基于多层网络的药物反应预测方法研究

发布时间：2020-03-30 06:57

【摘要】：癌症是一类复杂的异质性疾病,忽略癌症患者体内生物分子特征,仅仅依据癌症患者临床症状的传统治疗方式无法满足现代医疗治疗癌症的要求。通过分析患者的蛋白质组、基因组、转录组、表观遗传组及代谢组等相关的生物分子病理学信息,精准医疗能够指导预防、治疗和缓解癌症的过程。越来越多人类癌症细胞系的基因组学、转录组学和表观遗传组学等数据以及药物作用于癌症细胞系上的反应数据为建立药物反应预测模型提供了基础。本文提出基于多层网络的药物反应预测方法。首先,基于癌症细胞系的基因表达、基因突变和拷贝数变异分子特征构建癌症细胞系三层相似性网络,以及基于药物的化学结构特征和靶标信息构建药物二层相似性网络。其次,利用扩散成分分析方法提取癌症细胞系三层相似性网络中节点的低维特征向量和药物二层相似性网络中节点的低维特征向量。再次,将癌症细胞系的低维特征向量和药物的低维特征向量联合作为训练集数据的特征,将已知的药物-癌症细胞系的敏感性关系作为训练集的标签,根据训练集得到二项逻辑回归模型,以此模型来预测新的药物敏感的癌症细胞系。然后,通过交叉验证、与其他方法性能比较、在不同组织癌症细胞系预测以及癌症细胞系三层相似性网络和二层相似性网络等多个实验,说明了本文方法良好的药物反应预测能力。最后,本文通过文献验证以及富集分析验证了预测的五条新的药物-癌症细胞系敏感性关系。基于多层网络的药物反应预测方法通过采用扩散成分分析算法得到癌症节点和药物节点的低维特征向量,提取到了癌症细胞系在癌症细胞系三层相似性网络中的共性部分以及药物在药物二层相似性网络中的共性部分,而且降低了冗余数据和噪音数据对药物反应预测的影响,提高了药物反应预测的准确性,为将来研究抗癌药物的生物试验提供了候选药物,降低了试验的成本。
【图文】：

序列,分类问题,分类决策

pen _missmatch代表比对失败果，如公式(2-6)所示。*1 ,1, ) max ( , )i n j mj G i j 的局部最优比对得分。从* *G ( i , j)开的局部比对序列。类两个过程[41]。学习过程是从习一个分类模型或分类决策函数，预测输出的类别。整个过程如图 2.1 新的输出n1y 。学习系统) }

概率分布,函数,概率,训练参数

图 2.2 Sigmoid 函数辑回归模型的条件概率分布如公式(2-8)和(2-9)所示。exp( )( 1| )1 exp( ) u x bP Y xu x b1( 0 | )1 exp( ) P Y xu x b输入，Y {0,1}是输出，nu R和b R是待训练参数。u代， u x 代表 u 和 x 的内积。对于给定的输入 x ，逻辑回 P (Y 1| x)两个概率的大小，将 x对应到概率值大的类别。模型分析件发生的概率是p，则该事件不发生的概率是1 p，，将1p
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R96;O157.5

【相似文献】