[发明专利]药物与细胞系反应的预测模型的训练方法及相关装置

说明书

本发明公开了一种药物与细胞系反应的预测模型的训练方法及相关装置。其中训练方法包括：获取到训练样本集，训练样本集包括细胞系的基因数据、药物的化合物数据以及药物的化合物数据与细胞系的基因数据的反应结果标注；将训练样本集输入至深度学习回归模型中进行预测，得到药物的化合物数据与细胞系的基因数据的反应的预测结果；利用药物的化合物数据与细胞系的基因数据的反应的预测结果及药物的化合物数据与所述细胞系的基因数据的反应结果标注对深度学习回归模型进行迭代训练，得到药物与细胞系反应的预测模型。以此能够直接通过训练所得的模型预测细胞系与药物的反应，降低人力成本，提高效率。

技术领域

本发明涉及云计算应用领域，具体涉及一种药物与细胞系反应的预测模型的训练方法及相关装置。

背景技术

人体癌细胞系具有稳定遗传背景和无限繁殖能力，临床肿瘤模型一直都是生物医学的主要实验对象之一。目前预测癌症患者对癌症药物的反应是精准医疗的重要问题，目前在该领域采用的主要研究流程主要有以下两种：

一种是研究员依据现有的抗癌药物数据库，在癌症细胞系与药物之间做大量的实验验证及定量分析，该研究全部实验由研究员人工完成，人力物力成本高，效率低。

另一种是基于癌细胞的基因组相似性，利用矩阵分解等方法传统的统计学或机器学习的方法，根据细胞系之间的相似性，来推断其与药物之间的关系。该研究忽略了基因之间的关系，导致并不能很好的预测细胞系与药物之间的反应。

因此需要一种既能降低成本、提高效率，又能很好预测细胞系与药物之间的反应的方法。

发明内容

本发明提供一种药物与细胞系反应的预测模型的训练方法及相关装置，其能够直接通过模型预测细胞系与药物的反应，降低人力成本，提高效率。

为解决上述技术问题，本发明提供的第一个技术方案为：提供一种药物与细胞系反应的预测模型的训练方法，包括：获取训练样本集，所述训练样本集包括细胞系的基因数据、药物的化合物数据以及所述药物的化合物数据与所述细胞系的基因数据的反应结果标注；将细胞系的基因数据和所述药物的化合物数据输入至深度学习回归模型进行预测，得到所述药物的化合物数据与所述细胞系的基因数据的反应的预测结果；利用所述反应的预测结果及所述药物的化合物数据与所述细胞系的基因数据的反应结果标注对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型。训练得到药物与细胞系反应的预测模型，通过模型预测细胞系与药物的反应，降低人力成本，提高效率。

其中，所述利用所述反应的预测结果及所述药物的化合物数据与所述细胞系的基因数据的反应结果标注对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型包括：计算所述反应的预测结果及所述药物的化合物数据与所述细胞系的基因数据的反应结果标注的差值；根据所述差值对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型。对模型数据进行迭代更新，以使得模型预测结果更加接近于真实值，即使得模型预测结果更加准确。

其中，所述根据所述差值对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型包括：根据所述差值利用反向传播方法对所述深度学习回归模型进行迭代训练，得到所述药物与细胞系反应的预测模型。对模型数据进行迭代更新，以使得模型预测结果更加接近于真实值，即使得模型预测结果更加准确。

其中，所述获取训练样本集包括：获取药物的名称，并根据所述药物的名称确定药物对应的分子表达式和/或指纹表达式；将所述分子表达式和/或指纹表达式整合为所述药物的化合物数据；获取所述细胞系的名称，并根据所述细胞系的名称确定细胞系对应的基因表达数据、拷贝数变异以及点突变数据；将所述细胞系对应的基因表达数据、拷贝数变异以及点突变数据整合为所述细胞系的基因数据。获取训练样本集，通过训练样本集训练药物与细胞系反应的预测模型，利用模型预测细胞系与药物的反应，降低人力成本，提高效率。