本技术涉及人工智能以及数字医疗,特别是涉及一种基于基因调控的治疗方案推送方法及装置、介质、设备。
背景技术:
1、传统的针对疾病的诊断治疗方案,大多是依赖医学检测手段结合医生的经验进行制定的,由于主观性较强,导致诊断治疗方案取得的疗效良莠不齐。随着对生物基因研究的深入,越来越多的研究发现基因之间的调控作用对于知晓疾病的发生机理具有重要的作用,进而根据发病机理制定治疗方案可以有效的提高治疗方案的疗效。
2、目前,现有技术中大多是通过计算不同个体的基因表达的相关性对基因调控作用进行分析预测的。由于个体的基因表达值是基于个体所包含的多个细胞的平均表达水平进行确定的,是以个体的整体水平作为预测单位的,导致单个细胞的基因表达情况被掩盖,使得基因调控作用的预测结果准确性降低,以至于根据基因调控作用预测结果制定的治疗方案的疗效难以保证。因此,亟需一种基于基因调控的治疗方案推送方法,以提高治疗方案推送的准确率。
技术实现思路
1、有鉴于此,本技术提供一种基于基因调控的治疗方案推送方法及装置、介质、设备,主要目的在于改善现有预测基因调控作用时,由于以个体的整体水平作为预测单位,导致预测结果准确性降低,进而导致根据基因调控作用预测结果制定的治疗方案的疗效难以保证的技术问题。
2、依据本技术一个方面,提供了一种基于基因调控的治疗方案推送方法,包括:
3、获取目标对象的待测基因表达数据组;
4、基于已完成模型训练的基因调控作用预测模型对所述待测基因表达数据组进行基因调控作用预测处理,得到所述待测基因表达数据组的基因调控作用预测结果,所述基因调控作用预测模型是基于卷积神经网络以及长短期记忆网络构建的;
5、根据所述待测基因表达数据组的基因调控作用预测结果推送与所述目标对象相匹配的治疗方案。
6、优选的,所述基于已完成模型训练的基因调控作用预测模型对所述待测基因表达数据组进行基因调控作用预测处理之前,所述方法还包括:
7、基于卷积神经网络以及长短期记忆网络构建初始基因调控作用预测模型;
8、获取历史对象在多个预设时刻的时序单细胞基因测序数据;
9、基于所述多个预设时刻的时序单细胞基因测序数据对所述初始基因调控作用预测模型进行模型训练,得到已完成模型训练的基因调控作用预测模型。
10、优选的,所述获取历史对象在多个预设时刻的时序单细胞基因测序数据之后,所述方法还包括:
11、基于所述历史对象在多个预设时刻的时序单细胞基因测序数据中的任一基因表达数据组构建所述基因表达数据组的基因共表达矩阵,得到多个基因共表达矩阵。
12、优选的,所述基于所述多个预设时刻的时序单细胞基因测序数据对所述初始基因调控作用预测模型进行模型训练,具体包括:
13、基于所述初始基因调控作用预测模型所包含的卷积神经网络子模型分别对所述基因共表达矩阵进行降维处理,得到多个基因共表达值表征向量。
14、优选的,所述基于所述多个预设时刻的时序单细胞基因测序数据对所述初始基因调控作用预测模型进行模型训练,还包括:
15、基于所述初始基因调控作用预测模型所包含的长短期记忆网络子模型分别对所述基因共表达值表征向量进行基因调控作用预测处理,得到多个所述基因表达数据组的基因调控作用预测结果。
16、优选的,所述基于所述多个预设时刻的时序单细胞基因测序数据对所述初始基因调控作用预测模型进行模型训练,还包括:
17、获取所述历史对象所包含的全量基因表达数据组的调控关系标签;
18、确定所述调控关系标签与所述基因表达数据组的基因调控作用预测结果之间的交叉熵损失,并基于最小损失函数对所述初始基因调控作用预测模型进行优化处理得到已完成模型训练的基因调控作用预测模型。
19、优选的,所述获取目标对象的待测基因表达数据组之后,所述方法还包括:
20、对所述待测基因表达数据组进行标准化处理,得到标准处理后的待测基因表达数据组。
21、依据本技术另一个方面,提供了一种基于基因调控的治疗方案推送装置,包括:
22、第一获取模块,用于获取目标对象的待测基因表达数据组;
23、预测模块,用于基于已完成模型训练的基因调控作用预测模型对所述待测基因表达数据组进行基因调控作用预测处理,得到所述待测基因表达数据组的基因调控作用预测结果,所述基因调控作用预测模型是基于卷积神经网络以及长短期记忆网络构建的;
24、推送模块,用于根据所述待测基因表达数据组的基因调控作用预测结果推送与所述目标对象相匹配的治疗方案。
25、优选的,所述预测模块之前,所述装置还包括:
26、第一构建模块,用于基于卷积神经网络以及长短期记忆网络构建初始基因调控作用预测模型;
27、第二获取模块,用于获取历史对象在多个预设时刻的时序单细胞基因测序数据;
28、训练模块,用于基于所述多个预设时刻的时序单细胞基因测序数据对所述初始基因调控作用预测模型进行模型训练,得到已完成模型训练的基因调控作用预测模型。
29、优选的,所述第二获取模块之后,所述装置还包括:
30、第二构建模块,用于基于所述历史对象在多个预设时刻的时序单细胞基因测序数据中的任一基因表达数据组构建所述基因表达数据组的基因共表达矩阵,得到多个基因共表达矩阵。
31、优选的,所述训练模块,具体包括:
32、降维单元,用于基于所述初始基因调控作用预测模型所包含的卷积神经网络子模型分别对所述基因共表达矩阵进行降维处理,得到多个基因共表达值表征向量。
33、优选的,所述训练模块,还包括:
34、预测单元,用于基于所述初始基因调控作用预测模型所包含的长短期记忆网络子模型分别对所述基因共表达值表征向量进行基因调控作用预测处理,得到多个所述基因表达数据组的基因调控作用预测结果。
35、优选的,所述训练模块,还包括:
36、获取单元,用于获取所述历史对象所包含的全量基因表达数据组的调控关系标签;
37、优化单元,用于确定所述调控关系标签与所述基因表达数据组的基因调控作用预测结果之间的交叉熵损失,并基于最小损失函数对所述初始基因调控作用预测模型进行优化处理,得到已完成模型训练的基因调控作用预测模型。
38、优选的,所述第一获取模块之后,所述装置还包括:
39、标准化模块,用于对所述待测基因表达数据组进行标准化处理,得到标准处理后的待测基因表达数据组。
40、根据本技术的又一方面,提供了一种存储介质,所述存储介质中存储有至少一条可执行指令,所述可执行指令使处理器执行如上述基于基因调控的治疗方案推送方法对应的操作。
41、根据本技术的再一方面,提供了一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
42、所述存储器用于存放至少一条可执行指令,所述可执行指令使所述处理器执行上述基于基因调控的治疗方案推送方法对应的操作。
43、借由上述技术方案,本技术实施例提供的技术方案至少具有下列优点:
44、本技术提供了一种基于基因调控的治疗方案推送方法及装置、介质、设备,首先获取目标对象的待测基因表达数据组;其次基于已完成模型训练的基因调控作用预测模型对所述待测基因表达数据组进行基因调控作用预测处理,得到所述待测基因表达数据组的基因调控作用预测结果,所述基因调控作用预测模型是基于卷积神经网络以及长短期记忆网络构建的;最后根据所述待测基因表达数据组的基因调控作用预测结果推送与所述目标对象相匹配的治疗方案。与现有技术相比,本技术实施例通过基于卷积神经网络以及长短期记忆网络构建的基因调控作用预测模型对基因表达数据组的基因调控作用进行预测,由于是以基因表达数据作为预测单位,实现了更微观层面的基因调控作用的预测,提高了预测结果的准确性;并且进一步根据预测结果进行治疗方案的推送,有效的提高了治疗方案推送的准确率。
45、上述说明仅是本技术技术方案的概述,为了能够更清楚了解本技术的技术手段,而可依照说明书的内容予以实施,并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂,以下特举本技术的具体实施方式。