TWI771803B - 一種預測方法、電子設備和儲存介質 - Google Patents

一種預測方法、電子設備和儲存介質 Download PDF

Info

Publication number
TWI771803B
TWI771803B TW109140147A TW109140147A TWI771803B TW I771803 B TWI771803 B TW I771803B TW 109140147 A TW109140147 A TW 109140147A TW 109140147 A TW109140147 A TW 109140147A TW I771803 B TWI771803 B TW I771803B
Authority
TW
Taiwan
Prior art keywords
matrix
feature
substance
tested
adjacency
Prior art date
Application number
TW109140147A
Other languages
English (en)
Other versions
TW202133183A (zh
Inventor
劉橋
胡志強
Original Assignee
大陸商北京市商湯科技開發有限公司
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 大陸商北京市商湯科技開發有限公司 filed Critical 大陸商北京市商湯科技開發有限公司
Publication of TW202133183A publication Critical patent/TW202133183A/zh
Application granted granted Critical
Publication of TWI771803B publication Critical patent/TWI771803B/zh

Links

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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • 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
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medicinal Chemistry (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Genetics & Genomics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本發明實施例關於一種預測方法、電子設備和儲存介質，所述方法包括：根據待測物質的分子結構，確定待測物質的物質特徵；提取目標類別的病變細胞進行至少一項細胞特徵，得到所述病變細胞的至少一項細胞特徵；根據所述物質特徵以及所述至少一項細胞特徵，預測所述待測物質針對所述病變細胞的反應結果。

Description

一種預測方法、電子設備和儲存介質
本發明實施例關於電腦技術領域，關於一種預測方法、電子設備和儲存介質。
由於藥物療效的不確定性和癌症患者的異質性，精準測試藥物對癌細胞是否有抑制作用至關重要。
相關技術中通常基於人工手動提取得到的藥物特徵（例如：分子指紋）與癌細胞的單種組學資料提取的癌細胞特徵進行機器學習，得到藥物對於該種癌細胞的抑制效果，由於手動提取的藥物特徵往往比較稀疏，故最終得到的抑制效果精準度較低且計算過程較為低效。
本發明實施例提出了一種預測方法、電子設備和儲存介質。
根據本發明實施例的一方面，提供了一種預測方法，包括： 根據待測物質的分子結構，確定待測物質的物質特徵； 提取目標類別的病變細胞的至少一項細胞特徵，得到所述病變細胞的至少一項細胞特徵； 根據所述物質特徵和所述至少一項細胞特徵，預測所述待測物質針對所述病變細胞的反應結果。
在一種可能的實現方式中，所述根據待測物質的分子結構，確定待測物質的物質特徵，包括： 根據所述待測物質的分子結構，構建所述待測物質的結構特徵圖，所述結構特徵圖包括至少兩個節點及各節點之間的連線，所述節點表示所述分子結構中的原子，所述連線表示所述分子結構中的原子鍵； 根據所述結構特徵圖，確定所述待測物質的所述物質特徵。
這樣，基於待測物質的結構特徵圖可以提取待測物質的物質特徵，提取的物質特徵更為稠密，進一步的通過該物質特徵進行預測時，可以提高測試結果的精度及獲得測試結果的效率。
在一種可能的實現方式中，所述根據所述結構特徵圖，確定所述待測物質的所述物質特徵，包括： 根據所述結構特徵圖得到所述待測物質的第一鄰接矩陣及第一特徵矩陣，所述第一鄰接矩陣表示所述待測物質的各原子之間的近鄰關係，所述第一特徵矩陣表示所述待測物質的各原子的屬性資料； 根據所述第一鄰接矩陣及所述第一特徵矩陣，得到所述待測物質的所述物質特徵。
這樣，可以通過第一鄰接矩陣及第一特徵矩陣來表示待測物質的結構特徵，進而可以通過對第一鄰接矩陣及第一特徵矩陣進行圖卷積處理，可以提取到待測物質的物質特徵。
在一種可能的實現方式中，所述根據所述第一鄰接矩陣及所述第一特徵矩陣，得到所述待測物質的物質特徵，包括： 根據預設輸入維度及所述第一鄰接矩陣的維度，構建所述第一鄰接矩陣的補充矩陣，及根據所述預設輸入維度及所述第一特徵矩陣的維度，構建所述第一特徵矩陣的補充矩陣； 將所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣進行拼接處理，得到維度為所述預設輸入維度的第二鄰接矩陣，及將所述第一特徵矩陣及所述第一特徵矩陣的補充矩陣進行拼接處理，得到維度為所述預設輸入維度的第二特徵矩陣； 對所述第二鄰接矩陣及所述第二特徵矩陣進行圖卷積處理，得到所述待測物質的所述物質特徵。
這樣一來，本發明實施例提供的測試方法可以適用於針對任意大小、結構的物質和目標類別的病變細胞進行反應測試，有較強的擴展能力。
在一種可能的實現方式中，在所述第二鄰接矩陣中，所述第一鄰接矩陣與所述第一鄰接矩陣的補充矩陣不具有鄰接關係。由於待測物質的原子與補充矩陣中的原子不具有任何鄰接關係，故不會對待測物質的分子結構產生影響，進而不會對待測物質的測試結果產生影響。
在一種可能的實現方式中，所述將所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣進行拼接處理，得到維度為所述預設輸入維度的第二鄰接矩陣，及將所述第一特徵矩陣及所述第一特徵矩陣的補充矩陣進行拼接處理，得到維度為所述預設輸入維度的第二特徵矩陣，包括： 根據所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣構建第一連接矩陣； 通過所述第一連接矩陣，將所述第一鄰接矩陣與所述第一鄰接矩陣的補充矩陣進行連接，得到維度為所述預設輸入維度的所述第二鄰接矩陣； 將所述第一特徵矩陣與所述第一特徵矩陣的補充矩陣進行連接，得到維度為所述預設輸入維度的所述第二特徵矩陣。
這樣一來，即可以將待測物質的物質特徵構造成滿足測試要求的輸入資料，且又不會對待測物質的分子結構產生影響，進而不會對待測物質的測試結果產生影響。
在一種可能的實現方式中，所述提取目標類別的病變細胞的至少一項細胞特徵提取，得到所述病變細胞的至少一項細胞特徵，包括以下至少一項： 對所述病變細胞的基因表突變進行特徵提取，得到所述病變細胞的基因組特徵； 對所述病變細胞的基因表達進行特徵提取，得到所述病變細胞的轉錄組特徵； 對所述病變細胞的去氧核糖核酸（DeoxyriboNucleic Acid，DNA）甲基化資料進行特徵提取，得到所述病變細胞的表觀遺傳組特徵。
這樣一來，可以多模態的學習病變細胞的多種細胞特徵，根據充分的細胞特徵進行反應預測，可以提高預測結果的精準度。
在一種可能的實現方式中，所述根據所述物質特徵以及所述至少一項細胞特徵，預測所述待測物質針對所述病變細胞的反應結果，包括： 將所述物質特徵及所述至少一項細胞特徵進行特徵連接，得到連接後的組合特徵； 對所述組合特徵進行卷積處理，得到預測的所述待測物質針對所述病變細胞的反應結果。
這樣，基於待測物質的分子結構提取待測物質更為稠密的物質特徵，而且連接至少一項細胞特徵，可以提高測試結果的精度及獲得測試結果的計算效率。
在一種可能的實現方式中，所述細胞特徵包括基因組特徵、轉錄組特徵和表觀遺傳組特徵，所述將所述物質特徵及所述至少一項細胞特徵進行特徵連接，得到連接後的組合特徵，包括： 將所述物質特徵與所述基因組特徵、所述轉錄組特徵和所述表觀遺傳組特徵中的至少一項特徵進行特徵連接，得到連接後的組合特徵。
這樣一來，可以多模態的學習病變細胞的多種細胞特徵，根據充分的細胞特徵進行反應預測，可以提高預測結果的精準度。
在一種可能的實現方式中，所述方法通過神經網路實現，所述方法還包括：通過預設的訓練集訓練所述神經網路，所述訓練集包括多組樣本資料，每組樣本資料包括樣本物質的結構特徵圖、樣本病變細胞的基因表突變、樣本病變細胞的基因表達、樣本病變細胞的DNA甲基化資料、及樣本物質針對所述樣本病變細胞的標注反應結果。
在一種可能的實現方式中，所述神經網路包括第一特徵提取網路、第二特徵提取網路，及預測網路，所述通過預設的訓練集訓練所述神經網路，包括： 通過所述第一特徵提取網路，對所述樣本物質的結構特徵圖進行特徵提取，得到所述樣本物質的樣本物質特徵； 通過所述第二特徵提取網路，分別提取所述樣本病變細胞的基因表突變對應的樣本基因組特徵、所述樣本病變細胞的基因表達對應的樣本轉錄組特徵、及所述樣本病變細胞的DNA甲基化資料對應的樣本表觀遺傳組特徵； 通過所述預測網路，對連接後的樣本物質特徵、樣本基因組特徵、樣本轉錄組特徵及樣本表觀遺傳組特徵進行卷積處理，得到樣本物質對所述樣本病變細胞的反應結果； 根據所述反應結果及所述標注反應結果，確定所述神經網路的預測損失； 根據所述預測損失，訓練所述神經網路。
這樣一來，可以訓練用於實現上述預測方法的神經網路，以基於待測物質的結構特徵圖可以提取待測物質的物質特徵，提取的物質特徵更為稠密，從而通過該物質特徵進行預測時，可以提高測試結果的精度及獲得測試結果的效率。
根據本發明的一方面，提供了一種預測裝置，包括： 第一確定部分，被配置為根據待測物質的分子結構，確定待測物質的物質特徵； 提取部分，被配置為對目標類別的病變細胞進行至少一項細胞特徵提取，得到所述病變細胞的至少一項細胞特徵； 第二確定部分，被配置為根據所述物質特徵以及所述至少一項細胞特徵，確定所述待測物質針對所述病變細胞的反應預測結果。
根據本發明實施例的一方面，提供了一種電子設備，包括：處理器；被配置為儲存處理器可執行指令的記憶體；其中，所述處理器被配置為調用所述記憶體儲存的指令，以執行上述方法。
根據本發明實施例的一方面，提供了一種電腦可讀儲存介質，其上儲存有電腦程式指令，所述電腦程式指令被處理器執行時實現上述方法。
這樣，根據待測物質的分子結構，可以構建待測物質的結構特徵圖，進而基於該結構特徵圖可以提取待測物質的物質特徵，並在提取目標類別的病變細胞的至少一項細胞特徵後，可以根據待測物質的物質特徵及病變細胞的至少一項細胞特徵，預測待測物質針對病變細胞的反應結果。根據本發明實施例提供的預測方法、電子設備和儲存介質，可以基於待測物質的結構特徵圖提取待測物質的物質特徵，相比於人工提取物質特徵，提取的物質特徵更為稠密，從而可以提高反應測試結果的精度及獲得測試結果的效率。
應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，而非限制本發明。根據下面參考附圖對示例性實施例的詳細說明，本發明的其它特徵及方面將變得清楚。
以下將參考附圖詳細說明本發明的各種示例性實施例、特徵和方面。附圖中相同的附圖標記表示功能相同或相似的組件。儘管在附圖中示出了實施例的各種方面，但是除非特別指出，不必按比例繪製附圖。
在這裡專用的詞“示例性”意為“用作例子、實施例或說明性”。這裡作為“示例性”所說明的任何實施例不必解釋為優於或好於其它實施例。
本文中術語“和/或”，僅僅是一種描述關聯物件的關聯關係，表示可以存在三種關係，例如，A和/或B，可以表示：單獨存在A，同時存在A和B，單獨存在B這三種情況。另外，本文中術語“至少一種”表示多種中的任意一種或多種中的至少兩種的任意組合，例如，包括A、B、C中的至少一種，可以表示包括從A、B和C構成的集合中選擇的任意一個或多個元素。
另外，為了更好地說明本發明，在下文的具體實施方式中給出了眾多的具體細節。本領域技術人員應當理解，沒有某些具體細節，本發明同樣可以實施。在一些實例中，對於本領域技術人員熟知的方法、手段、組件和電路未作詳細描述，以便於凸顯本發明的主旨。
圖1示出本發明實施例提供的預測方法的流程示意圖，該預測方法可以由終端設備或其它處理設備執行，其中，終端設備可以為使用者設備（User Equipment，UE）、移動設備、使用者終端、終端、蜂窩電話、無線電話、個人數位助理（Personal Digital Assistant，PDA）、手持設備、計算設備、車載設備、可穿戴設備等。其它處理設備可為伺服器或雲端伺服器等。在一些可能的實現方式中，該預測方法可以通過處理器調用記憶體中儲存的電腦可讀指令的方式來實現。
如圖1所示，所述預測方法可以包括如下。
在S11中，根據待測物質的分子結構，確定待測物質的物質特徵。
舉例來說，待測物質可以為具有分子結構的物質，例如：藥物。待測試物質的分子結構由多個原子及多個原子間的原子鍵構成，根據該待測物質的分子結構可以提取待測物質的物質特徵。
在一種可能的實現方式中，上述根據待測物質的分子結構，確定待測物質的物質特徵，可以包括： 根據待測物質的分子結構，構建所述待測物質的結構特徵圖，所述結構特徵圖包括至少兩個節點及各節點之間的連線，所述節點表示所述分子結構中的原子，所述連線表示所述分子結構中的原子鍵； 根據所述結構特徵圖，確定所述待測物質的物質特徵。
舉例來說，根據待測物質的分子結構，可以構建待測物質的結構特徵圖，待測物質的分子結構由至少兩個原子及至少兩個原子間的原子鍵構成，則待測物質的結構特徵圖中可以包括至少兩個節點及各節點之間的連線，其中，節點可以表示分子結構中的原子，節點之間的連線可以表示原子之間的原子鍵。
可以通過待測物質的結構特徵圖進行特徵提取，得到待測物質的物質特徵，示例性的，可以預訓練對結構特徵圖進行特徵提取的卷積神經網路，通過該卷積神經網路可以對待測物質的結構特徵圖進行特徵提取，得到待測物質的物質特徵，這樣一來，基於待測物質的結構特徵圖可以提取待測物質的物質特徵，同時，相比於人工提取物質特徵，提取的物質特徵也更為稠密，進一步的通過該物質特徵進行預測時，可以提高測試結果的精度和獲得測試結果的效率。
在S12中，提取目標類別的病變細胞的至少一項細胞特徵，得到病變細胞的至少一項細胞特徵。
舉例來說，目標類別可以為某種癌或者任意其他類別的病變，本發明對此不作限定。示例性的，目前研發了針對A類型癌症的治療藥物B，需要測試藥物B對A類型癌症的癌細胞的反應，則藥物B為待測物質，A類型癌症的癌細胞為目標類別的病變細胞。
示例性的，可以預訓練對病變細胞進行特徵提取的卷積神經網路，通過該卷積神經網路可以對病變細胞進行細胞特徵提取，得到該病變細胞的至少一項細胞特徵，例如：提取病變細胞的基因組特徵、轉錄組特徵和表觀基因組特徵中的至少一項特徵。
在S13中，根據物質特徵以及至少一項細胞特徵，預測待測物質針對病變細胞的反應結果。
在得到待測物質的物質特徵及病變細胞的至少一項細胞特徵後，可以根據待測物質的物質特徵及病變細胞的至少一項細胞特徵進行預測操作，得到預測的待測物質針對所述病變細胞的反應結果。
示例性的，可以預訓練根據物質特徵及至少一項細胞特徵進行反應預測的卷積神經網路，通過該卷積神經網路對待測物質的物質特徵及病變細胞的至少一項細胞特徵進行預測操作，得到預測的待測物質針對病變細胞的反應結果。
在一種可能的實現方式中，上述根據物質特徵以及至少一項細胞特徵，預測待測物質針對病變細胞的反應結果，可以包括： 將物質特徵及至少一項細胞特徵進行特徵連接，得到組合特徵； 對組合特徵進行卷積處理，得到預測的待測物質針對病變細胞的反應結果。
舉例來說，可以將待測物質的物質特徵及至少一項細胞特徵直接相連後，得到組合特徵，該組合特徵可以表示為：物質特徵+細胞特徵。通過預訓練的進行反應測試的卷積神經網路，對該組合特徵進行卷積處理，該卷積神經網路的輸出可以為0~1之間的概率值，該概率值表示該待測物質對該病變細胞起抑制作用的概率。
這樣，根據待測物質的分子結構，可以確定待測物質的物質特徵，並在提取目標類別的病變細胞的至少一項細胞特徵後，可以根據待測物質的物質特徵及病變細胞的至少一項細胞特徵，預測待測物質針對病變細胞的反應結果。根據本發明實施例提供的預測方法，可以基於待測物質的分子結構提取待測物質的物質特徵，同時，相比於人工提取物質特徵，提取的物質特徵也更為稠密，當採用提取的物質特徵進行反應結果的預測時，可以提高反應結果的測試精度及獲得測試結果的效率。
在一種可能的實現方式中，上述根據結構特徵圖，確定待測物質的物質特徵，可以包括： 根據結構特徵圖得到待測物質的第一鄰接矩陣及第一特徵矩陣，第一鄰接矩陣表示待測物質的各原子之間的近鄰關係，第一特徵矩陣表示待測物質的各原子的屬性資料； 根據待測物質的第一鄰接矩陣及第一特徵矩陣，得到待測物質的物質特徵。
舉例來說，可以根據結構特徵圖提取待測物質的每個原子的相鄰原子，並根據每個原子的相鄰原子組成第一鄰接矩陣，該第一鄰接矩陣的每一行表示待測物質的每個原子與其他原子之間的近鄰關係，其中，該近鄰關係指連接關係，例如，第一鄰接矩陣的第一行，表示該待測物質的第一個原子與其他原子是否存在連接關係，若是，則在第一鄰接矩陣中表示為1，否則在第一鄰接矩陣中表示為0。可以根據結構特徵圖提取待測物質的每個原子，並獲取每個原子的屬性資料，例如：從資料庫中查詢每個原子的屬性資料，該屬性資料可以包括但不限於原子類型、原子的雜化程度等化學性質，根據每個原子的屬性資料可以組成第一特徵矩陣，該第一特徵矩陣的每一行表示待測物質的每個原子的屬性資料。通過對第一鄰接矩陣與第一特徵矩陣進行圖卷積處理，可以提取到待測物質的物質特徵。
第一鄰接矩陣與第一特徵矩陣的圖卷積處理可以通過以下公式（1-1）和公式（1-2）實現：
Figure 02_image001
公式（1-1）
Figure 02_image003
公式（1-2） 其中，
Figure 02_image005
表示
Figure 02_image007
的度矩陣， H表示第一層圖卷積的卷積結果，
Figure 02_image009
表示歸一化後的度矩陣D，度矩陣D的對角線表示每一個原子的相鄰原子的個數（與該原子存在鍵連接的即為相鄰原子），
Figure 02_image011
表示歸一化後的第一鄰接矩陣，X表示第一特徵矩陣，
Figure 02_image013
表示第一層圖卷積的濾波器參數。
Figure 02_image015
表示第l+1層圖卷積的卷積結果，
Figure 02_image017
表示第l層圖卷積的卷積結果，
Figure 02_image019
表示第l層圖卷積的濾波器參數，
Figure 02_image021
表示非線性啟動函數。
這樣，可以通過第一鄰接矩陣及第一特徵矩陣來表示待測物質的結構特徵，進而可以通過對第一鄰接矩陣及第一特徵矩陣進行圖卷積處理，提取到待測物質的物質特徵。
在一種可能的實現方式中，上述根據所述第一鄰接矩陣及所述第一特徵矩陣，得到所述待測物質的物質特徵，可以包括： 根據預設的輸入維度及所述第一鄰接矩陣的維度，構建所述第一鄰接矩陣的補充矩陣，及根據預設的輸入維度及所述第一特徵矩陣的維度，構建所述第一特徵矩陣的補充矩陣； 將所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣進行拼接處理，得到維度為預設輸入維度的第二鄰接矩陣，及將所述第一特徵矩陣及所述第一特徵矩陣的補充矩陣進行拼接處理，得到維度為預設輸入維度的第二特徵矩陣； 對所述第二鄰接矩陣及所述第二特徵矩陣進行圖卷積處理，得到所述待測物質的物質特徵。
舉例來說，上述預設的輸入維度可以為預設的輸入資料的維度大小，例如：預設的輸入維度可以設置為100。在獲得第一鄰接矩陣後，需要根據第一鄰接矩陣的維度確定第一鄰接矩陣的補充矩陣的維度，進而構建該維度的第一鄰接矩陣的補充矩陣，例如：確定預設的輸入維度與第一鄰接矩陣的維度的差值為第一鄰接矩陣的補充矩陣的維度。示例的，在預設的輸入維度設置為100，第一鄰接矩陣的維度為20*20，第一特徵矩陣的維度為20*75的情況下，則可以確定第一鄰接矩陣的補充矩陣的維度為80*80，第一特徵矩陣的補充矩陣的維度為80*25。
第一鄰接矩陣的補充矩陣可以設置為零矩陣或者隨機採樣為具有任意近鄰關係的鄰接矩陣。在獲得第一特徵矩陣後，需要根據第一特徵矩陣的維度確定第一特徵矩陣的補充矩陣的維度，進而構建該維度的第一特徵矩陣的補充矩陣，例如：確定預設的輸入維度與第一特徵矩陣的維度的差值為第一特徵矩陣的補充矩陣的維度，隨機選取第一特徵矩陣中常見的原子，通過選取的原子構建第一特徵矩陣的補充矩陣。
在構建第一鄰接矩陣的補充矩陣後，可以將第一鄰接矩陣與第一鄰接矩陣的補充矩陣進行拼接處理，得到第二鄰接矩陣，該第二鄰接矩陣的維度為預設的輸入維度*預設的輸入維度。在構建第一特徵矩陣的補充矩陣後，可以將第一特徵矩陣與第一特徵矩陣的補充矩陣進行拼接處理，得到第二特徵矩陣，該第二特徵矩陣的維度為預設的輸入維度*原子特徵維度。示例性的，在預設的輸入維度設置為100，原子特徵維度為75的情況下，可以確定第二鄰接矩陣的維度為100*100，第二特徵矩陣的維度為100*75。
對第二鄰接矩陣及第二特徵矩陣的圖卷積處理可以通過以下公式（1-3）、公式（1-4）及公式（1-5）實現：
Figure 02_image023
公式（1-3）
Figure 02_image025
公式（1-4）
Figure 02_image027
公式（1-5） 其中，
Figure 02_image005
表示
Figure 02_image007
的度矩陣，
Figure 02_image029
表示
Figure 02_image031
的度矩陣，
Figure 02_image033
表示第一層的卷積結果中的前n（待測物質的原子數）行，
Figure 02_image035
表示第一層的卷積結果中除
Figure 02_image037
以外的行，
Figure 02_image039
表示第一連接矩陣，
Figure 02_image041
和
Figure 02_image043
分別表示第一連接矩陣
Figure 02_image039
的行和列的兩個度矩陣，X表示第一特徵矩陣，
Figure 02_image045
表示第一特徵矩陣的補充矩陣，
Figure 02_image047
表示歸一化後的第一鄰接矩陣的補充矩陣，
Figure 02_image049
表示歸一化後的第一鄰接矩陣的補充矩陣的度矩陣，
Figure 02_image021
表示非線性啟動函數，
Figure 02_image051
表示第一層圖卷積的濾波器參數，
Figure 02_image053
表示第l層圖卷積的濾波器參數。在第一連接矩陣為零，即第一鄰接矩陣與所述第一鄰接矩陣的補充矩陣不具有鄰接關係的情況下，由公式（1-3）、（1-4）簡化可得到公式（1-5）。
這樣一來，本發明實施例提供的測試方法可以適用於針對任意大小、結構的物質和目標類別的病變細胞進行反應測試，有較強的擴展能力。
在一種可能的實現方式中，在所述第二鄰接矩陣中，所述第一鄰接矩陣與所述第一鄰接矩陣的補充矩陣不具有鄰接關係。其中矩陣之間不具有鄰接關係，是指其中一個矩陣所包含的原子與另一個矩陣所包含的原子不具有任何相連關係。
在第一鄰接矩陣與第一鄰接矩陣的補充矩陣拼接得到的第二鄰接矩陣中，第一鄰接矩陣與第一鄰接矩陣的補充矩陣不具有鄰接關係，即待測物質的原子與補充矩陣中的原子不具有任何連接關係，使得第一鄰接矩陣的補充矩陣可以與第一鄰接矩陣構造預設的輸入維度的第二鄰接矩陣，第一特徵矩陣的補充矩陣可以與第一特徵矩陣構造預設的輸入維度的第二特徵矩陣，由於待測物質的原子與補充矩陣中的原子不具有任何鄰接關係，故不會對待測物質的分子結構產生影響，進而不會對待測物質的測試結果產生影響。
在一種可能的實現方式中，上述將所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣進行拼接處理，得到維度為預設輸入維度的第二鄰接矩陣，及將所述第一特徵矩陣及所述第一特徵矩陣的補充矩陣進行拼接處理，得到維度為預設輸入維度的第二特徵矩陣，可以包括： 根據所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣構建第一連接矩陣，其中，所述第一連接矩陣中的元素均為預設值； 通過所述第一連接矩陣，將所述第一鄰接矩陣與所述第一鄰接矩陣的補充矩陣進行連接，得到維度為預設輸入維度的第二鄰接矩陣； 將所述第一特徵矩陣與所述第一特徵矩陣的補充矩陣進行連接，得到維度為預設輸入維度的第二特徵矩陣。
舉例來說，可以構造元素均為0的第一連接矩陣，該第一連接矩陣、第一鄰接矩陣及第一鄰接矩陣的補充矩陣組成第二鄰接矩陣，在第二鄰接矩陣中，該第一連接矩陣連接第一鄰接矩陣及第一鄰接矩陣的補充矩陣，使得第一鄰接矩陣與第一鄰接矩陣的補充矩陣不具有鄰接關係。示例性的，圖2示出本發明實施例提供的矩陣示意圖，如圖2所示的維度為100*100的第二鄰接矩陣中，維度為20*20的第一鄰接矩陣位於該第二鄰接矩陣的左上位置，維度為80*80的第一鄰接矩陣的補充矩陣位於該第二鄰接矩陣的右下位置，位於第一鄰接矩陣下方及第一鄰接矩陣的補充矩陣的左邊位置的為維度為20*80的第一連接矩陣，位於第一鄰接矩陣右側位置及第一鄰接矩陣的補充矩陣的上方位置為維度為80*20的第一連接矩陣。
需要說明的是，上述圖2示意的僅作為第一連接矩陣連接第一鄰接矩陣與第一鄰接矩陣的補充矩陣的一種示例，實際上，任何使得第一鄰接矩陣與第一鄰接矩陣的補充矩陣不具有鄰接關係的連接方式均可以，例如：維度為20*20的第一鄰接矩陣位於第二鄰接矩陣的右下位置，維度為80*80的第一鄰接矩陣的補充矩陣位於該第二鄰接矩陣的左上位置，位於第一鄰接矩陣上方及第一鄰接矩陣的補充矩陣的右邊位置的為維度為80*20的第一連接矩陣，位於第一鄰接矩陣左側位置及第一鄰接矩陣的補充矩陣的下方位置為維度為20*80的第一連接矩陣，本發明對於第一連接矩陣連接第一鄰接矩陣及第一鄰接矩陣的補充矩陣的方式不做具體限定。
對應的，可以按照第一鄰接矩陣及第一鄰接矩陣的補充矩陣的連接方式，確定第一特徵矩陣與第一特徵矩陣的補充矩陣的連接方式，例如：參照圖2中第一鄰接矩陣及第一鄰接矩陣的補充矩陣的連接方式，第一特徵矩陣及第一特徵矩陣的補充矩陣的連接方式可以為第一特徵矩陣位於上方位置，第一特徵矩陣的補充矩陣位於下方位置。
需要說明的是，在第一鄰接矩陣及第一鄰接矩陣的補充矩陣的連接方式為第一鄰接矩陣位於第二鄰接矩陣的右下位置，第一鄰接矩陣的補充矩陣位於第二鄰接矩陣的左上位置的情況下，第二特徵矩陣中第一特徵矩陣位於下方位置，第一特徵矩陣的補充矩陣位於上方位置。
這樣一來，即可以將待測物質的物質特徵構造成滿足反應測試要求的輸入資料，且又不會對待測物質的分子結構產生影響，進而不會對待測物質的反應測試結果產生影響。
在一種可能的實現方式中，上述對目標類別的病變細胞進行至少一項細胞特徵提取，得到所述病變細胞的至少一項細胞特徵，包括以下至少一項： 對所述病變細胞的基因表突變進行特徵提取，得到所述病變細胞的基因組特徵； 對所述病變細胞的基因表達進行特徵提取，得到所述病變細胞的轉錄組特徵； 對所述病變細胞的去氧核糖核酸（DeoxyriboNucleic Acid，DNA）甲基化資料進行特徵提取，得到所述病變細胞的表觀遺傳組特徵。
舉例來說，在確定目標類別的病變細胞後，可以獲取該病變細胞的基因表突變、基因表達及DNA甲基化資料，該獲取過程可以為採用相關技術進行提取，或者是從資料庫中直接進行查詢，本發明在此對該過程不再贅述。
示例性的，可以預先將病變細胞的基因表突變、基因表達及DNA甲基化資料預處理為固定維度的向量，例如：將病變細胞的基因表突變預處理成為34673維的向量、將病變細胞的基因表達預處理成為697維的向量、將病變細胞的DNA甲基化資料預處理成為808維的向量，預訓練提取基因組特徵的卷積神經網路，並通過該卷積神經網路對預處理後的病變細胞的基因表突變進行特徵提取，得到該病變細胞的基因組特徵；可以預訓練提取轉錄組特徵的卷積神經網路，並通過該卷積神經網路對預處理後的病變細胞的基因表達進行特徵提取，得到該病變細胞的轉錄組特徵；可以預訓練提取表觀遺傳組特徵的卷積神經網路，並通過該卷積神經網路對預處理後的DNA甲基化資料進行特徵提取，得到該病變細胞的表觀遺傳組特徵，其中，基因組特徵的維度、轉錄組特徵的維度及表觀遺傳組特徵的維度與物質特徵的維度相同。在一種可能的實現方式中，用於提取細胞特徵的卷積神經網路為多模態子神經網路。
在一種可能的實現方式中，上述所述細胞特徵可以包括基因組特徵、轉錄組特徵、表觀遺傳組特徵，上述將所述物質特徵及所述至少一項細胞特徵進行特徵連接後，得到連接後的組合特徵，包括： 將所述物質特徵和所述基因組特徵、所述轉錄組特徵、所述表觀遺傳組特徵中的至少一項進行特徵連接後，得到連接後的組合特徵。
示例性的，可以通過將待測物質的物質特徵與基因組特徵、所述轉錄組特徵、所述表觀遺傳組特徵進行特徵連接，得到組合特徵，該組合特徵可以表示為：物質特徵+基因組特徵+轉錄組特徵+表觀遺傳組特徵。通過對該組合特徵進行卷積處理，可以得到待測物質針對病變細胞的反應預測結果。
這樣一來，可以多模態的學習病變細胞的多種細胞特徵，根據充分的細胞特徵進行反應結果的預測，可以提高預測結果的精準度。
為使本領域技術人員更好的理解本發明實施例，以下通過圖3所示示例對本發明實施例加以說明。
圖3示出本發明實施例提供的預測方法的流程示意圖，如圖3所示，待測物質為藥物，病變細胞為癌細胞。根據待測藥物的分子結構構建待測藥物的結構特徵圖，通過物質特徵提取網路對該結構特徵圖進行特徵提取，得到待測藥物的物質特徵。獲取癌細胞的基因表突變、基因表達及DNA甲基化資料，通過細胞特徵提取網路進行細胞特徵提取，其中，細胞特徵網路包括：基因組特徵提取網路、轉錄組特徵提取網路及遺傳組特徵提取網路，可以通過基因組特徵提取網路對基因表突變進行特徵提取，得到癌細胞的基因組特徵，通過轉錄組特徵提取網路對基因表達進行特徵提取，得到癌細胞的轉錄組特徵，通過表觀遺傳組特徵提取網路對DNA甲基化資料進行特徵提取，得到癌細胞的表觀遺傳組特徵。在對待測藥物的物質特徵進行池化處理後，將池化處理後的物質特徵與基因組特徵、轉錄組特徵及表觀遺傳組特徵進行連接處理，得到組合特徵，並對組合特徵進行卷積處理，得到待測藥物對該癌細胞的預測的反應結果（該反應結果表示該待測藥物對該癌細胞敏感還是抑制）。
在一種可能的實現方式中，上述方法通過神經網路實現，所述方法還包括：通過預設的訓練集訓練所述神經網路，所述訓練集包括多組樣本資料，每組樣本資料包括樣本物質的結構特徵圖、樣本病變細胞的基因表突變、樣本病變細胞的基因表達、及樣本病變細胞的DNA甲基化資料、及樣本物質針對所述樣本病變細胞的標注反應結果。
在一種可能的實現方式中，所述神經網路為一致性圖卷積神經網路。
在一種可能的實現方式中，所述神經網路可以包括第一特徵提取網路、第二特徵提取網路及預測網路，所述方法通過預設的訓練集訓練所述神經網路，可以包括： 通過所述第一特徵提取網路對所述樣本物質的結構特徵圖進行特徵提取，得到所述樣本物質的樣本物質特徵； 通過所述第二特徵提取網路分別提取所述樣本病變細胞的基因表突變對應的樣本基因組特徵、所述樣本病變細胞的基因表達對應的樣本轉錄組特徵、及所述樣本病變細胞的DNA甲基化資料對應的樣本表觀遺傳組特徵； 通過所述預測網路對連接後的樣本物質特徵、樣本基因組特徵、樣本轉錄組特徵及樣本表觀遺傳組特徵，進行卷積處理，預測樣本物質對所述樣本病變細胞的反應結果； 根據所述反應預測結果及所述標注反應結果，確定所述神經網路的預測損失； 根據所述預測損失，訓練所述神經網路。
舉例來說，可以通過第一特徵提取網路對樣本物質的結構特徵圖進行特徵提取，得到樣本物質的樣本物質特徵。第二特徵提取網路可以包括第一子網路、第二子網路及第三子網路，可以通過第一子網路對樣本病變細胞的基因表突變進行特徵提取，得到樣本基因組特徵，通過第二子網路對樣本病變細胞的基因表達進行特徵提取，得到樣本轉錄組特徵，通過第三子網路對樣本病變細胞的DNA甲基化資料進行特徵提取，得到樣本表觀遺傳組特徵。將樣本物質特徵、樣本基因組特徵、樣本轉錄組特徵及樣本表觀遺傳組特徵進行連接，得到組合樣本特徵；通過預測網路對組合樣本特徵進行卷積處理，得到樣本物質對樣本病變細胞的反應結果。根據反應結果及標注反應結果，確定神經網路的預測損失，並根據該預測損失調整神經網路的網路參數，以使神經網路的預測損失滿足訓練要求，例如：使神經網路的預測損失小於訓練閾值。
可以理解，本發明實施例提供的上述各個方法實施例，在不違背原理邏輯的情況下，均可以彼此相互結合形成結合後的實施例，限於篇幅，本發明不再贅述。本領域技術人員可以理解，在具體實施方式的上述方法中，各步驟的具體執行順序應當以其功能和可能的內在邏輯確定。
此外，本發明實施例還提供了預測裝置、電子設備、電腦可讀儲存介質和程式，上述均可用來實現本發明實施例提供的任一種預測方法，相應技術方案和描述和參見方法部分的相應記載，不再贅述。
圖4示出本發明實施例提供的預測裝置的結構示意圖，如圖4所示，所述預測裝置可以包括： 第一確定部分401，可以被配置為根據待測物質的分子結構，確定待測物質的物質特徵； 提取部分402，可以被配置為提取目標類別的病變細胞的至少一項細胞特徵，得到所述病變細胞的至少一項細胞特徵； 第二確定部分403，可以被配置為根據所述物質特徵以及所述至少一項細胞特徵，預測所述待測物質針對所述病變細胞的反應結果。
這樣，根據待測物質的分子結構，可以構建待測物質的結構特徵圖，進而基於該結構特徵圖可以提取待測物質的物質特徵，並在提取目標類別的病變細胞的至少一項細胞特徵後，可以根據待測物質的物質特徵及病變細胞的至少一項細胞特徵，預測待測物質針對病變細胞的反應結果。根據本發明實施例提供的預測裝置，可以基於待測物質的結構特徵圖提取待測物質的物質特徵，相比於人工提取物質特徵，提取的物質特徵更為稠密，從而可以提高測試結果的精度及獲得測試結果的效率。
在一種可能的實現方式中，所述第一確定部分401，被配置為： 根據待測物質的分子結構，構建所述待測物質的結構特徵圖，所述結構特徵圖包括至少兩個節點及各節點之間的連線，所述節點表示所述分子結構中的原子，所述連線表示所述分子結構中的原子鍵； 根據所述結構特徵圖，確定所述待測物質的物質特徵。
在一種可能的實現方式中，所述第一確定部分401，還被配置為： 根據所述結構特徵圖得到所述待測物質的第一鄰接矩陣及第一特徵矩陣，所述第一鄰接矩陣表示所述待測物質的各原子的近鄰關係，所述第一特徵矩陣表示所述待測物質的各原子的屬性資料； 根據所述第一鄰接矩陣及所述第一特徵矩陣，得到所述待測物質的物質特徵。
在一種可能的實現方式中，所述第一確定部分401，還被配置為： 根據預設輸入維度及所述第一鄰接矩陣的維度，構建所述第一鄰接矩陣的補充矩陣，及根據所述預設的輸入維度及所述第一特徵矩陣的維度，構建所述第一特徵矩陣的補充矩陣； 將所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣進行拼接處理，得到維度為所述預設輸入維度的第二鄰接矩陣，及將所述第一特徵矩陣及所述第一特徵矩陣的補充矩陣進行拼接處理，得到維度為所述預設輸入維度的第二特徵矩陣； 對所述第二鄰接矩陣及所述第二特徵矩陣進行圖卷積處理，得到所述待測物質的所述物質特徵。
在一種可能的實現方式中，在所述第二鄰接矩陣中，所述第一鄰接矩陣與所述第一鄰接矩陣的補充矩陣不具有鄰接關係。
在一種可能的實現方式中，所述第一確定部分401，還被配置為： 根據所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣構建第一連接矩陣； 通過所述第一連接矩陣，將所述第一鄰接矩陣與所述第一鄰接矩陣的補充矩陣進行連接，得到維度為所述預設輸入維度的第二鄰接矩陣； 將所述第一特徵矩陣與所述第一特徵矩陣的補充矩陣進行連接，得到維度為所述預設輸入維度的第二特徵矩陣。
在一種可能的實現方式中，所述提取部分402，被配置為以下至少一項： 對所述病變細胞的基因表突變進行特徵提取，得到所述病變細胞的基因組特徵； 對所述病變細胞的基因表達進行特徵提取，得到所述病變細胞的轉錄組特徵； 對所述病變細胞的DNA甲基化資料進行特徵提取，得到所述病變細胞的表觀遺傳組特徵。
在一種可能的實現方式中，所述第二確定部分403，被配置為： 將所述物質特徵及所述至少一項細胞特徵進行特徵連接，得到連接後的組合特徵； 對所述組合特徵進行卷積處理，得到所述待測物質針對所述病變細胞的反應結果。
在一種可能的實現方式中，所述細胞特徵包括基因組特徵、轉錄組特徵和表觀遺傳組特徵，所述第二確定部分403，還被配置為： 將所述物質特徵與所述基因組特徵、所述轉錄組特徵和所述表觀遺傳組特徵中的至少一項特徵進行特徵連接，得到連接後的組合特徵。
在一種可能的實現方式中，所述裝置通過神經網路實現，所述裝置還包括： 訓練部分，被配置為通過預設的訓練集訓練所述神經網路，所述訓練集包括多組樣本資料，每組樣本資料包括樣本物質的結構特徵圖、樣本病變細胞的基因表突變、樣本病變細胞的基因表達、樣本病變細胞的DNA甲基化資料、及樣本物質針對所述樣本病變細胞的標注反應結果。
在一種可能的實現方式中，所述神經網路包括第一特徵提取網路、第二特徵提取網路及預測網路，所述訓練部分，還被配置為： 通過所述第一特徵提取網路，對所述樣本物質的結構特徵圖進行特徵提取，得到所述樣本物質的樣本物質特徵； 通過所述第二特徵提取網路，分別提取所述樣本病變細胞的基因表突變對應的樣本基因組特徵、所述樣本病變細胞的基因表達對應的樣本轉錄組特徵、及所述樣本病變細胞的DNA甲基化資料對應的樣本表觀遺傳組特徵； 通過所述預測網路，對連接後的樣本物質特徵、樣本基因組特徵、樣本轉錄組特徵及樣本表觀遺傳組特徵進行卷積處理，得到樣本物質對所述樣本病變細胞的反應結果； 根據所述反應結果及所述標注反應結果，確定所述神經網路的預測損失； 根據所述預測損失，訓練所述神經網路。
在一些實施例中，本發明實施例提供的裝置具有的功能或包含的部分可以被配置為執行上文方法實施例描述的方法，其具體實現可以參照上文方法實施例的描述，為了簡潔，這裡不再贅述。
在本發明實施例以及其他的實施例中，“部分”可以是部分電路、部分處理器、部分程式或軟體等等，當然也可以是單元，還可以是模組也可以是非模組化的。
本發明實施例還提出一種電腦可讀儲存介質，其上儲存有電腦程式指令，所述電腦程式指令被處理器執行時實現上述方法。電腦可讀儲存介質可以是非易失性電腦可讀儲存介質。
本發明實施例還提出一種電子設備，包括：處理器；被配置為儲存處理器可執行指令的記憶體；其中，所述處理器被配置為調用所述記憶體儲存的指令，以執行上述方法。
本發明實施例還提供了一種電腦程式產品，包括電腦可讀代碼，當電腦可讀代碼在設備上運行時，設備中的處理器執行被配置為實現如上任一實施例提供的預測方法的指令。
本發明實施例還提供了另一種電腦程式產品，被配置為儲存電腦可讀指令，指令被執行時使得電腦執行上述任一實施例提供的預測方法的操作。
電子設備可以被提供為終端、伺服器或其它形態的設備。
圖5示出本發明實施例提供的一種電子設備的結構示意圖。例如，電子設備800可以是行動電話，電腦，數位廣播終端，消息收發設備，遊戲控制台，平板設備，醫療設備，健身設備，個人數位助理等終端。
參照圖5，電子設備800可以包括以下一個或多個組件：處理組件802，記憶體804，電源組件806，多媒體組件808，音頻組件810，輸入/輸出（I/ O）的介面812，感測器組件814，以及通信組件816。
處理組件802通常控制電子設備800的整體操作，諸如與顯示，電話呼叫，資料通信，相機操作和記錄操作相關聯的操作。處理組件802可以包括一個或多個處理器820來執行指令，以完成上述的方法的全部或部分步驟。此外，處理組件802可以包括一個或多個模組，便於處理組件802和其他組件之間的交互。例如，處理組件802可以包括多媒體模組，以方便多媒體組件808和處理組件802之間的交互。
記憶體804被配置為儲存各種類型的資料以支援在電子設備800的操作。這些資料的示例包括用於在電子設備800上操作的任何應用程式或方法的指令，連絡人資料，電話簿資料，消息，圖片，視頻等。記憶體804可以由任何類型的易失性或非易失性存放裝置或者它們的組合實現，如靜態隨機存取記憶體（SRAM），電可擦除可程式設計唯讀記憶體（EEPROM），可擦除可程式設計唯讀記憶體（EPROM），可程式設計唯讀記憶體（PROM），唯讀記憶體（ROM），磁記憶體，快閃記憶體，磁片或光碟。
電源組件806為電子設備800的各種組件提供電力。電源組件806可以包括電源管理系統，一個或多個電源，及其他與為電子設備800生成、管理和分配電力相關聯的組件。
多媒體組件808包括在所述電子設備800和使用者之間的提供一個輸出介面的螢幕。在一些實施例中，螢幕可以包括液晶顯示器（LCD）和觸摸面板（TP）。如果螢幕包括觸摸面板，螢幕可以被實現為觸控式螢幕，以接收來自使用者的輸入信號。觸摸面板包括一個或多個觸摸感測器以感測觸摸、滑動和觸摸面板上的手勢。所述觸摸感測器可以不僅感測觸摸或滑動動作的邊界，而且還檢測與所述觸摸或滑動操作相關的持續時間和壓力。在一些實施例中，多媒體組件808包括一個前置攝影頭和/或後置攝影頭。當電子設備800處於操作模式，如拍攝模式或視訊模式時，前置攝影頭和/或後置攝影頭可以接收外部的多媒體資料。每個前置攝影頭和後置攝影頭可以是一個固定的光學透鏡系統或具有焦距和光學變焦能力。
音頻組件810被配置為輸出和/或輸入音頻信號。例如，音頻組件810包括一個麥克風（MIC），當電子設備800處於操作模式，如呼叫模式、記錄模式和語音辨識模式時，麥克風被配置為接收外部音頻信號。所接收的音頻信號可以被進一步儲存在記憶體804或經由通信組件816發送。在一些實施例中，音頻組件810還包括一個揚聲器，用於輸出音頻信號。
I/ O介面812為處理組件802和週邊介面模組之間提供介面，上述週邊介面模組可以是鍵盤，點擊輪，按鈕等。這些按鈕可包括但不限於：主頁按鈕、音量按鈕、啟動按鈕和鎖定按鈕。
感測器組件814包括一個或多個感測器，用於為電子設備800提供各個方面的狀態評估。例如，感測器組件814可以檢測到電子設備800的打開/關閉狀態，組件的相對定位，例如所述組件為電子設備800的顯示器和小鍵盤，感測器組件814還可以檢測電子設備800或電子設備800一個組件的位置改變，使用者與電子設備800接觸的存在或不存在，電子設備800方位或加速/減速和電子設備800的溫度變化。感測器組件814可以包括接近感測器，被配置用來在沒有任何的物理接觸時檢測附近物體的存在。感測器組件814還可以包括光感測器，如CMOS或CCD圖像感測器，用於在成像應用中使用。在一些實施例中，該感測器組件814還可以包括加速度感測器，陀螺儀感測器，磁感測器，壓力感測器或溫度感測器。
通信組件816被配置為便於電子設備800和其他設備之間有線或無線方式的通信。電子設備800可以接入基於通信標準的無線網路，如WiFi，2G或3G，或它們的組合。在一個示例性實施例中，通信組件816經由廣播通道接收來自外部廣播管理系統的廣播信號或廣播相關資訊。在一個示例性實施例中，所述通信組件816還包括近場通信（NFC）模組，以促進短程通信。例如，在NFC模組可基於射頻識別（RFID）技術，紅外資料協會（IrDA）技術，超寬頻（UWB）技術，藍牙（BT）技術和其他技術來實現。
在示例性實施例中，電子設備800可以被一個或多個應用專用積體電路（ASIC）、數位訊號處理器（DSP）、數位信號處理設備（DSPD）、可程式設計邏輯器件（PLD）、現場可程式設計閘陣列（FPGA）、控制器、微控制器、微處理器或其他電子組件實現，被配置為執行上述方法。
在示例性實施例中，還提供了一種非易失性電腦可讀儲存介質，例如包括電腦程式指令的記憶體804，上述電腦程式指令可由電子設備800的處理器820執行以完成上述方法。
圖6示出本發明實施例提供的一種電子設備的結構示意圖。例如，電子設備1900可以被提供為一伺服器。參照圖6，電子設備1900包括處理組件1922，其進一步包括一個或多個處理器，以及由記憶體1932所代表的記憶體資源，被配置為儲存可由處理組件1922的執行的指令，例如應用程式。記憶體1932中儲存的應用程式可以包括一個或一個以上的每一個對應於一組指令的部分。此外，處理組件1922被配置為執行指令，以執行上述預測方法。
電子設備1900還可以包括一個電源組件1926被配置為執行電子設備1900的電源管理，一個有線或無線網路介面1950被配置為將電子設備1900連接到網路，和一個輸入輸出（I/O）介面1958。電子設備1900可以操作基於儲存在記憶體1932的作業系統，例如Windows ServerTM，Mac OS XTM，UnixTM, LinuxTM，FreeBSDTM或類似。
在示例性實施例中，還提供了一種非易失性電腦可讀儲存介質，例如包括電腦程式指令的記憶體1932，上述電腦程式指令可由電子設備1900的處理組件1922執行以完成上述方法。
本發明可以是系統、方法和/或電腦程式產品。電腦程式產品可以包括電腦可讀儲存介質，其上載有用於使處理器實現本發明的各個方面的電腦可讀程式指令。
電腦可讀儲存介質可以是可以保持和儲存由指令執行設備使用的指令的有形設備。電腦可讀儲存介質例如可以是(但不限於)電存放裝置、磁存放裝置、光存放裝置、電磁存放裝置、半導體存放裝置或者上述的任意合適的組合。電腦可讀儲存介質的更具體的例子（非窮舉的列表）包括：可擕式電腦盤、硬碟、隨機存取記憶體（RAM）、唯讀記憶體（ROM）、可擦式可程式設計唯讀記憶體（EPROM或快閃記憶體）、靜態隨機存取記憶體（SRAM）、可擕式壓縮磁碟唯讀記憶體（CD-ROM）、數位多功能盤（DVD）、記憶棒、軟碟、機械編碼設備、例如其上儲存有指令的打孔卡或凹槽內凸起結構、以及上述的任意合適的組合。這裡所使用的電腦可讀儲存介質不被解釋為暫態信號本身，諸如無線電波或者其他自由傳播的電磁波、通過波導或其他傳輸媒介傳播的電磁波（例如，通過光纖電纜的光脈衝）、或者通過電線傳輸的電信號。
這裡所描述的電腦可讀程式指令可以從電腦可讀儲存介質下載到各個計算/處理設備，或者通過網路、例如網際網路、局域網、廣域網路和/或無線網下載到外部電腦或外部存放裝置。網路可以包括銅傳輸電纜、光纖傳輸、無線傳輸、路由器、防火牆、交換機、閘道電腦和/或邊緣伺服器。每個計算/處理設備中的網路介面卡或者網路介面從網路接收電腦可讀程式指令，並轉發該電腦可讀程式指令，以供儲存在各個計算/處理設備中的電腦可讀儲存介質中。
用於執行本發明操作的電腦程式指令可以是彙編指令、指令集架構（ISA）指令、機器指令、機器相關指令、微代碼、固件指令、狀態設置資料、或者以一種或多種程式設計語言的任意組合編寫的原始程式碼或目標代碼，所述程式設計語言包括物件導向的程式設計語言—諸如Smalltalk、C++等，以及常規的過程式程式設計語言—諸如“C”語言或類似的程式設計語言。電腦可讀程式指令可以完全地在使用者電腦上執行、部分地在使用者電腦上執行、作為一個獨立的套裝軟體執行、部分在使用者電腦上部分在遠端電腦上執行、或者完全在遠端電腦或伺服器上執行。在涉及遠端電腦的情形中，遠端電腦可以通過任意種類的網路—包括局域網(LAN)或廣域網路(WAN)—連接到使用者電腦，或者，可以連接到外部電腦（例如利用網際網路服務提供者來通過網際網路連接）。在一些實施例中，通過利用電腦可讀程式指令的狀態資訊來個性化定制電子電路，例如可程式設計邏輯電路、現場可程式設計閘陣列（FPGA）或可程式設計邏輯陣列（PLA），該電子電路可以執行電腦可讀程式指令，從而實現本發明的各個方面。
這裡參照根據本發明實施例的方法、裝置（系統）和電腦程式產品的流程圖和/或方塊圖描述了本發明的各個方面。應當理解，流程圖和/或方塊圖的每個方塊以及流程圖和/或方塊圖中各方塊的組合，都可以由電腦可讀程式指令實現。
這些電腦可讀程式指令可以提供給通用電腦、專用電腦或其它可程式設計資料處理裝置的處理器，從而生產出一種機器，使得這些指令在通過電腦或其它可程式設計資料處理裝置的處理器執行時，產生了實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作的裝置。也可以把這些電腦可讀程式指令儲存在電腦可讀儲存介質中，這些指令使得電腦、可程式設計資料處理裝置和/或其他設備以特定方式工作，從而，儲存有指令的電腦可讀介質則包括一個製造品，其包括實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作的各個方面的指令。
也可以把電腦可讀程式指令載入到電腦、其它可程式設計資料處理裝置、或其它設備上，使得在電腦、其它可程式設計資料處理裝置或其它設備上執行一系列操作步驟，以產生電腦實現的過程，從而使得在電腦、其它可程式設計資料處理裝置、或其它設備上執行的指令實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作。
附圖中的流程圖和方塊圖顯示了根據本發明的多個實施例的系統、方法和電腦程式產品的可能實現的體系架構、功能和操作。在這點上，流程圖或方塊圖中的每個方塊可以代表一個模組、程式段或指令的一部分，所述模組、程式段或指令的一部分包含一個或多個用於實現規定的邏輯功能的可執行指令。在有些作為替換的實現中，方塊中所標注的功能也可以以不同於附圖中所標注的順序發生。例如，兩個連續的方塊實際上可以基本並行地執行，它們有時也可以按相反的循序執行，這依所涉及的功能而定。也要注意的是，方塊圖和/或流程圖中的每個方塊、以及方塊圖和/或流程圖中的方塊的組合，可以用執行規定的功能或動作的專用的基於硬體的系統來實現，或者可以用專用硬體與電腦指令的組合來實現。
該電腦程式產品可以具體通過硬體、軟體或其結合的方式實現。在一個可選實施例中，所述電腦程式產品具體體現為電腦儲存介質，在另一個可選實施例中，電腦程式產品具體體現為軟體產品，例如軟體發展包(Software Development Kit，SDK)等等。
以上已經描述了本發明的各實施例，上述說明是示例性的，並非窮盡性的，並且也不限於所披露的各實施例。在不偏離所說明的各實施例的範圍和精神的情況下，對於本技術領域的普通技術人員來說許多修改和變更都是顯而易見的。本文中所用術語的選擇，旨在最好地解釋各實施例的原理、實際應用或對市場中的技術的改進，或者使本技術領域的其它普通技術人員能理解本文披露的各實施例。
工業實用性 本發明實施例根據待測物質的分子結構，確定待測物質的物質特徵，並在提取目標類別的病變細胞的至少一項細胞特徵後，根據待測物質的物質特徵及病變細胞的至少一項細胞特徵，預測待測物質針對病變細胞的反應結果。根據本發明實施例提供的預測方法、電子設備和儲存介質，可以基於待測物質的結構特徵圖提取待測物質的物質特徵，相比於人工提取物質特徵，提取的物質特徵更為稠密，進一步的可以提高測試結果的精度及獲得測試結果的效率。
401:第一確定部分 402:提取部分 403:第二確定部分 800:電子設備 802:處理組件 804:記憶體 806:電源組件 808:多媒體組件 810:音頻組件 812:輸入/輸出介面 814:感測器組件 816:通信組件 820:處理器 1900:電子設備 1922:處理組件 1926:電源組件 1932:記憶體 1950:網路介面 1958:輸入輸出介面 S11~S13:步驟
此處的附圖被併入說明書中並構成本說明書的一部分，這些附圖示出了符合本發明的實施例，並與說明書一起用於說明本發明的技術方案。 圖1示出本發明實施例提供的預測方法的流程示意圖； 圖2示出本發明實施例提供的矩陣示意圖； 圖3示出本發明實施例提供的預測方法的流程示意圖； 圖4示出本發明實施例提供的預測裝置的結構示意圖； 圖5示出本發明實施例提供的一種電子設備的結構示意圖； 圖6示出本發明實施例提供的一種電子設備的結構示意圖。
S11~S13:步驟

Claims (7)

  1. 一種預測方法，包括：根據待測物質的分子結構，構建所述待測物質的結構特徵圖；根據所述結構特徵圖得到所述待測物質的第一鄰接矩陣，所述第一鄰接矩陣表示所述待測物質的各原子之間的近鄰關係；根據預設輸入維度及所述第一鄰接矩陣的維度，構建所述第一鄰接矩陣的補充矩陣；將所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣進行拼接處理，得到維度為所述預設輸入維度的第二鄰接矩陣；對所述第二鄰接矩陣進行圖卷積處理，得到所述待測物質的物質特徵；其中，在所述第二鄰接矩陣中，所述第一鄰接矩陣與所述第一鄰接矩陣的補充矩陣不具有鄰接關係；提取目標類別的病變細胞的至少一項細胞特徵，得到所述病變細胞的至少一項細胞特徵；根據所述物質特徵和所述至少一項細胞特徵，預測所述待測物質針對所述病變細胞的反應結果。
  2. 根據請求項1所述的方法，其中，所述結構特徵圖包括至少兩個節點及各節點之間的連線，所述節點表示所述分子結構中的原子，所述連線表示所述分子結構中的原子鍵。
  3. 根據請求項2所述的方法，其中，所述方法還包括：根據所述結構特徵圖得到所述待測物質的第一特徵矩陣，所述第一特徵矩陣表示所述待測物質的各原子的屬性資料；根據所述預設輸入維度及所述第一特徵矩陣的維度，構建所述第一特徵矩陣的補充矩陣；將所述第一特徵矩陣及所述第一特徵矩陣的補充矩陣進行拼接處理，得到維度為所述預設輸入維度的第二特徵矩陣；對應地，所述對所述第二鄰接矩陣進行圖卷積處理，得到所述待測物質的物質特徵，包括：對所述第二鄰接矩陣及所述第二特徵矩陣進行圖卷積處理，得到所述待測物質的所述物質特徵。
  4. 根據請求項3所述的方法，其中，所述將所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣進行拼接處理，得到維度為所述預設輸入維度的第二鄰接矩陣，及將所述第一特徵矩陣及所述第一特徵矩陣的補充矩陣進行拼接處理，得到維度為所述預設輸入維度的第二特徵矩陣，包括：根據所述第一鄰接矩陣及所述第一鄰接矩陣的補充矩陣構建第一連接矩陣，其中，所述第一連接矩陣中的元素均為預設值；通過所述第一連接矩陣，將所述第一鄰接矩陣與所述第 一鄰接矩陣的補充矩陣進行連接，得到維度為所述預設輸入維度的所述第二鄰接矩陣；將所述第一特徵矩陣與所述第一特徵矩陣的補充矩陣進行連接，得到維度為所述預設輸入維度的所述第二特徵矩陣。
  5. 根據請求項1至4任一項所述的方法，其中，所述提取目標類別的病變細胞的至少一項細胞特徵，得到所述病變細胞的至少一項細胞特徵，包括以下至少一項：對所述病變細胞的基因表突變進行特徵提取，得到所述病變細胞的基因組特徵；對所述病變細胞的基因表達進行特徵提取，得到所述病變細胞的轉錄組特徵；對所述病變細胞的去氧核糖核酸(DeoxyriboNucleic Acid，DNA)甲基化資料進行特徵提取，得到所述病變細胞的表觀遺傳組特徵。
  6. 一種電子設備，包括：處理器；被配置為儲存處理器可執行指令的記憶體；其中，所述處理器被配置為調用所述記憶體儲存的指令，以執行請求項1至5中任意一項所述的方法。
  7. 一種電腦可讀儲存介質，其上儲存有電腦程式指令，所述電腦程式指令被處理器執行時實現請求項1至5中任意一項所述的方法。
TW109140147A 2019-11-18 2020-11-17 一種預測方法、電子設備和儲存介質 TWI771803B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911125921.XA CN110867254A (zh) 2019-11-18 2019-11-18 预测方法及装置、电子设备和存储介质
CN201911125921.X 2019-11-18

Publications (2)

Publication Number Publication Date
TW202133183A TW202133183A (zh) 2021-09-01
TWI771803B true TWI771803B (zh) 2022-07-21

Family

ID=69654942

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109140147A TWI771803B (zh) 2019-11-18 2020-11-17 一種預測方法、電子設備和儲存介質

Country Status (5)

Country Link
US (1) US20220285038A1 (zh)
JP (1) JP2022518283A (zh)
CN (1) CN110867254A (zh)
TW (1) TWI771803B (zh)
WO (1) WO2021098256A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110867254A (zh) * 2019-11-18 2020-03-06 北京市商汤科技开发有限公司 预测方法及装置、电子设备和存储介质
US20210287137A1 (en) * 2020-03-13 2021-09-16 Korea University Research And Business Foundation System for predicting optical properties of molecules based on machine learning and method thereof
CN111986740B (zh) * 2020-09-03 2024-05-14 深圳赛安特技术服务有限公司 化合物分类方法及相关设备
CN112768089B (zh) * 2021-04-09 2021-06-22 至本医疗科技（上海）有限公司 用于预测药物敏感状态的方法、设备和存储介质
CN113241130B (zh) * 2021-06-08 2022-04-22 西南交通大学 一种基于图卷积网络的分子结构预测方法
CN113707214B (zh) * 2021-08-31 2024-05-24 平安科技（深圳）有限公司 代谢物标记方法、装置、计算机设备及存储介质
CN117524346B (zh) * 2023-11-20 2024-07-05 东北林业大学 一种多视图癌症药物反应预测系统
CN118471327B (zh) * 2024-07-11 2024-10-01 北京市农林科学院信息技术研究中心 基于基因型与环境互作异构图的基因组预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201638815A (zh) * 2015-01-18 2016-11-01 美國加利福尼亞大學董事會 判定癌症狀態之方法及系統
US20160357917A1 (en) * 2008-07-01 2016-12-08 The Board Of Trustees Of The Leland Stanford Junior University Methods and Systems for Assessment of Clinical Infertility
CN109033738A (zh) * 2018-07-09 2018-12-18 湖南大学 一种基于深度学习的药物活性预测方法
CN110289050A (zh) * 2019-05-30 2019-09-27 湖南大学 一种基于图卷积和词向量的药物－靶标相互作用预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6671348B2 (ja) * 2014-05-05 2020-03-25 アトムワイズ，インコーポレイテッド 結合親和性予測システム及び方法
US11868851B2 (en) * 2015-03-11 2024-01-09 Symphonyai Sensa Llc Systems and methods for predicting outcomes using a prediction learning model
CA2985491A1 (en) * 2015-06-22 2016-12-29 Counsyl, Inc. Methods of predicting pathogenicity of genetic sequence variants
WO2017139492A1 (en) * 2016-02-09 2017-08-17 Toma Biosciences, Inc. Systems and methods for analyzing nucelic acids
EP4194853A1 (en) * 2016-12-28 2023-06-14 National Institutes of Biomedical Innovation, Health and Nutrition Characteristic analysis method and classification of pharmaceutical components by using transcriptomes
CN108959841A (zh) * 2018-04-16 2018-12-07 华南农业大学 一种基于dbn算法的药物靶向蛋白作用预测方法
CN110232978B (zh) * 2019-06-14 2022-05-17 西安电子科技大学 基于多维网络的癌症细胞系治疗药物预测方法
CN110867254A (zh) * 2019-11-18 2020-03-06 北京市商汤科技开发有限公司 预测方法及装置、电子设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160357917A1 (en) * 2008-07-01 2016-12-08 The Board Of Trustees Of The Leland Stanford Junior University Methods and Systems for Assessment of Clinical Infertility
TW201638815A (zh) * 2015-01-18 2016-11-01 美國加利福尼亞大學董事會 判定癌症狀態之方法及系統
CN109033738A (zh) * 2018-07-09 2018-12-18 湖南大学 一种基于深度学习的药物活性预测方法
CN110289050A (zh) * 2019-05-30 2019-09-27 湖南大学 一种基于图卷积和词向量的药物－靶标相互作用预测方法

Also Published As

Publication number Publication date
JP2022518283A (ja) 2022-03-14
WO2021098256A1 (zh) 2021-05-27
US20220285038A1 (en) 2022-09-08
TW202133183A (zh) 2021-09-01
CN110867254A (zh) 2020-03-06

Similar Documents

Publication Publication Date Title
TWI771803B (zh) 一種預測方法、電子設備和儲存介質
KR102365890B1 (ko) 신경망의 훈련 방법, 장치 및 저장 매체
TWI781359B (zh) 人臉和人手關聯檢測方法及裝置、電子設備和電腦可讀儲存媒體
JP6916970B2 (ja) ビデオ処理方法及び装置、電子機器並びに記憶媒体
TWI772668B (zh) 一種目標對象處理方法、裝置、電子設備及儲存介質
CN111310764A (zh) 网络训练、图像处理方法及装置、电子设备和存储介质
TWI773945B (zh) 錨點確定方法、電子設備和儲存介質
CN111581488B (zh) 一种数据处理方法及装置、电子设备和存储介质
CN103119583B (zh) 用于表示对可用项目的感兴趣程度的装置和方法
TWI785638B (zh) 目標檢測方法、電子設備和電腦可讀儲存介質
WO2021036382A9 (zh) 图像处理方法及装置、电子设备和存储介质
TWI778313B (zh) 圖像處理方法、電子設備和儲存介質
WO2016011741A1 (zh) 自动连接无线局域网的方法及装置
CN111539410A (zh) 字符识别方法及装置、电子设备和存储介质
CN109992606A (zh) 一种目标用户的挖掘方法、装置、电子设备及存储介质
CN110659690A (zh) 神经网络的构建方法及装置、电子设备和存储介质
CN111523599B (zh) 目标检测方法及装置、电子设备和存储介质
CN110633715A (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN113470735A (zh) 预测方法及装置、电子设备和存储介质
CN110162337B (zh) 运算方法、装置及相关产品
CN113470736A (zh) 预测方法及装置、电子设备和存储介质
TWI786623B (zh) 資訊處理方法、電子設備和電腦可讀儲存介質
CN110019928B (zh) 视频标题的优化方法及装置
JP2023507697A (ja) 情報処理方法及び装置、電子デバイス並びにコンピュータ可読記憶媒体
CN110765943A (zh) 网络训练、识别方法及装置、电子设备和存储介质