[发明专利]基于深度学习的药物疗效预测方法、装置、设备以及存储介质

权利要求书

1.一种基于深度学习的药物疗效预测方法，应用于靶向蛋白，其特征在于，包括：

获取药物对应的第一蛋白序列；

对所述第一蛋白序列进行分割，得到对应所述第一蛋白序列的多个第一子序列，其中，每一个所述第一子序列的氨基酸分子的数量相同；

分析每一个所述第一子序列，得到每一个所述第一子序列对应的第一文字表达；

将每一个所述第一文字表达，以及所述靶向蛋白对应的每一个第二文字表达输入至预先训练好的word2vec模型中，得到每一个所述第一文字表达与各所述第二文字表达的匹配度；其中，所述第二文字表达通过将所述靶向蛋白的第二蛋白序列进行分割，得到对应所述第二蛋白序列的多个第二子序列，对所述第二蛋白进行分析，得到每一个所述第二子序列对应的第二文字表达；每一个所述第二子序列的氨基酸分子的数量相同，每一个第二文字表达对应的第二子序列为一个靶点；

基于所述匹配度确定所述药物与所述靶向蛋白相匹配的作用靶点；

基于各所述作用靶点预测所述药物对所述靶向蛋白的药物疗效。

2.如权利要求1所述的基于深度学习的药物疗效预测方法，其特征在于，所述基于各所述作用靶点预测所述药物对所述靶向蛋白的药物疗效的步骤，包括：

根据所述靶向蛋白各靶点的预设权重，计算各所述作用靶点的作用分值，并将得到的各所述作用分值进行求和，得到所述药物对应的疗效分值；

根据所述预先设定的药物疗效与药物疗效分值的对应关系，获取所述疗效分值的药物疗效。

3.如权利要求1所述的基于深度学习的药物疗效预测方法，其特征在于，所述分析每一个所述第一子序列，得到每一个所述第一子序列对应的第一文字表达的步骤，包括：

将各个所述第一子序列输入至Skip-Gram模型进行处理，得到各个第一子序列分别对应的实值向量；其中，各个所述实值向量的维度相同；

获取各所述实值向量预设个数的上下文词语各自所对应的实值向量作为目标向量；

通过随机梯度上升法对各个所述实值向量进行更新，得到各个所述实值向量对应的所述第一文字表达。

4.如权利要求1所述的基于深度学习的药物疗效预测方法，其特征在于，所述将每一个所述第一文字表达，以及所述靶向蛋白对应的每一个第二文字表达输入至预先训练好的word2vec模型中，得到每一个所述第一文字表达与各所述第二文字表达的匹配度的步骤之前，还包括：

基于所述靶向蛋白所属的靶向类别，从参数数据库中获取对应所述靶向类别的初始参数；以及，

基于所述靶向类别获取对应类别的训练数据；

将所述初始参数输入至word2vec初始模型中，然后输入所述训练数据进行训练，得到所述预先训练好的word2vec模型。

5.如权利要求4所述的基于深度学习的药物疗效预测方法，其特征在于，所述将所述初始参数输入至word2vec初始模型中，并输入所述训练数据进行训练，得到所述预先训练好的word2vec模型的步骤，包括：

将所述训练数据拆分为多个训练集；

将各所述训练集和所述初始参数输入至不同的word2vec初始模型中进行训练，训练完成后，得到各所述word2vec初始模型各自训练的中间参数；

使用梯度下降法计算各所述word2vec初始模型的损失值，并基于所述损失值对各自对应的所述word2vec初始模型优化，得到各个所述word2vec初始模型各自对应的优化参数；

将各所述优化参数输入元优化公式中进行计算，得到目标参数；

将所述目标参数输入至所述word2vec初始模型中，得到所述预先训练好的word2vec模型。