RNA序列信息和拷贝数信息进行降维，其中自动编码器由编码器和解码器组成，编码器和解码器都由若干个全连接层堆叠而成，编码器接收原始的输入c，经过若干层全连接层之后得到输入的低维表示，解码器将低维信息作为输入经过转换之后重构原始的输入c'，并且将c和c'之间的重构损失用于反向传播。
作为本发明的进一步改进，所述步骤2)中药物、细胞系和药物细胞系对的特征矩阵Xd，Xc和X的计算过程如下：
其中，Xd为药物的特征矩阵；Xc为细胞系的特征矩阵；
为药物di对应的特征；
为细胞系cj对应的特征；
为药物细胞系对vi,j对应的特征；Dfingerprint为药物的分子指纹特征；CRNAseq为细胞系的RNA序列信息；Ccopynumber为细胞系的拷贝数信息；||表示拼接。
作为本发明的进一步改进，所述步骤3)中初始残差连接图神经网络构建如下：将图卷积神经网络和初始残差连接进行融合，即图卷积神经网络的每一层都与节点的初始特征信息进行连接，初始残差连接图神经网络的迭代公式为：
其中，
为A的对称矩阵；
是
的度数矩阵
为对称矩阵
第i行第j列对应的值；H(l)和H(l+1)分别为经过l层和(l+1)层之后的输出；H(0)为节点的初始特征H(0)＝X；W(l)是第l层中可学习的权重参数；σ表示非线性的激活函数，本发明中为ReLu；
α代表初始表征信息所占比重的超参数。
与现有技术相比，本发明的有益效果为：
1.本方法充分将药物、细胞系和药物细胞系对之间的相似性信息进行融合，并构建了药物细胞系对相似性网络。
2.设计了基于K近邻的节点邻居采样方案缓解了在全图卷积的耗时问题；
3.利用堆叠式自动编码器学习细胞系高维组学特征的低维表示，使得细胞系的高维组学特征得到很好的利用；
4.采用初始残差连接图神经网络缓解了传统图卷积神经网络过平滑的问题。
附图说明
图1是基于图神经网络和自动编码器的抗癌药物敏感性预测方法的基本流程图；
图2是本发明的预测效果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进一步详细说明。
参照附图1，本发明提出的基于图神经网络和自动编码器的抗癌药物敏感性预测方法，具体通过以下步骤实现：
步骤1，从PubChem、CCLE和PRISM数据库中获取药物和细胞的各个特征以及细胞系对药物的敏感性数值IC50，然后根据所提取的信息构建药物细胞系对相似性矩阵S。从而利用基于K近邻的方法在药物细胞系对的相似性矩阵S中对每个节点的邻居节点进行采样，并得到药物细胞系对稀疏相似性矩阵A。
本实施例中，中构建的药物细胞系对的相似性矩阵为：
其中，Sd(di1,di2)为药物相似性矩阵Sd的元素值，由药物di1和di2物化性质的皮尔逊相关系数得到；Sc(cj1,cj2)为细胞系相似性矩阵Sc的元素值，由细胞系cj1和cj2miRNA表达数据和CPG岛数据的皮尔逊相关系数的平均值得到；S(vi1,j1,vi2,j2)为药物细胞系对的相似性矩阵S的元素值，表示两个药物细胞系对vi1,j1和vi2,j2之间的相似性数值。
本实施例中，采用K近邻的方法为每个邻居节点筛选相似度最高的k个邻居节点，本实施例中，k设置为10。首先根据相似性对每个药物细胞系对u的所有邻接节点进行排序；之后为每个节点筛选出固定个最相似的节点构成节点的邻居集合Nu；最后通过公式(2)得到药物细胞系对稀疏相似性矩阵A
其中，Su,v为药物细胞系对u和v之间的相似性数值；Nu为节点u的邻居节点集合；Au,v为药物细胞系对稀疏相似性矩阵A第u行第v列对应的元素值。
步骤2，利用自动编码器对细胞系的高维组学特征进行降维，并得到细胞系的特征矩阵，将药物的分子指纹特征作为药物的特征矩阵，进而将药物的特征矩阵和细胞系的特征矩阵进行拼接之后得到药物细胞系对的特征矩阵X。
本实施例中，利用自动编码器对细胞系的RNA序列信息和拷贝数信息进行降维，其中自动编码器由编码器和解码器组成，本实施例中编码器有两个隐含层，分别含有2048和1024个神经元，解码器也含有两个隐含层，分别含有1024和2048个神经元，编码器的输出含有400个神经元，也就是说AE的输出是400维的特征。编码器接收原始的输入c，经过若干层全连接层之后得到输入的低维表示，解码器将低维信息作为输入经过转换之后重构原始的输入c'，并且将c和c'之间的重构损失用于反向传播。
本实施例中，药物、细胞系和药物细胞系对的特征矩阵Xd，Xc和X的计算过程如下：
其中，Xd为药物的特征矩阵；Xc为细胞系的特征矩阵；
为药物di对应的特征；
为细胞系cj对应的特征；
为药物细胞系对vi,j对应的特征；Dfingerprint为药物的分子指纹特征；CRNAseq为细胞系的RNA序列信息；Ccopynumber为细胞系的拷贝数信息；||表示拼接。
步骤3，将稀疏相似性矩阵A和药物细胞系对的特征矩阵X作为输入，利用初始残差连接图神经网络学习药物细胞系对相似性网络中每个节点的表征。
本实施例中，初始残差连接图神经网络构建如下：将图卷积神经网络和初始残差连接进行融合，即图卷积神经网络的每一层都与节点的初始特征信息进行连接，初始残差连接图神经网络的迭代公式为：
其中，
为A的对称矩阵；
是
的度数矩阵
为对称矩阵
第i行第j列对应的值；H(l)和H(l+1)分别为经过l层和(l+1)层之后的输出；H(0)为节点的初始特征H(0)＝X；W(l)是第l层中可学习的权重参数；σ表示非线性的激活函数，本发明中为ReLu；
α代表初始表征信息所占比重的超参数。
步骤4，使用带有激活函数的全连接层预测药物细胞系对之间的敏感性数值。
为了验证本发明所提基于图神经网络和自动编码器的抗癌药物敏感性预测方法的有效性与优越性，以预测值和真实值之间的均方根误差(RMSE)、皮尔逊相关系数(PCC)和R2为性能指标，并基于相同的PRISM数据集，分别获取了六种基线策略的实验结果，如图2所示。其中，预测值和真实值之间的均方根误差越小，同时皮尔逊相关系数(PCC)和R2数值越大，即表明药物敏感性预测精度越高。显然，从图2可以看出，所提方法的均方根值为0.0897，远小于六种基线方法，而且皮尔逊相关系数(PCC)和R2分别为0.8614和0.6826，相比于基线方法中最优的tCNNs方法分别提高了1.13％和4.53％。综上所述，本发明所提方法可高效率、高精度的实现任意药物与癌症之间的敏感性预测。
上述说明示出并描述了发明应用的实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是其他实施例的排除，而可用于各种其他组合、修改和环境，并能在本文所述发明构想范围内，通过上述教导或相关领域的技术进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。
Claims (6)
1.基于图神经网络和自动编码器的抗癌药物敏感性预测方法，其特征在于，包含以下步骤：
步骤1，从PubChem、CCLE和PRISM数据库中获取药物和细胞的各个特征以及细胞系对药物的敏感性数值IC50，然后根据所提取的信息构建药物细胞系对相似性矩阵S，进一步利用基于K近邻的方法在药物细胞系对相似性矩阵S中对每个节点的邻居节点进行采样，并得到药物细胞系对稀疏相似性矩阵A；
步骤2，利用自动编码器对细胞系的高维组学特征进行降维，并得到细胞系的特征矩阵，将药物的分子指纹特征作为药物的特征矩阵，进而将药物的特征矩阵和细胞系的特征矩阵进行拼接之后得到药物细胞系对的特征矩阵X；
步骤3，将稀疏相似性矩阵A和药物细胞系对的特征矩阵X作为输入，利用初始残差连接图神经网络学习药物细胞系对相似性网络中每个节点的表征；
步骤4，使用带有激活函数的全连接层预测药物细胞系对之间的敏感性数值。
2.如权利要求1所述的基于图神经网络和自动编码器的抗癌药物敏感性预测方法，其特征在于，所述步骤1中，构建的药物细胞系对的相似性矩阵为：
其中，Sd(di1,di2)为药物相似性矩阵Sd的元素值，由药物di1和di2物化性质的皮尔逊相关系数得到；Sc(cj1,cj2)为细胞系相似性矩阵Sc的元素值，由细胞系cj1和cj2miRNA表达数据和CPG岛数据的皮尔逊相关系数的平均值得到；S(vi1,j1,vi2,j2)为药物细胞系对的相似性矩阵S的元素值，表示两个药物细胞系对vi1,j1和vi2,j2之间的相似性数值。
3.如权利要求1所述的基于图神经网络和自动编码器的抗癌药物敏感性预测方法，其特征在于，所述步骤1中，中采用K近邻的方法为每个邻居节点筛选相似度最高的k个邻居节点；首先根据相似性对每个药物细胞系对u的所有邻接节点进行排序；之后为每个节点筛选出固定个最相似的节点构成节点的邻居集合Nu；最后通过公式(2)得到药物细胞系对稀疏相似性矩阵A
其中，Su,v为药物细胞系对u和v之间的相似性数值；Nu为节点u的邻居节点集合；Au,v为药物细胞系对稀疏相似性矩阵A第u行第v列对应的元素值。
4.如权利要求1所述的基于图神经网络和自动编码器的抗癌药物敏感性预测方法，其特征在于，所述步骤2中，利用自动编码器对细胞系的RNA序列信息和拷贝数信息进行降维，其中自动编码器由编码器和解码器组成，编码器和解码器都由若干个全连接层堆叠而成，编码器接收原始的输入c，经过若干层全连接层之后得到输入的低维表示，解码器将低维信息作为输入经过转换之后重构原始的输入c'，并且将c和c'之间的重构损失用于反向传播。
5.如权利要求1所述的基于图神经网络和自动编码器的抗癌药物敏感性预测方法，其特征在于，所述步骤2中，药物、细胞系和药物细胞系对的特征矩阵Xd，Xc和X的计算过程如下：
其中，Xd为药物的特征矩阵；Xc为细胞系的特征矩阵；
为药物di对应的特征；
为细胞系cj对应的特征；
为药物细胞系对vi,j对应的特征；Dfingerprint为药物的分子指纹特征；CRNAseq为细胞系的RNA序列信息；Ccopynumber为细胞系的拷贝数信息；||表示拼接。
6.如权利要求1所述的基于图神经网络和自动编码器的抗癌药物敏感性预测方法，其特征在于，所述步骤3中，初始残差连接图神经网络构建如下：将图卷积神经网络和初始残差连接进行融合，即图卷积神经网络的每一层都与节点的初始特征信息进行连接，初始残差连接图神经网络的迭代公式为：
其中，
为A的对称矩阵；
是
的度数矩阵
为对称矩阵
第i行第j列对应的值；H(l)和H(l+1)分别为经过l层和(l+1)层之后的输出；H(0)为节点的初始特征H(0)＝X；W(l)是第l层中可学习的权重参数；σ表示非线性的激活函数，本发明中为ReLu；α代表初始表征信息所占比重的超参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210391128.XA CN114974610B (zh) | 2022-04-14 | 2022-04-14 | 基于图神经网络和自动编码器的抗癌药物敏感性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210391128.XA CN114974610B (zh) | 2022-04-14 | 2022-04-14 | 基于图神经网络和自动编码器的抗癌药物敏感性预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114974610A true CN114974610A (zh) | 2022-08-30 |
| CN114974610B CN114974610B (zh) | 2024-05-31 |
Family
ID=82978429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210391128.XA Active CN114974610B (zh) | 2022-04-14 | 2022-04-14 | 基于图神经网络和自动编码器的抗癌药物敏感性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114974610B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115966316A (zh) * | 2023-02-10 | 2023-04-14 | 北京大学 | 肿瘤药物敏感性预测方法、系统、设备及存储介质 |
| CN116705195A (zh) * | 2023-06-07 | 2023-09-05 | 之江实验室 | 基于矢量量化的图神经网络的药物性质预测方法和装置 |
| CN116705194A (zh) * | 2023-06-06 | 2023-09-05 | 之江实验室 | 一种基于图神经网络的药物抑癌敏感性预测方法与装置 |
| CN117153325A (zh) * | 2023-10-30 | 2023-12-01 | 佛山科学技术学院 | 一种基于图对比学习的抗癌药物有效性评估方法及系统 |
| CN117524346A (zh) * | 2023-11-20 | 2024-02-06 | 东北林业大学 | 一种多视图癌症药物反应预测系统 |
| CN118609855A (zh) * | 2024-08-07 | 2024-09-06 | 四川省计算机研究院 | 基于异构图神经网络和多组学的癌症药物反应预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180253640A1 (en) * | 2017-03-01 | 2018-09-06 | Stc.Unm | Hybrid architecture system and method for high-dimensional sequence processing |
| CN108830040A (zh) * | 2018-06-07 | 2018-11-16 | 中南大学 | 一种基于细胞系和药物相似性网络的药物敏感性预测方法 |
| CN108877953A (zh) * | 2018-06-06 | 2018-11-23 | 中南大学 | 一种基于多相似性网络的药物敏感性预测方法 |
| CN111798030A (zh) * | 2020-06-02 | 2020-10-20 | 中国科学院合肥物质科学研究院 | 一种基于深度遗传信息特征的药物敏感性预测方法及装置 |
| CN112164474A (zh) * | 2020-07-14 | 2021-01-01 | 中国矿业大学 | 一种基于自表达模型的药物敏感性预测方法 |
| CN112863696A (zh) * | 2021-04-25 | 2021-05-28 | 浙江大学 | 基于迁移学习和图神经网络的药物敏感性预测方法和装置 |
| US20210374499A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Iterative deep graph learning for graph neural networks |
| US20220310273A1 (en) * | 2021-03-23 | 2022-09-29 | MBD Co., Ltd. | System for evaluating sensitivity to anti-cancer agent and a computer readable medium storing programs executing an evaluating method |
-
2022
- 2022-04-14 CN CN202210391128.XA patent/CN114974610B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180253640A1 (en) * | 2017-03-01 | 2018-09-06 | Stc.Unm | Hybrid architecture system and method for high-dimensional sequence processing |
| CN108877953A (zh) * | 2018-06-06 | 2018-11-23 | 中南大学 | 一种基于多相似性网络的药物敏感性预测方法 |
| CN108830040A (zh) * | 2018-06-07 | 2018-11-16 | 中南大学 | 一种基于细胞系和药物相似性网络的药物敏感性预测方法 |
| US20210374499A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Iterative deep graph learning for graph neural networks |
| CN111798030A (zh) * | 2020-06-02 | 2020-10-20 | 中国科学院合肥物质科学研究院 | 一种基于深度遗传信息特征的药物敏感性预测方法及装置 |
| CN112164474A (zh) * | 2020-07-14 | 2021-01-01 | 中国矿业大学 | 一种基于自表达模型的药物敏感性预测方法 |
| US20220310273A1 (en) * | 2021-03-23 | 2022-09-29 | MBD Co., Ltd. | System for evaluating sensitivity to anti-cancer agent and a computer readable medium storing programs executing an evaluating method |
| CN112863696A (zh) * | 2021-04-25 | 2021-05-28 | 浙江大学 | 基于迁移学习和图神经网络的药物敏感性预测方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| WONJUN CHOI等: "Identifying disease-gene associations using a convolutional neural network-based model by embedding a biological knowledge graph with entity descriptions", 《PLOS ONE》, vol. 16, no. 10, 15 October 2021 (2021-10-15) * |
| 彭绍亮等: "基因组大数据变异检测算法的并行优化", 《大数据》, vol. 6, no. 05, 31 December 2020 (2020-12-31) * |
| 王波;魏东;李玉双;: "基于细胞系-药物K近邻的抗癌药物敏感性预测", 数学的实践与认识, no. 04, 23 February 2020 (2020-02-23) * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115966316A (zh) * | 2023-02-10 | 2023-04-14 | 北京大学 | 肿瘤药物敏感性预测方法、系统、设备及存储介质 |
| CN116705194A (zh) * | 2023-06-06 | 2023-09-05 | 之江实验室 | 一种基于图神经网络的药物抑癌敏感性预测方法与装置 |
| CN116705194B (zh) * | 2023-06-06 | 2024-06-04 | 之江实验室 | 一种基于图神经网络的药物抑癌敏感性预测方法与装置 |
| CN116705195A (zh) * | 2023-06-07 | 2023-09-05 | 之江实验室 | 基于矢量量化的图神经网络的药物性质预测方法和装置 |
| CN116705195B (zh) * | 2023-06-07 | 2024-03-26 | 之江实验室 | 基于矢量量化的图神经网络的药物性质预测方法和装置 |
| CN117153325A (zh) * | 2023-10-30 | 2023-12-01 | 佛山科学技术学院 | 一种基于图对比学习的抗癌药物有效性评估方法及系统 |
| CN117153325B (zh) * | 2023-10-30 | 2024-01-30 | 佛山科学技术学院 | 一种基于图对比学习的抗癌药物有效性评估方法及系统 |
| CN117524346A (zh) * | 2023-11-20 | 2024-02-06 | 东北林业大学 | 一种多视图癌症药物反应预测系统 |
| CN118609855A (zh) * | 2024-08-07 | 2024-09-06 | 四川省计算机研究院 | 基于异构图神经网络和多组学的癌症药物反应预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114974610B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114974610A (zh) | 基于图神经网络和自动编码器的抗癌药物敏感性预测方法 | |
| Cao et al. | Deep learning and its applications in biomedicine | |
| Min et al. | Deep learning in bioinformatics | |
| WO2023202508A1 (zh) | 一种基于认知图谱的全科患者个性化诊疗方案推荐系统 | |
| Sontakke et al. | Diagnosis of liver diseases using machine learning | |
| Yarnold et al. | Predicting in‐hospital mortality of patients with AIDS‐related Pneumocystis carinii pneumonia: an example of hierarchically optimal classification tree analysis | |
| CN111798954A (zh) | 基于时间注意力机制和图卷积网络的药物组合推荐方法 | |
| CN109558493B (zh) | 一种基于疾病本体的疾病相似度计算方法 | |
| CN111387938B (zh) | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 | |
| Rahman et al. | Ovarian cancer classification accuracy analysis using 15-neuron artificial neural networks model | |
| CN112183837A (zh) | 一种基于自编码模型的miRNA与疾病关联关系预测方法 | |
| CN113642613B (zh) | 基于改进樽海鞘群算法的医学疾病特征选择方法 | |
| Ma et al. | Multi-view factorization autoencoder with network constraints for multi-omic integrative analysis | |
| CN116230077B (zh) | 基于重启超图双随机游走的抗病毒药物筛选方法 | |
| CN113486922B (zh) | 基于栈式自编码器的数据融合优化方法及其系统 | |
| Jiang et al. | Multi-learner based deep meta-learning for few-shot medical image classification | |
| CN108877923A (zh) | 一种基于深度学习的舌苔生成中药处方的方法 | |
| Ma et al. | Machine learning in TCM with natural products and molecules: current status and future perspectives | |
| CN114898871A (zh) | 一种基于人工神经网络的心脏病诊断研究方法 | |
| Wang et al. | ncDLRES: a novel method for non-coding RNAs family prediction based on dynamic LSTM and ResNet | |
| Tuppad et al. | An efficient classification framework for type 2 diabetes incorporating feature interactions | |
| CN112687329A (zh) | 一种基于非癌组织突变信息的癌症预测系统及其构建方法 | |
| CN115329929A (zh) | 一种大脑功能网络的超图表示方法 | |
| CN114582497A (zh) | 基于图卷积神经网络的中医证型分类方法 | |
| CN112151184A (zh) | 基于网络表示学习的计算疾病相似度系统 |
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 |