[发明专利]基于多维网络的癌症细胞系治疗药物预测方法

说明书

本发明公开了一种基于多维网络的癌症细胞系治疗药物预测方法，主要解决现有技术对癌症细胞系治疗药物预测结果准确率低的问题。其方案是：下载n个癌症细胞系的数据，构建癌症细胞系相似性网络；下载m个药物的数据，构建药物相似性网络；在癌症细胞系相似性网络中，利用扩散成分分析算法计算得到n个癌症细胞系的低维特征向量矩阵；在药物相似性网络中，利用扩散成分分析算法计算得到m个药物的低维特征向量矩阵；获得药物反应的逻辑回归模型；计算药物和癌症细胞系之间为敏感性关系的得分；通过敏感性关系得分判断药物对癌症细胞系是否具有治疗作用。本发明提高了对癌症细胞系治疗药物预测结果的准确率，可用于癌症对药物的反应预测实验。

技术领域

本发明属于生物信息学技术领域，特别涉及一种癌症细胞系治疗药物预测方法，可用于癌症对药物的反应预测实验。

背景技术

癌症是一类复杂的异质性疾病，忽略癌症患者体内生物分子特征，仅仅依据癌症患者临床症状的传统治疗方式无法满足现代医疗治疗癌症的要求。目前，治疗癌症的主要手段是使用分子靶向药物抑制癌症的发展。精准医疗提倡的就是靶向疗法，根据癌症患者的体内分子特性选择具体的治疗方案是提高癌症治疗效果的有效途径。在动物体内移植肿瘤，然后把化合物作用于动物体内，观察动物体内肿瘤的生长变化，以此确定化合物对肿瘤的作用效果，这种研究治疗肿瘤药物的方法费用高、耗时长而且成功率低。

面对这些挑战，人类癌症细胞系为预测药物反应提供了新的载体，有利于筛选治疗癌症的候选药物。原发性肿瘤细胞系的培养时间相对较短，研究人员可以快速测试药物对某种癌症的治疗是否有效，缩小治疗癌症的候选药物范围。目前用细胞系培养技术培养出的癌症细胞系能够近似的模拟癌症细胞在癌症病人体内的生长环境，癌症细胞系和癌症病人体内癌症细胞的基因表达、染色体增益或缺失以及甲基化水平具有极大的相似性，癌症细胞系能够更加准确的模拟癌症病人对药物的反应情况。通过分析癌症细胞系分子数据预测药物反应，能够提高预测药物反应的准确率。

根据不同的数据和理论，目前的药物反应预测方法主要分为以下两类：

一.基于机器学习的药物反应预测方法。

随着机器学习理论的不断发展，使用机器学习预测药物反应的方法取得了较好的结果。此类方法的主要流程是：首先，提取癌症细胞系的基因表达谱作为特征。然后，利用药物的已知反应数据训练预测模型。最后，预测模型计算出新的药物反应。此类方法的优点是从癌症细胞系的基因表达水平进行药物反应研究，缺点是没有考虑到癌症细胞系之间的关系，没有考虑到药物之间的关系，其预测的准确率有待提高。

二.基于网络的药物反应预测方法。

网络能够反映节点之间的关系。已有研究发现相似的癌症细胞系对相似的药物具有相似的反应。癌症细胞系相似性网络描述了癌症细胞系之间的相似性，药物相似性网络描述了药物之间的相似性，在相似性网络中使用信息传播方法来预测药物的反应。此类方法的主要流程是：首先，基于基因表达谱构建癌症细胞系相似性网络，以及基于化学结构构建药物相似性网络，然后，将癌症细胞系和药物的已知反应映射到癌症细胞系相似性网络和药物相似性网络之间，建立癌症细胞系节点和药物节点的连边，形成异构网络，最后在异构网络中通过信息传播预测药物反应。此类方法的优点是从癌症细胞系之间以及药物之间的相似性关系进行药物反应预测研究，缺点是仅从单一层面计算癌症细胞系相似性和药物相似性，预测结果准确率有待提升。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于多维网络的癌症细胞系药物反应预测方法，以提高药物反应预测结果的准确率。