本发明涉及智能医疗,具体涉及一种作用机制可解释的抗癌药物协同作用预测方法及系统。
背景技术:
1、协同药物组合因其配药剂量低于单一疗法,常展现出更低的毒性和副作用,并有助于克服患者的耐药性,尤其对于癌症等复杂疾病而言,其治疗效果往往更为显著。例如,凡德他尼联合紫杉醇和卡铂的组合疗法在非小细胞肺癌治疗中,相较于凡德他尼单独使用,展现了更优的疗效。然而,不当的药物组合可能引发严重不良反应甚至危及患者生命,因此,精准筛选协同药物组合对临床治疗至关重要。
2、传统上,协同药物组合的识别依赖于耗时且资源密集的临床试验,这种方法不仅探索范围有限,还可能使患者面临未知风险。随着高通量筛选技术的兴起,研究人员能够在体外快速评估大量药物组合,但鉴于药物组合空间的庞大与癌细胞的高度异质性,全面筛选仍面临巨大挑战。
3、近年来,深度学习技术的引入为协同药物组合的虚拟筛选开辟了新途径。该技术允许研究人员在合理时间内探索庞大的药物组合空间,并通过高通量筛选技术验证高潜力候选组合,显著提升了药物组合的发现效率。当前,基于药物表示的不同,药物协同作用计算方法主要分为两大类别;1.基于关系网络的方法:此类方法利用知识图谱或生物网络来预测药物间的协同作用,有助于深入理解药物的作用机制。不过,这类方法高度依赖于详尽的药物-靶点、药物-蛋白质及蛋白质-蛋白质相互作用信息,且往往忽略了药物物理化学性质在协同效应中的关键作用。2.基于药物表型的方法:该方法通过药物分子指纹或化学描述符来表征药物结构信息,并将其与癌细胞系的基因表达谱相结合,预测特定组合在癌细胞上的效果。然而,这些人工设计的特征高度依赖专家经验,且一维化学描述符可能无法全面捕捉药物分子结构的复杂空间特征,从而导致预测精度受限,并影响生物可解释性。
4、现有基于药物表型的抗癌药物协同作用预测方法,广泛采用分子指纹、药物化学描述符、物理化学性质、副作用记录、结合靶标、生物途径及药物间相互作用等多种特征来全面描述药物的结构特性和生物学属性。具体而言,这些方法首先构建药物的多维度特征向量,这些向量集成了药物的内在化学结构和外在生物活性信息。例如,在文献[1]中,研究者们运用了分子指纹来捕捉药物的分子结构特征,结合物化特性(如溶解度、极性)和毒性基团的存在情况,共同构建了一个综合性的药物特征集。随后,他们将这些特征与癌症细胞系的基因表达数据进行整合分析,旨在预测特定药物组合在特定癌症类型上的协同治疗效果。而文献[2]则进一步探索了利用分子指纹与药物化学描述符相结合的方式来表征药物,并通过预训练模型(一种深度学习模型)来自动学习并提取药物的深层次、显式表征。这种方法不仅减少了对人工设计特征的依赖,还提高了模型对药物特性的捕捉能力和预测准确性。
5、文献[1]张杉,马敬山,李玉双.基于方差排序和深度神经网络的抗癌药物组合协同作用预测[j].数学的实践与认识,2024,54(02):129-135;
6、文献[2]m xu,x zhao,j wang,et al.dffndds:prediction of synergisticdrug combinations with dual feature fusion networks[j].journalofcheminformatics,2023,15(1):33;
7、需要说明的是,药物的药理活性深植于其化学官能团之中,然而,当前方式往往直接依赖于人工设计的特征或药物的物理化学性质来表征药物的特征信息。这种做法存在两方面的局限性:首先,人工设计特征的有效性高度依赖于专家的深厚知识与经验,这在一定程度上限制了方法的通用性和可扩展性;其次,此类方法往往无法全面而精准地编码药物分子结构的空间信息,这是理解药物作用机制及预测协同作用效果的关键因素之一。
技术实现思路
1、本发明的目的在于,提出一种作用机制可解释的抗癌药物协同作用预测方法及系统,其无需依赖于专家知识,提高预测性能;且通过药物结构空间信息,增强生物可解释性。
2、根据本公开实施例的第一个方面,提供了一种作用机制可解释的抗癌药物协同作用预测方法,包括以下步骤:
3、通过多层图神经网络获取药物不同形状与大小的子结构;
4、基于动态注意力机制得到每个子结构在协同作用中的贡献度,根据贡献度对重要的子结构进行聚合,以获取药物的局部特征并发现药物的功能基团;
5、通过图自注意力机制捕获药物原子的拓扑结构,从而获取药物的全局特征,编码药物的诱变基序信息;
6、将药物的局部特征与全局特征相结合编码药物的显式表征;
7、将药物的显式表征与癌症细胞系基因表达特征相结合,通过全连接网络预测药物组合在癌症上是否具有协同作用。
8、根据本公开实施例的第二个方面,提供了一种作用机制可解释的抗癌药物协同作用预测系统,包括:
9、子结构获取模块,通过多层图神经网络获取药物不同形状与大小的子结构;
10、局部特征获取模块,基于动态注意力机制得到每个子结构在协同作用中的贡献度,根据贡献度对重要的子结构进行聚合,以获取药物的局部特征并发现药物的功能基团;
11、全局特征获取模块,通过图自注意力机制捕获药物原子的拓扑结构,从而获取药物的全局特征,编码药物的诱变基序信息;
12、编码模块,将药物的局部特征与全局特征相结合编码药物的显式表征;
13、预测模块,将药物的显式表征与癌症细胞系基因表达特征相结合,通过全连接网络预测药物组合在癌症上是否具有协同作用。
14、根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种作用机制可解释的抗癌药物协同作用预测方法。
15、根据本公开实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种作用机制可解释的抗癌药物协同作用预测方法。
16、本发明采用的以上技术方案,与现有技术相比,具有的优点是:本发明采用图神经网络技术直接从药物分子图中获取药物的分子结构信息,无需额外的外部知识,解决了现有技术无法编码药物结构空间信息与依赖于专家知识的问题,提升了预测性能。同时,利用动态注意力机制判断药物中重要的子结构信息,发现药物的功能基团,并利用图自注意力机制从全局视角获取药物的诱变基序信息,让其能够从生物学原理解释药物发生协同作用的机制,增强了模型的生物可解释性。
1.一种作用机制可解释的抗癌药物协同作用预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述一种作用机制可解释的抗癌药物协同作用预测方法,其特征在于,通过多层图神经网络获取药物不同形状与大小的子结构,如下所示:
3.根据权利要求1所述一种作用机制可解释的抗癌药物协同作用预测方法,其特征在于,获取药物的局部特征并发现药物的功能基团,具体过程如下所示:
4.根据权利要求1所述一种作用机制可解释的抗癌药物协同作用预测方法,其特征在于,通过图自注意力机制捕获药物原子的拓扑结构,其过程如下所示:
5.根据权利要求1所述一种作用机制可解释的抗癌药物协同作用预测方法,其特征在于,将药物的局部特征与全局特征相结合编码药物的显式表征,如下所示:
6.根据权利要求5所述一种作用机制可解释的抗癌药物协同作用预测方法,其特征在于,对于一组给定的药物组合-癌症细胞系三元组(a,b,c),在获取到其药物组合特征编码da和db后,将其与癌症细胞系基因表达特征c进行拼接,从而获取三元组的特征表示,其定义如下:
7.根据权利要求1所述一种作用机制可解释的抗癌药物协同作用预测方法,其特征在于,本方法使用交叉熵损失作为损失函数,其表达式如下所示:
8.一种作用机制可解释的抗癌药物协同作用预测系统,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述的一种作用机制可解释的抗癌药物协同作用预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,