CN117334246A - 一种基于计算的药物重定位的方法、装置及存储介质 - Google Patents

一种基于计算的药物重定位的方法、装置及存储介质 Download PDF

Info

Publication number
CN117334246A
CN117334246A CN202311284290.2A CN202311284290A CN117334246A CN 117334246 A CN117334246 A CN 117334246A CN 202311284290 A CN202311284290 A CN 202311284290A CN 117334246 A CN117334246 A CN 117334246A
Authority
CN
China
Prior art keywords
gene
target
genes
distance
acting
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
Application number
CN202311284290.2A
Other languages
English (en)
Other versions
CN117334246B (zh
Inventor
童丹阳
李劲松
马静
王昱
田雨
周天舒
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202311284290.2A priority Critical patent/CN117334246B/zh
Publication of CN117334246A publication Critical patent/CN117334246A/zh
Application granted granted Critical
Publication of CN117334246B publication Critical patent/CN117334246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16B15/30—Drug targeting using structural data; Docking or binding prediction
    • 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
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • 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
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
    • G16B50/30—Data warehousing; Computing architectures
    • 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
    • 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)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medicinal Chemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Analytical Chemistry (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Toxicology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本说明书公开了一种基于计算的药物重定位的方法、装置及存储介质，获取待检测样本的基因表达数据，将所述基因表达数据输入预先训练的通路异常检测模型，获得若干个通路及所述若干个通路对应的通路异常评分，根据所述若干个通路对应的通路异常评分，确定目标通路，获取待重定位药物的作用基因集，根据目标通路，构建有向图，根据有向图，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述有向图为以基因为节点，以基因之间的交互关系为边构建的，根据所述距离，对待重定位药物进行重定位。本方法通过作用基因与目标基因之间的距离，对药物进行重定位，提高了药物重定位的效率。

Description

一种基于计算的药物重定位的方法、装置及存储介质
技术领域
本说明书涉及医疗领域，尤其涉及一种基于计算的药物重定位的方法、装置及存储介质。
背景技术
随着医疗技术的发展，现已研发出多种可辅助医生治疗各类疾病的药物，例如，辅助医生治疗肿瘤的药物，由于药物研发的周期较长，花费较高，因此，可通过对已研制出的药物进行重定位，分析该药物除已确定出的可辅助医生治疗的疾病以外，是否还可辅助医生治疗其他疾病。由于通过实验的方式对药物进行重定位的成本较高，效率较低。
基于此，本说明书提供一种基于计算的药物重定位的方法。
发明内容
本说明书提供一种基于计算的药物重定位的方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种基于计算的药物重定位的方法，包括：
获取用户的待检测样本的基因表达数据；
将所述基因表达数据输入预先训练的通路异常检测模型，获得所述基因表达数据的若干个通路及所述若干个通路对应的通路异常评分；
根据所述若干个通路对应的通路异常评分，确定目标通路；获取待重定位药物，并确定所述待重定位药物的作用基因集；
根据所述目标通路，构建有向图，其中，所述有向图为以基因为节点，以基因之间的交互关系为边构建的；并根据所述有向图，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离；
根据所述距离，对所述待重定位药物进行重定位
可选地，根据所述若干个通路对应的通路异常评分，确定目标通路，具体包括：
将所述若干个通路对应的通路异常评分输入预先定义的分析模型，以根据所述分析模型的输出结果，确定目标通路。
可选地，根据所述分析模型的输出结果，确定目标通路，具体包括：
针对每个通路，根据所述分析模型的输出结果，确定该通路的重要性；
当该通路的重要性大于预设阈值时，将该通路作为目标通路。
可选地，根据所述有向图，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，具体包括：
以无传入边的基因为起点，无传出边的基因为终点，确定所述有向图中的所有不循环路径；
在所述不循环路径中，针对每个基因，确定包括该基因的路径数量；并确定所述路径数量的最大值；
根据所述路径数量及所述路径数量的最大值，确定目标基因的基因重要性系数；
根据所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述基因重要性系数为：
P为所述目标通路的目标基因集，j为P中基因的数量，g为基因，为所述路径数量，/>为所述路径数量的最大值，/>为所述基因重要性系数。
可选地，当所述作用基因集中的作用基因与所述目标基因集的目标基因完全不相同时，根据所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，具体包括：
在所述有向图中，针对每个作用基因，确定该作用基因与每个目标基因的最短距离；
根据所述最短距离及所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述距离为：
Dmp为所述距离，g为基因，M为所述作用基因集，i为M中基因的数量，dij为所述最短距离，P为所述目标通路的目标基因集，j为P中基因的数量。
可选地，当所述作用基因集中的作用基因与所述目标基因集的目标基因存在相同基因时，根据所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，具体包括：
在所述有向图中，针对每个作用基因，确定该作用基因的上游基因及下游基因；并确定该作用基因与每个目标基因的最短距离；
根据所述上游基因、所述下游基因、所述最短距离及所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述距离为：
Dmp为所述距离，M为所述作用基因集，i为M中基因的数量，M’为相同作用基因集，i′为M’中基因的数量，DImp为相同作用基因与所述目标通路中的目标基因的距离，DOmp为不同作用基因与所述目标通路中的目标基因的距离，为P中与M相同的目标基因的基因重要性系数，/>为P中与M不相同的目标基因的基因重要性系数，/>为作用基因的下游基因集，dij为所述最短距离。
可选地，根据所述距离，对所述待重定位药物进行重定位，具体包括：
确定参考距离；
判断所述距离是否小于所述参考距离；
若是，则获得所述待重定位药物的重定位结果。
可选地，确定参考距离，具体包括：
在所述有向图中选取基因，得到若干个参考基因集，其中，针对每个参考基因集，该参考基因集包括预设数量的基因；
针对每个参考基因集，确定该参考基因集中的参考基因与所述目标基因集中的目标基因的距离，作为待筛选参考距离；
在待筛选参考距离集中，根据预设比例，确定参考距离。
本说明书提供了一种药物重定位的装置，包括：
基因表达数据获取模块，用于获取用户的待检测样本的基因表达数据；
通路异常评分确定模块，用于将所述基因表达数据输入预先训练的通路异常检测模型，获得所述基因表达数据的若干个通路及所述若干个通路对应的通路异常评分；
目标通路确定模块，用于根据所述若干个通路对应的通路异常评分，确定目标通路；获取待重定位药物，并确定所述待重定位药物的作用基因集；
距离确定模块，用于根据所述目标通路，构建有向图，其中，所述有向图为以基因为节点，以基因之间的交互关系为边构建的；并根据所述有向图，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离；
重定位模块，用于根据所述距离，对所述待重定位药物进行重定位。
可选地，所述目标通路确定模块具体用于，将所述若干个通路对应的通路异常评分输入预先定义的分析模型，以根据所述分析模型的输出结果，确定目标通路。
可选地，所述目标通路确定模块具体用于，针对每个通路，根据所述分析模型的输出结果，确定该通路的重要性；当该通路的重要性大于预设阈值时，将该通路作为目标通路。
可选地，所述距离确定模块具体用于，以无传入边的基因为起点，无传出边的基因为终点，确定所述有向图中的所有不循环路径；在所述不循环路径中，针对每个基因，确定包括该基因的路径数量；并确定所述路径数量的最大值；根据所述路径数量及所述路径数量的最大值，确定目标基因的基因重要性系数；根据所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述基因重要性系数为：
P为所述目标通路的目标基因集，j为P中基因的数量，g为基因，为所述路径数量，/>为所述路径数量的最大值，/>为所述基因重要性系数。
可选地，所述距离确定模块具体用于，当所述作用基因集中的作用基因与所述目标基因集的目标基因完全不相同时，在所述有向图中，针对每个作用基因，确定该作用基因与每个目标基因的最短距离；根据所述最短距离及所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述距离为：
Dmp为所述距离，g为基因，M为所述作用基因集，i为M中基因的数量，dij为所述最短距离，P为所述目标通路的目标基因集，j为P中基因的数量。
可选地，所述距离确定模块具体用于，当所述作用基因集中的作用基因与所述目标基因集的目标基因存在相同基因时，在所述有向图中，针对每个作用基因，确定该作用基因的上游基因及下游基因；并确定该作用基因与每个目标基因的最短距离；根据所述上游基因、所述下游基因、所述最短距离及所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述距离为：
Dmp为所述距离，M为所述作用基因集，i为M中基因的数量，M’为相同作用基因集，i′为M’中基因的数量，DImp为相同作用基因与所述目标通路中的目标基因的距离，DOmp为不同作用基因与所述目标通路中的目标基因的距离，为P中与M相同的目标基因的基因重要性系数，/>为P中与M不相同的目标基因的基因重要性系数，/>为作用基因的下游基因集，dij为所述最短距离。
可选地，所述重定位模块具体用于，确定参考距离；判断所述距离是否小于所述参考距离；若是，则获得所述待重定位药物的重定位结果。
可选地，所述重定位模块具体用于，在所述有向图中选取基因，得到若干个参考基因集，其中，针对每个参考基因集，该参考基因集包括预设数量的基因；针对每个参考基因集，确定该参考基因集中的参考基因与所述目标基因集中的目标基因的距离，作为待筛选参考距离；在待筛选参考距离集中，根据预设比例，确定参考距离。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述药物重定位的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述药物重定位的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
从本说明书提供的药物重定位的方法可以看出，本方法通过将待检测样本的基因表达数据转换为通路异常评分，根据通路异常评分确定目标通路，并确定待重定位药物的作用基因，再根据以目标通路构建的有向图，确定出作用基因与目标基因的距离，对待重定位药物进行重定位。也就是说，通过通路的生物学知识和拓扑学结构来提高药物重定位的性能，提高了药物重定位的效率，减少了药物重定位的成本。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种基于计算的药物重定位的方法的流程示意图；
图2为本说明书提供的一种循环路径示意图；
图3为本说明书提供的一种基于计算的药物重定位的装置结构的示意图；
图4为本说明书提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种基于计算的药物重定位的方法的流程示意图，包括以下步骤：
S100：获取用户的待检测样本的基因表达数据。
在本说明书一个或多个实施例中，研发用于辅助医生治疗肿瘤的药物时，需要进行较多的实验，花费较高，周期长，因此，可对已研发出的药物进行重定位，提高药物的利用率。现有药物重定位方法可以分为基于实验的药物重定位与基于计算的药物重定位两个大类。其中，基于实验的药物重定位主要是针对现有药物进行检测，依然需要耗费大量的时间与劳动力，无法用于大规模的药物重定位。而基于计算的药物重定位则是利用公开数据库和生物信息进行药物重定位，成本较低，但无法识别出针对某一肿瘤的特异性潜在治疗靶点，进而导致药物重定位分析得到的药物无法特异性作用于特定的肿瘤类型。因此，本说明书提供一种基于计算的药物重定位的方法。
本说明书的执行主体可为用于查询公开数据库中的基因表达数据的服务器，也可以是用于模型训练的其他电子设备。其中，服务器可以是单独一台设备，或者由多台设备组成的系统，即分布式服务器。为了便于说明，本说明书以服务器为执行主体，对本说明书提供的药物重定位的方法进行说明。
为了对药物进行重定位，服务器需要获取用户的待检测样本的基因表达数据。也就是说，服务器先获取待检测样本，在从公开数据集中获取待检测样本的基因表达数据。需要说明的是，根据待检测样本的不同，公开数据库也会不同，公开数据库包括TheGenotype-Tissue Expression(GTEx)数据库、Gene Expression Omnibus(GEO)数据库、TheCancer Genome Atlas(TCGA)数据库等。
S102：将所述基因表达数据输入预先训练的通路异常检测模型，获得所述基因表达数据的若干个通路及所述若干个通路对应的通路异常评分。
为了进一步分析基因表达数据中的信息，确定潜在靶点，服务器可利用该基因表达数据进行个体通路活性评估。
具体的，服务器可将该基因表达数据输入预先训练的通路异常检测模型，获得该基因表达数据的若干个通路及该若干个通路对应的通路异常评分。其中，通路指基于既往的科学研究得到与生物系统内同一功能相关的基因或分子间的相互作用、反应和关系网络，通路异常检测指对于某个患病个体的某个通路的活动情况与健康个体同一通路的活动情况的差异的评估，包括是否与健康个体有显著差异，以及差异程度的评估。
当然，服务器还可通过Pathifier、PROPS等个体通路活性评估方法，对该基因表达数据进行分析。通过Pathifier方法进行分析时，服务器还需获取待检测样本对应的正常样本的基因表达数据，根据待检测样本及正常样本的基因表达数据，选择主成分数量，并对背景基因数据进行过滤，以获得主成分曲线，进而评估个体的通路异常情况。本说明书不限制如何进行个体通路活性评估。
此外，服务器将该基因表达数据输入预先训练的通路异常检测模型之前，还可对该基因表达数据进行预处理，其中，预处理包括标准化、缺失值和归一化。也就是说，服务器可将待检测样本的特征ID转换为同一类型的基因ID，对基因表达数据中的缺失值进行特征删除、缺失值填补等处理，并对进行归一化。
S104：根据所述若干个通路对应的通路异常评分，确定目标通路。
在本说明书一个或多个实施例中，为了确定潜在靶点，服务器可对该基因表达数据及该若干个通路对应的通路异常评分，确定若干个通路的重要性，根据该重要性，确定目标通路，以便后续确定潜在靶点。
具体的，服务器可将该若干个通路对应的通路异常评分输入预先定义的分析模型，以根据该分析模型的输出结果，确定目标通路。即针对每个通路，根据该分析模型的输出结果，确定该通路的重要性，当该通路的重要性大于预设阈值时，将该通路作为目标通路。
服务器还可通过随机生存森林、Lasso Cox回归(Lasso Cox regression)等分析方法，对该若干个通路对应的通路异常评分进行分析，以获取目标通路，本说明书对此不作限制。
此外，为了得到更稳定的结果，即为了获取更准确的目标通路，服务器对该若干个通路对应的通路异常评分进行分析之前，对基因表达数据进行重采样，并将重采样后的基因表达数据的若干个通路对应的通路异常评分重复输入分析模型，得到若干个通路的重要性，并筛选出目标通路。本说明书不限制如何筛选目标通路。
例如，执行100次将重采样后基因表达数据的若干个通路对应的通路异常评分重复输入分析模型的操作，得到100个若干个通路的重要性的集合，在这100个集合中，针对每个通路，若该通路在集合中的重要性均大于预设阈值对应的通路，作为目标通路。
S106：获取待重定位药物，并确定所述待重定位药物的作用基因集。
在本说明书一个或多个实施例中，服务器可根据公开药物数据库，获取待重定位药物的靶点集合，即待重定位药物的作用基因集。本说明书不限制执行S106的顺序，只要在执行步骤S108之前执行S106即可。
S108：根据所述目标通路，构建有向图，其中，所述有向图为以基因为节点，以基因之间的交互关系为边构建的；并根据所述有向图，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离。
由于服务器是通过有向图，即服务器是通过通路的生物学知识和拓扑学结构，确定作用基因与目标基因的距离，进而对该待重定位药物进行重定位的，因此，服务器需要根据所述目标通路，构建有向图，以便后续根据该有向图，确定距离，进而进行药物重定位。
具体的，服务器通过The Human Reference Interactome(HuRI)、Hetionet等公开数据库及目标通路中的目标基因，构建有向图，其中，该有向图是以基因为节点，以基因之间的交互关系为边构建的，并且，该有向图的方向与基因之间的交互关系相关，交互关系包括表达调控关系、功能相关性、共表达关系上下游关系等。需要说明的是，该有向图中包括作用基因。
在确定该作用基因集中的作用基因与该目标通路中的目标基因的距离时，由于作用基因无法作用于自身的上游基因，那么，该作用基因集中的作用基因与该目标通路中的目标基因的距离也会因为目标基因是否为作用基因的上游基因而有所不同。因此，服务器可根据作用基因集及目标基因集是否有相同的基因，选择确定该作用基因集中的作用基因与该目标通路中的目标基因的距离的方法。其中，目标基因集为目标通路中包括的目标基因的集合。
当该作用基因集中的作用基因与该目标基因集的目标基因完全不相同时，服务器先确定最短距离，即在该有向图中，针对每个作用基因，确定该作用基因与每个目标基因的最短距离。其中，最短距离是指在所有包含该作用基因的路径中，该作用基因经过最少数量的基因到达目标基因的路径的距离。
再根据该最短距离，确定该作用基因集中的作用基因与该目标通路中的目标基因的距离，其中，该距离为：
Dmp为该距离，g为基因，M为该作用基因集，i为M中基因的数量，i＝1,2……，dij为该最短距离，P为该目标通路的目标基因集，j为P中基因的数量，j＝1,2……。
当该作用基因集中的作用基因与该目标基因集的目标基因存在相同基因时，即作用基因集及目标基因集有交集时，将作用基因集中与该目标基因集相同的作用基因，作为相同作用基因，所有相同作用基因的集合作为相同作用基因集，不同的作用基因作为不同作用基因。分别确定相同作用基因与该目标基因集的目标基因的距离，以及不同作用基因与该目标基因集的目标基因的距离。再根据相同作用基因与该目标基因集的目标基因的距离以及不同作用基因与该目标基因集的目标基因的距离，确定最终的该作用基因集中的作用基因与该目标通路中的目标基因的距离。
具体的，当该作用基因集中的作用基因与该目标基因集的目标基因完全不相同时，得到的该作用基因集中的作用基因与该目标通路中的目标基因的距离，即为不同作用基因与该目标基因集的目标基因的距离。那么，不同作用基因与该目标通路中的目标基因的距离DOmp为：
DOmp为不同作用基因与该目标通路中的目标基因的距离，g为基因，M为该作用基因集，i为M中基因的数量，i＝1,2……，dij为最短距离，P为该目标通路的目标基因集，j为P中基因的数量，j＝1,2……。
确定相同作用基因与该目标基因集的目标基因的距离时，在该有向图中，针对每个作用基因，确定该作用基因的上游基因及下游基因，并确定该作用基因与每个目标基因的最短距离，根据该上游基因、该下游基因及该最短距离，确定该作用基因集中的作用基因与该目标通路中的目标基因的距离，其中，该距离为：
DImp为相同作用基因与该目标通路中的目标基因的距离，g为基因，M’为相同作用基因集，i′为M’中基因的数量，i′＝1,2……，dij为最短距离，为作用基因的下游基因集。
在该有向图中，针对每个作用基因，确定该作用基因的上游基因及下游基因时，服务器根据该作用基因的上游基因及下游基因，在目标基因集中，确定与该作用基因的上游基因匹配的基因，及与该作用基因的下游基因匹配的基因，并将所有作用基因的上游基因集记为将所有作用基因的下游基因集记为/>
那么，该作用基因集中的作用基因与该目标通路中的目标基因的距离为：
S110：根据所述距离，对所述待重定位药物进行重定位。
由于作用基因与目标基因的距离较近，那么待重定位药物可能可作用于目标基因，那么，该待重定位药物则可辅助医生治疗待检测样本对应的疾病。那么，服务器还需确定参考距离，以评估作用基因与目标基因的距离是否足够小，以确定该待重定位药物可辅助医生治疗待检测样本对应的疾病。
具体的，服务器在该有向图中选取基因，得到若干个参考基因集，其中，针对每个参考基因集，该参考基因集包括预设数量的基因。针对每个参考基因集，确定该参考基因集中的参考基因与该目标基因集中的目标基因的距离，作为待筛选参考距离。在待筛选参考距离集中，根据预设比例，确定参考距离。也就是说，服务器可在有向图中选取i个基因，按照步骤S108中当该作用基因集中的作用基因与该目标基因集的目标基因存在相同基因时，确定作用基因与目标基因的距离的方式，确定选取的基因与目标基因的距离，即待筛选参考距离。重复执行选取i个基因并确定距离的步骤，以获取预设数目的待筛选参考距离，得到待筛选参考距离集，再根据预设比例，在待筛选参考距离集中确定参考距离，若作用基因与目标基因的距离小于参考距离，则获得该待重定位药物的重定位结果，且该待重定位药物的重定位结果为该待重定位药物则可辅助医生治疗待检测样本对应的疾病。若作用基因与目标基因的距离不小于参考距离，则获得该待重定位药物的重定位结果，且该待重定位药物的重定位结果为该待重定位药物则不可辅助医生治疗待检测样本对应的疾病。
基于图1所示的药物重定位的方法，通过将待检测样本的基因表达数据转换为通路异常评分，根据通路异常评分确定目标通路，并确定待重定位药物的作用基因，再根据以目标通路构建的有向图，确定出作用基因与目标基因的距离，对待重定位药物进行重定位。也就是说，通过通路的生物学知识和拓扑学结构来提高药物重定位的性能，提高了药物重定位的效率，减少了药物重定位的成本。
针对步骤S108，为了进一步优化药物重定位的结果，可在执行步骤S108时，设置基因重要性系数，并且，作用基因集及目标基因集中存在相同基因时，与不存在相同基因时，基因重要性系数不相同。
具体的，当该作用基因集中的作用基因与该目标基因集的目标基因完全不相同时，服务器可以无传入边的基因为起点，无传出边的基因为终点，确定有向图中的所有不循环路径。其中，不循环是指不重复经过同一个基因。
图2为本说明书提供的一种循环路径示意图，如图2所示，基因包括55312～55315，虽然55312无传入边，55315无传出边，但55313与55314可构成循环，因此，针对55312，图2中无包括该基因的路径。
在该不循环路径中，针对每个基因，确定包括该基因的路径数量，并确定该路径数量的最大值。根据该路径数量及该路径数量的最大值，确定目标基因的基因重要性系数，且该目标基因的基因重要性系数为：
P为该目标通路的目标基因集，j＝1,2……，g为基因，为路径数量，/>为路径数量的最大值，/>为目标基因的基因重要性系数。
那么，当该作用基因集中的作用基因与该目标基因集的目标基因完全不相同时，根据该基因重要性系数，确定该作用基因集中的作用基因与该目标通路中的目标基因的距离，且该作用基因集中的作用基因与该目标通路中的目标基因的距离为：
当该作用基因集中的作用基因与该目标基因集的目标基因存在相同基因时，由于基因重要性系数是根据包含某个基因的路径数量及该路径数量的最大值确定的，而当该作用基因集中的作用基因与该目标基因集的目标基因存在相同基因时，作用基因无法作用于自身的上游基因，包含某个基因的路径数量及该路径数量的最大值会发生变化，因此，基因重要性系数也会有所不同。基因重要系数可分为两种，一种为与作用基因不同的目标基因的基因重要性系数即P中与M不相同的目标基因的基因重要性系数，该基因重要性系数与当该作用基因集中的作用基因与该目标基因集的目标基因完全不相同时的目标基因的基因重要性系数相同，即：
另一种为与作用基因相同的目标基因的基因重要性系数即/>为P中与M相同的目标基因的基因重要性系数，/>为P中与M不相同的目标基因的基因重要性系数。
服务器在确定时，在该有向图中，针对每个作用基因，确定该作用基因的上游基因及下游基因，根据该作用基因的上游基因及下游基因，在目标基因集中，确定与该作用基因的上游基因匹配的基因，及与该作用基因的下游基因匹配的基因，并将所有作用基因的上游基因集记为/>将所有作用基因的下游基因集记为/>那么，针对每个相同作用基因，在该有向图中，包含该相同作用基因的路径数量为：
为P中经过基因gj的全部路径，/>则是/>中的某个路径，/>则是路径/>中基因gj到该路径终点的子路径，/>是路径/>的长度。
再根据包含该相同作用基因的路径数量，确定P中与M相同的目标基因的基因重要性系数，即
那么，相同作用基因与该目标基因集的目标基因的距离DImp为：
其中，M’为相同作用基因集，i′为M’中基因的数量，i′＝1,2……，为作用基因的下游基因集。
不同作用基因与该目标通路中的目标基因的距离DOmp为：
则根据上游基因、下游基因、最短距离及基因重要性系数，确定作用基因集中的作用基因与目标通路中的目标基因的距离，且该作用基因集中的作用基因与该目标通路中的目标基因的距离为：
需要说明的是，DImp与DOmp的权重系数及/>可根据需要设置，本说明书对此不做限制。
执行步骤S110之后，为了便于后续查询，服务器还可基于DrugBank、FDA临床实验、已发表的文献资料、ReDO数据库等公开数据集构建已有药物的适应症列表，其中，药物-肿瘤的关系分别为：已被确认为辅助治疗药物、正在进行临床试验、文献资料显示为潜在反正治疗药物、尚未发现相关性。
本说明书还提供一种通路异常检测模型的训练方法。
具体的，采集肿瘤组织样本基因表达数据及正常组织样本基因表达数据，并将正常组织样本基因表达数据作为标签，对肿瘤组织样本基因表达数据进行缺失值处理和归一化处理，将处理后的肿瘤组织样本基因表达数据输入通路异常检测模型，确定通路异常检测模型输出的预测结果，并确定通路异常检测模型输出的预测结果与标签的差异，以最小化该差异为训练目标，对通路异常检测模型进行训练。
以上为本说明书的一个或多个实施的方法，基于图1所示的药物重定位的方法的流程示意图，本说明书还提供了相应的药物重定位的装置，如图3所示。
图3为本说明书提供的一种的药物重定位的装置的示意图，包括：
基因表达数据获取模块300，用于获取用户的待检测样本的基因表达数据；
通路异常评分确定模块302，用于将所述基因表达数据输入预先训练的通路异常检测模型，获得所述基因表达数据的若干个通路及所述若干个通路对应的通路异常评分；
目标通路确定模块304，用于根据所述若干个通路对应的通路异常评分，确定目标通路；获取待重定位药物，并确定所述待重定位药物的作用基因集；
距离确定模块306，用于根据所述目标通路，构建有向图，其中，所述有向图为以基因为节点，以基因之间的交互关系为边构建的；并根据所述有向图，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离；
重定位模块308，用于根据所述距离，对所述待重定位药物进行重定位。
可选地，所述目标通路确定模块304具体用于，将基因表达数据及所述若干个通路对应的通路异常评分输入预先定义的分析模型，以根据所述分析模型的输出结果，确定目标通路。
可选地，所述目标通路确定模块304具体用于，针对每个通路，根据所述分析模型的输出结果，确定该通路的重要性；当该通路的重要性大于预设阈值时，将该通路作为目标通路。
可选地，所述距离确定模块306具体用于，以无传入边的基因为起点，无传出边的基因为终点，确定所述有向图中的所有不循环路径；在所述不循环路径中，针对每个基因，确定包括该基因的路径数量；并确定所述路径数量的最大值；根据所述路径数量及所述路径数量的最大值，确定目标基因的基因重要性系数；根据所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述基因重要性系数为：
P为所述目标通路的目标基因集，j为P中基因的数量，g为基因，为所述路径数量，/>为所述路径数量的最大值，/>为所述基因重要性系数。
可选地，所述距离确定模块306具体用于，当所述作用基因集中的作用基因与所述目标基因集的目标基因完全不相同时，在所述有向图中，针对每个作用基因，确定该作用基因与每个目标基因的最短距离；根据所述最短距离及所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述距离为：
Dmp为所述距离，g为基因，M为所述作用基因集，i为M中基因的数量，dij为所述最短距离，P为所述目标通路的目标基因集，j为P中基因的数量。
可选地，所述距离确定模块306具体用于，当所述作用基因集中的作用基因与所述目标基因集的目标基因存在相同基因时，在所述有向图中，针对每个作用基因，确定该作用基因的上游基因及下游基因；并确定该作用基因与每个目标基因的最短距离；根据所述上游基因、所述下游基因、所述最短距离及所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述距离为：
Dmp为所述距离，M为所述作用基因集，i为M中基因的数量，M’为相同作用基因集，i′为M’中基因的数量，DImp为相同作用基因与所述目标通路中的目标基因的距离，DOmp为不同作用基因与所述目标通路中的目标基因的距离，为P中与M相同的目标基因的基因重要性系数，/>为P中与M不相同的目标基因的基因重要性系数，/>为作用基因的下游基因集，dij为所述最短距离。
可选地，所述重定位模块308具体用于，确定参考距离；判断所述距离是否小于所述参考距离；若是，则获得所述待重定位药物的重定位结果。
可选地，所述重定位模块308具体用于，在所述有向图中选取基因，得到若干个参考基因集，其中，针对每个参考基因集，该参考基因集包括预设数量的基因；针对每个参考基因集，确定该参考基因集中的参考基因与所述目标基因集中的目标基因的距离，作为待筛选参考距离；在待筛选参考距离集中，根据预设比例，确定参考距离。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种基于计算的药物重定位的方法。
本说明书还提供了图4所示的一种对应于图1的电子设备的结构示意图。如图4所示，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的药物重定位的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种基于计算的药物重定位的方法，其特征在于，所述方法包括：
获取用户的待检测样本的基因表达数据；
将所述基因表达数据输入预先训练的通路异常检测模型，获得所述基因表达数据的若干个通路及所述若干个通路对应的通路异常评分；
根据所述若干个通路对应的通路异常评分，确定目标通路；获取待重定位药物，并确定所述待重定位药物的作用基因集；
根据所述目标通路，构建有向图，其中，所述有向图为以基因为节点，以基因之间的交互关系为边构建的；并根据所述有向图，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离；
根据所述距离，对所述待重定位药物进行重定位。
2.如权利要求1所述的方法，其特征在于，根据所述若干个通路对应的通路异常评分，确定目标通路，具体包括：
将所述若干个通路对应的通路异常评分输入预先定义的分析模型，以根据所述分析模型的输出结果，确定目标通路。
3.如权利要求2所述的方法，其特征在于，根据所述分析模型的输出结果，确定目标通路，具体包括：
针对每个通路，根据所述分析模型的输出结果，确定该通路的重要性；
当该通路的重要性大于预设阈值时，将该通路作为目标通路。
4.如权利要求1所述的方法，其特征在于，根据所述有向图，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，具体包括：
以无传入边的基因为起点，无传出边的基因为终点，确定所述有向图中的所有不循环路径；
在所述不循环路径中，针对每个基因，确定包括该基因的路径数量；并确定所述路径数量的最大值；
根据所述路径数量及所述路径数量的最大值，确定目标基因的基因重要性系数；
根据所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述基因重要性系数为：
P为所述目标通路的目标基因集，j为P中基因的数量，g为基因，为所述路径数量，为所述路径数量的最大值，/>为所述基因重要性系数。
5.如权利要求4所述的方法，其特征在于，当所述作用基因集中的作用基因与所述目标基因集的目标基因完全不相同时，根据所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，具体包括：
在所述有向图中，针对每个作用基因，确定该作用基因与每个目标基因的最短距离；
根据所述最短距离及所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述距离为：
Dmp为所述距离，g为基因，M为所述作用基因集，i为M中基因的数量，dij为所述最短距离，P为所述目标通路的目标基因集，j为P中基因的数量。
6.如权利要求4所述的方法，其特征在于，当所述作用基因集中的作用基因与所述目标基因集的目标基因存在相同基因时，根据所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，具体包括：
在所述有向图中，针对每个作用基因，确定该作用基因的上游基因及下游基因；并确定该作用基因与每个目标基因的最短距离；
根据所述上游基因、所述下游基因、所述最短距离及所述基因重要性系数，确定所述作用基因集中的作用基因与所述目标通路中的目标基因的距离，其中，所述距离为：
Dmp为所述距离，M为所述作用基因集，i为M中基因的数量，M’为相同作用基因集，i′为M’中基因的数量，DImp为相同作用基因与所述目标通路中的目标基因的距离，DOmp为不同作用基因与所述目标通路中的目标基因的距离，为P中与M相同的目标基因的基因重要性系数，/>为P中与M不相同的目标基因的基因重要性系数，/>为作用基因的下游基因集，dij为所述最短距离。
7.如权利要求1所述的方法，其特征在于，根据所述距离，对所述待重定位药物进行重定位，具体包括：
确定参考距离；
判断所述距离是否小于所述参考距离；
若是，则获得所述待重定位药物的重定位结果。
8.如权利要求7所述的方法，其特征在于，确定参考距离，具体包括：
在所述有向图中选取基因，得到若干个参考基因集，其中，针对每个参考基因集，该参考基因集包括预设数量的基因；
针对每个参考基因集，确定该参考基因集中的参考基因与所述目标基因集中的目标基因的距离，作为待筛选参考距离；
在待筛选参考距离集中，根据预设比例，确定参考距离。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～8任一项所述的方法。
CN202311284290.2A 2023-09-28 2023-09-28 一种基于计算的药物重定位的方法、装置及存储介质 Active CN117334246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311284290.2A CN117334246B (zh) 2023-09-28 2023-09-28 一种基于计算的药物重定位的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311284290.2A CN117334246B (zh) 2023-09-28 2023-09-28 一种基于计算的药物重定位的方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN117334246A true CN117334246A (zh) 2024-01-02
CN117334246B CN117334246B (zh) 2024-06-18

Family

ID=89276713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311284290.2A Active CN117334246B (zh) 2023-09-28 2023-09-28 一种基于计算的药物重定位的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117334246B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108897986A (zh) * 2018-05-29 2018-11-27 中南大学 一种基于蛋白质信息的基因组序列拼接方法
CN114242186A (zh) * 2021-12-30 2022-03-25 湖南大学 融合ghp与gcn的中西药物重定位方法及系统与存储介质
CN114743599A (zh) * 2022-04-12 2022-07-12 广州大学 一种基于组织特性网络的药物重定位方法
CN114882960A (zh) * 2022-05-31 2022-08-09 京东方科技集团股份有限公司 药物疾病关联预测方法、装置、电子设备和可读存储介质
WO2022188490A1 (zh) * 2021-03-11 2022-09-15 中国科学院深圳先进技术研究院 一种基于影像基因组学的生存预测方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108897986A (zh) * 2018-05-29 2018-11-27 中南大学 一种基于蛋白质信息的基因组序列拼接方法
WO2022188490A1 (zh) * 2021-03-11 2022-09-15 中国科学院深圳先进技术研究院 一种基于影像基因组学的生存预测方法和系统
CN114242186A (zh) * 2021-12-30 2022-03-25 湖南大学 融合ghp与gcn的中西药物重定位方法及系统与存储介质
CN114743599A (zh) * 2022-04-12 2022-07-12 广州大学 一种基于组织特性网络的药物重定位方法
CN114882960A (zh) * 2022-05-31 2022-08-09 京东方科技集团股份有限公司 药物疾病关联预测方法、装置、电子设备和可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZONGLIANG YUE ET AL.: "Repositioning drugs by targeting network modules: a Parkinson ’ s disease case study", 《BMC BIOINFORMATICS》, 28 December 2017 (2017-12-28), pages 17 - 30, XP021252063, DOI: 10.1186/s12859-017-1889-0 *

Also Published As

Publication number Publication date
CN117334246B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
Alizadehsani et al. A database for using machine learning and data mining techniques for coronary artery disease diagnosis
Binder et al. Big data in medical science—a biostatistical view: Part 21 of a series on evaluation of scientific publications
Akbugday Classification of breast cancer data using machine learning algorithms
Toh et al. Applications of machine learning in healthcare
Liu et al. Predicting heart failure readmission from clinical notes using deep learning
WO2018077906A1 (en) Knowledge graph-based clinical diagnosis assistant
Sáez et al. On the influence of class noise in medical data classification: Treatment using noise filtering methods
CN111383770B (zh) 一种临床研究与随访融合系统和方法
Bellamy et al. Evaluating progress on machine learning for longitudinal electronic healthcare data
Ma et al. Breast cancer prognostics using multi-omics data
Rabby et al. Machine learning applied to kidney disease prediction: Comparison study
Subramaniyan et al. Genomicsbench: A benchmark suite for genomics
CN116230108A (zh) 一种基于tdm和ai技术的智能用药决策方法及系统
CN111199796A (zh) 一种疾病辅助决策方法、装置及电子设备
KR20220157330A (ko) 머신 러닝 기반 잠복기별 치매 예측 방법, 그리고 이를 구현하기 위한 장치
CN114925216A (zh) 基于知识图谱的健康管理方法及装置
Yang et al. LWSleepNet: A lightweight attention-based deep learning model for sleep staging with singlechannel EEG
Mukherji et al. Recent landscape of deep learning intervention and consecutive clustering on biomedical diagnosis
Devaux et al. Random survival forests with multivariate longitudinal endogenous covariates
Geng et al. Machine learning in Alzheimer’s disease drug discovery and target identification
CN117334246B (zh) 一种基于计算的药物重定位的方法、装置及存储介质
JP7315181B2 (ja) 探索方法及び情報処理システム
Pradhan et al. Prediction of stroke disease using different types of gradient boosting classifiers
Alkhateeb et al. Deep learning in multi-omics data integration in cancer diagnostic
CN111341454A (zh) 数据挖掘方法和装置

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