[发明专利]一种筛选疾病药物靶标和靶标组合的方法及系统

说明书

本发明公开一种筛选疾病药物靶标和药物靶标组合的方法及系统，该方法包括：根据蛋白质在疾病细胞系与正常组织间的差异表达数据构建自动编码器；根据所述自动编码器计算基因的敲除效应，构建敲除网络；根据所述敲除网络预测疾病相关蛋白质；所述相关蛋白质即为药物靶标；根据所述敲除网络预测疾病相关蛋白质的组合，所述相关蛋白质的组合即为药物靶标组合。通过本方法或系统可以同时预测疾病相关蛋白质和蛋白质的组合效应。

技术领域

本发明涉及深度神经网络领域，特别是涉及一种筛选疾病药物靶标和靶标组合的方法及系统。

背景技术

随着生物测量手段的进步，疾病药物相关的高通量数据不断积累，对一些疾病和疾病相关的基因/蛋白质的理解也不断深入。目前靶点药物治疗方法被认为在安全性和药品不良反应(ADR)中优于传统药物治疗方法，因此靶点药物逐渐成为疾病治疗和药物研发的主要方向。在此类药物研发工作中，最关键的步骤就是确定药物靶点，而确定药物靶点的关键在于优选疾病相关蛋白质。

目前许多用于药物设计的生物信息学方法可以结合各种类型的数据信息，如蛋白质相互作用(protein-protein interactions,PPI)，基因组突变，基因/蛋白质表达和功能注释等中筛选疾病相关基因/蛋白质，而其中利用生物网络的一些方法具有较好的表现。一些方法利用蛋白质互作网络中包含有疾病相关的生物过程信息用于预测疾病相关基因/蛋白质；还有一些方法利用蛋白质互作网络结合其它组学数据，如基因/蛋白质表达谱和基因组突变信息等来推测新相关基因；另外一些方法可以通过网络拓扑结构进行筛选。这些方法生物网络方法一般会遵循“guiltby association(GBA)”原则，即与已知疾病基因/蛋白质密切相关的基因/蛋白质或表型也更有可能与该疾病相关，这类的预测很可能会引入一些偏见结果。有些方法整合了多样本的数据构建网络，也会忽视网络中存在的组织和条件特异性。

现有基于蛋白质相互作用网络预测疾病靶点的方法通常基于以下步骤：一：收集大量蛋白质相互作用数据，并整理为一个非冗余的，去除错误连接的集合；二：收集正常组织和疾病组织的基因表达谱，并计算两类组织间的差异表达值；三：计算与选定蛋白质有相互作用的所有蛋白质的差异表达值的和，并将此值作为优选候选基因的标准。

神经网络有很强的非线性拟合能力，便于计算机实现，具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，目前是深度学习的重要手段，有很大的应用前景。在此我们提出了一个基于自动编码器auto-encoder构建的深度神经网络模型来学习蛋白质相互作用在疾病组织中的特异性，并将训练后的网络用于筛选疾病相关蛋白质和蛋白质组合。

发明内容

本发明的目的是提供一种筛选疾病药物靶标和药物靶标组合的方法及系统，提出了一种基于自动编码器的深度学习方法，可以充分学习蛋白质相互作用在癌症多组学数据中的特异性，深度学习训练后的网络可以有效筛选癌症相关药物靶标和靶标组合。

为实现上述目的，本发明提供了如下方案：

一种筛选疾病药物靶标和药物靶标组合的方法，包括：

根据蛋白质在疾病细胞系与正常组织间的差异表达数据构建自动编码器；

根据所述自动编码器计算基因的敲除效应，构建敲除网络；

根据所述敲除网络预测疾病相关蛋白质；所述相关蛋白质即为药物靶标；

根据所述敲除网络预测疾病相关蛋白质的组合，所述相关蛋白质的组合即为药物靶标组合。

可选的，所述根据所述自动编码器计算基因的敲除效应，构建敲除网络具体包括：

根据自动编码器构建深度学习网络模型；

给定一个差异表达谱，将所述差异表达谱输入所述深度学习网络模型，得到差异表达值，记为背景输出B；