买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提出了一种基于机器学习的抗癌药物反应预测模型的构建方法和系统，该模型提出药物基因组空间的概念，使用矩阵分解来将药物和细胞系数据投影到高维的潜在空间，从而提取药物与细胞系的生物学特征，具有较高的生物可解释性。本发明将推荐学习的模型与包括传统的机器学习模型在内的多个模型进行了比较，以评估模型的能力。除了相关性验证，本发明首次使用了推荐系统中经常使用的加权排名指标NDCG，用以评估模型对新的细胞系进行敏感性药物推荐的能力，这一能力更能在临床中协助医生进行靶向药物的选择。在这两个验证评价方式中，基于推荐学习的模型都表现出了不错的预测能力，可以更准确和可靠地预测药物抗癌药物的敏感性。

主权项：1.一种抗癌药物敏感性预测模型的构建方法，其特征在于，包括以下步骤，步骤1，构建数据集及预处理：步骤1-1，所述数据集来自CCLE和GDSC两项研究；步骤1-2，对所述两项数据集进行IC50值的重新计算；步骤1-3，对所述两项数据集得到IC50值进行对比，确定最终数据集；步骤2，构建药物反应计算的模型：步骤2-1，基于协同过滤推荐算法中利用潜在因子进行特征提取的思想，构建药物反应矩阵W并将其分解为偏差S、细胞系矩阵C和药物矩阵M；步骤2-2，使用分解后的药物矩阵M来学习药物基因组空间，将药物和细胞系数据投影到高维的潜在空间，使用细胞系向量和药物向量之间的点积提供细胞系的特异性药物反应；步骤2-3，构建药物反应矩阵W和细胞系矩阵C以及药物矩阵M之间的关系，判断细胞系和药物基因组潜在关联性；步骤3，训练药物反应计算模型并评价；选择优化后的平方误差之和损失函数作为药物反应计算模型的优化算法；其中，平方误差之和损失函数为： 其中和Wij分别是使用药物j观察和预测的细胞系i的敏感性得分，药物反应矩阵是训练数据集中药物反应实验的数量；所述平方误差之和损失函数优化方法为：通过使用梯度下降来优化平方误差之和损失函数；根据测定的药物反应值获得药物反应矩阵W中的所有参数；参数MP，MQ的梯度函数推导如下公式 其中，和分别是药物j和细胞系i的偏差项，kj和di是药物j和细胞系i在n维潜在空间中的向量；MQ是包含药物向量的矩阵，y是药物指示向量。MP是一个变换矩阵，将细胞特征xi投影到潜在空间；在药物反应计算模型中，初始化和为0，MP和MQ使用最小随机数，使用上述梯度计算公式执行批量梯度下降，以优化MP和MQ；然后确定药物反应计算模型的评估方式，具体为：采用五折交叉验证，将药物反应计算模型结果与每种药物的已知反应的相关性进行比较；计算了Pearson相关性用以评价每种药物的细胞系排名，并整理得到了各个药物的平均相关性；同时还使用了归一化折损累积收益NDCG来评价每个细胞系的药物反应计算模型，计算公式如下： 其中，g是在细胞系上测试的药物的预测等级，w是观察到的药物敏感性得分列表，是基于测量的药物反应值计算的已知药物等级；NDCG取值范围为0到1，其中1表示药物反应计算模型正确预测了药物的排名。

全文数据：

权利要求：

百度查询： 天津大学合肥创新发展研究院 抗癌药物敏感性预测模型的构建方法及系统