基于深度学习的协同抗肿瘤多药组合预测模型研究
发布时间：2021-03-02 18:15
肿瘤是严重威胁人类生命健康的重大疾病,其致病因素多样,发展过程复杂,受到众多因素的调控,而单一药物的治疗易使肿瘤对特定药物产生耐药表型,最终导致肿瘤治疗的失败。因此,目前肿瘤的药物治疗已从最初的单一用药向联合用药方向转变,在机制的互补、作用的协同、不良反应的减轻等方面发挥更好的作用。然而,目前临床上仅经美国FDA认证的癌症化疗药物已超过200种,这些药物之间的随机配对组合高达19900种,依靠传统实验方法进行协同抗肿瘤药物组合的筛选无论在时间、效率及成本方面都具有很大的挑战性。本研究将深度神经网络与大规模生物医学数据（包括不同肿瘤细胞的基因表达特征、抗肿瘤化学药物、抗肿瘤中药成分、相关的靶点信息以及药物敏感性数据）有效结合,构建一种高效、快速、准确且不受药物数量限制的协同抗肿瘤多药组合深度学习预测模型,能够在分子水平上为特定的肿瘤细胞系筛选出最优的协同抗肿瘤药物组合。1.综述本章回顾了肿瘤耐药的主要发生机制、肿瘤联合治疗策略以及机器学习等人工智能算法在生物医药特别是协同抗肿瘤药物组合预测中的研究进展。首先从肿瘤异质性、肿瘤微环境、肿瘤干细胞、抗肿瘤药物失活、药物外排机制、药物摄取的减少...
【文章来源】：江苏大学江苏省
【文章页数】：110 页
【学位级别】：硕士
【部分图文】：
建模数据的样本特征
基于深度学习的协同抗肿瘤多药组合预测模型研究20"by"Wlinearz（3.3）其中，y为隐藏层传出的激活后的值，z为模型输出结果，为转置权重矩阵，为转置偏差；模型的训练过程中，采用compile模块对模型的学习过程进行配置，其参数分别设置为：分类模型优化器（optimizer）设为RootMeanSquareprop(RMSprop)，损失函数（lossfunction）设为binary_crossentropy；回归模型优化器（optimizer）设为Adaptivemomentestimation(Adam)，损失函数（lossfunction）设为MSE(meansquareerror)，其中损失函数的计算公式为：（3.4）其中，x为样本对应的真实值，z为样本对应的预测值，d为epoch数，k为第k个epoch，LH(x,z)为预测值与真实值的差异大小；将最终处理、整合得到的建模样本作为模型的输入，其中80%（161124个）作为训练集用来训练模型，20%（40281个）作为测试集用来测试模型性能；图3.1深度学习预测模型的基本框架Fig3.1Thebasicarchitectureofdeeplearningbasedpredictionmodel
基于深度学习的协同抗肿瘤多药组合预测模型研究36第六章多药组合协同抗肿瘤作用的预测为了进一步验证预测模型的准确性和适用性，本研究分别使用协同抗肿瘤效果未知的化学药及中药成分对DeepMDS模型的性能进行进一步考察。首先，对于化学药组合，选取临床用于治疗乳腺癌的常见化疗药物，并将不同药物随机组合；对于中药成分，选取夏枯草中主要抗肿瘤成分，并随机组合成不同组合。使用预测模型对各种组合的协同抗肿瘤效果进行预测。此外，为了验证该模型是否能够根据不同肿瘤细胞的特征基因信息筛选出特异的协同抗肿瘤多药组合，本研究对所有药物组合（包括中药成分）均分别对三种不同的乳腺癌细胞预测并考察了其协同抗肿瘤效果。6.1化学药组合协同抗肿瘤作用预测6.1.1化学药组合预测样本的构建本研究参照《中国抗癌协会乳腺癌诊治指南与规范》，选择了七种临床治疗乳腺癌常用的化疗药物，包括多烯紫杉醇（docetaxel），紫杉醇（paclitaxel），多柔比星（doxorubicin），表柔比星（epirubicin），吉西他滨（gemcitabine），5-氟尿嘧啶（5-fluorouracil）和甲氨蝶呤（methotrexate）（图6.1）。图6.1化疗药物的化学结构式Table6.1Thestructuresofchemicalcompounds
【参考文献】：
期刊论文
[1]基于机器学习的抗纤维化中药化合物筛选研究[J]. 王曦廷,李彧,张澜,刘梦,李城,杨秋实,杭晓屹,刘祎. 北京中医药大学学报. 2019(01)
[2]基于XGBoost算法的2型糖尿病精准预测模型研究[J]. 张洪侠,郭贺,王金霞,徐岩艳,吕斌,闫东,常佳,胡光瑞,王雪,李洪军,刘天戟,李燕林,赵志强,牛晓强. 中国实验诊断学. 2018(03)
[3]阿糖胞苷治疗急性髓系白血病的耐药机制研究进展[J]. 任雨虹,李军民. 临床血液学杂志. 2017(02)
[4]腺苷酸活化蛋白激酶增强乳腺癌对多柔比星化疗敏感性的机制[J]. 崔文贤,许柯青,李元国,陈桂金,陆小群. 中国癌症杂志. 2016(11)
[5]基于支持向量机和朴素贝叶斯的甲型流感病毒（H1N1）神经氨酸酶抑制剂分类模型构建与药物发现[J]. 连雯雯,刘艾林,杜冠华. 中国药理学与毒理学杂志. 2016(10)
[6]肿瘤多药耐药机制的研究进展[J]. 张伟,吴瑾. 实用肿瘤学杂志. 2015 (04)
[7]基于分子描述符和机器学习方法预测和虚拟筛选MMP-13对MMP-1的选择性抑制剂[J]. 李秉轲,丛湧,田之悦,薛英. 物理化学学报. 2014(01)
本文编号：3059716
【文章来源】：江苏大学江苏省
【文章页数】：110 页
【学位级别】：硕士
【部分图文】：
建模数据的样本特征
基于深度学习的协同抗肿瘤多药组合预测模型研究20"by"Wlinearz（3.3）其中，y为隐藏层传出的激活后的值，z为模型输出结果，为转置权重矩阵，为转置偏差；模型的训练过程中，采用compile模块对模型的学习过程进行配置，其参数分别设置为：分类模型优化器（optimizer）设为RootMeanSquareprop(RMSprop)，损失函数（lossfunction）设为binary_crossentropy；回归模型优化器（optimizer）设为Adaptivemomentestimation(Adam)，损失函数（lossfunction）设为MSE(meansquareerror)，其中损失函数的计算公式为：（3.4）其中，x为样本对应的真实值，z为样本对应的预测值，d为epoch数，k为第k个epoch，LH(x,z)为预测值与真实值的差异大小；将最终处理、整合得到的建模样本作为模型的输入，其中80%（161124个）作为训练集用来训练模型，20%（40281个）作为测试集用来测试模型性能；图3.1深度学习预测模型的基本框架Fig3.1Thebasicarchitectureofdeeplearningbasedpredictionmodel
基于深度学习的协同抗肿瘤多药组合预测模型研究36第六章多药组合协同抗肿瘤作用的预测为了进一步验证预测模型的准确性和适用性，本研究分别使用协同抗肿瘤效果未知的化学药及中药成分对DeepMDS模型的性能进行进一步考察。首先，对于化学药组合，选取临床用于治疗乳腺癌的常见化疗药物，并将不同药物随机组合；对于中药成分，选取夏枯草中主要抗肿瘤成分，并随机组合成不同组合。使用预测模型对各种组合的协同抗肿瘤效果进行预测。此外，为了验证该模型是否能够根据不同肿瘤细胞的特征基因信息筛选出特异的协同抗肿瘤多药组合，本研究对所有药物组合（包括中药成分）均分别对三种不同的乳腺癌细胞预测并考察了其协同抗肿瘤效果。6.1化学药组合协同抗肿瘤作用预测6.1.1化学药组合预测样本的构建本研究参照《中国抗癌协会乳腺癌诊治指南与规范》，选择了七种临床治疗乳腺癌常用的化疗药物，包括多烯紫杉醇（docetaxel），紫杉醇（paclitaxel），多柔比星（doxorubicin），表柔比星（epirubicin），吉西他滨（gemcitabine），5-氟尿嘧啶（5-fluorouracil）和甲氨蝶呤（methotrexate）（图6.1）。图6.1化疗药物的化学结构式Table6.1Thestructuresofchemicalcompounds
【参考文献】：
期刊论文
[1]基于机器学习的抗纤维化中药化合物筛选研究[J]. 王曦廷,李彧,张澜,刘梦,李城,杨秋实,杭晓屹,刘祎. 北京中医药大学学报. 2019(01)
[2]基于XGBoost算法的2型糖尿病精准预测模型研究[J]. 张洪侠,郭贺,王金霞,徐岩艳,吕斌,闫东,常佳,胡光瑞,王雪,李洪军,刘天戟,李燕林,赵志强,牛晓强. 中国实验诊断学. 2018(03)
[3]阿糖胞苷治疗急性髓系白血病的耐药机制研究进展[J]. 任雨虹,李军民. 临床血液学杂志. 2017(02)
[4]腺苷酸活化蛋白激酶增强乳腺癌对多柔比星化疗敏感性的机制[J]. 崔文贤,许柯青,李元国,陈桂金,陆小群. 中国癌症杂志. 2016(11)
[5]基于支持向量机和朴素贝叶斯的甲型流感病毒（H1N1）神经氨酸酶抑制剂分类模型构建与药物发现[J]. 连雯雯,刘艾林,杜冠华. 中国药理学与毒理学杂志. 2016(10)
[6]肿瘤多药耐药机制的研究进展[J]. 张伟,吴瑾. 实用肿瘤学杂志. 2015 (04)
[7]基于分子描述符和机器学习方法预测和虚拟筛选MMP-13对MMP-1的选择性抑制剂[J]. 李秉轲,丛湧,田之悦,薛英. 物理化学学报. 2014(01)
本文编号：3059716
本文链接：https://www.wllwen.com/yixuelunwen/zlx/3059716.html
