申请/专利权人：浙江大学

申请日：2023-09-08

公开（公告）日：2024-04-26

公开（公告）号：CN117275608B

主分类号：G16C20/50

分类号：G16C20/50;G16C20/70;G16H70/40

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2024.01.09#实质审查的生效;2023.12.22#公开

摘要：本发明公开了一种基于协同注意力的可解释性抗癌药物协同预测方法和装置，包括：获取细胞系的多组学数据、至少2种药物数据、药物组合在不同细胞系上的合用指数数据，并构建训练样本；构建每种药物数据的结构特征、多组学数据的嵌入特征；构建药物组合预测模型，包括每种药物数据对应的一个药物‑细胞系关联特征提取模块和一个药物‑药物关联特征提取模块、药物合用指数预测模块；利用训练样本对药物组合预测模型进行参数优化；利用参数优化后的药物组合预测模型进行药物组合预测，该方法和装置基于协同注意力机制实现对药物‑药物相互作用、药物‑细胞系相互作用的可解释性编码和预测，从而实现了对肿瘤药物合用的更高效、智能化预测。

主权项：1.一种基于协同注意力的可解释性抗癌药物协同预测方法，其特征在于，包括以下步骤：获取细胞系的多组学数据、至少2种药物数据、药物组合在不同细胞系上的合用指数数据；构建每种药物数据的结构特征、多组学数据的嵌入特征；构建药物组合预测模型，包括每种药物数据对应的一个药物-细胞系关联特征提取模块和一个药物-药物关联特征提取模块，还包括药物合用指数预测模块，每个药物-细胞系关联特征提取模块用于基于协同注意力对每种药物数据的结构特征和多组学数据的嵌入特征进行关联特征提取得到药物特异性的细胞系特征和细胞系特异性的药物特征，拼接所有种药物数据对应的药物特异性的细胞系特征得到最终细胞系特征；每个药物-药物关联特征提取模块用于基于协同注意力对每个药物数据的结构特征与其他药物数据的结构特征进行关联特征提取得到融合其他药物信息的药物特征，此时拼接细胞系特异性的药物特征与融合其他药物信息的药物特征作为每种药物数据的最终药物特征；或每种药物数据对应的药物-药物关联特征提取模块的输入端与该种药物数据对应的药物-细胞系关联特征提取模块的输出端连接，此时每个药物-细胞系关联特征提取模块的功能不变，每个药物-药物关联特征提取模块的功能改变，具体为每个药物-药物关联特征提取模块用于基于协同注意力对该种药物数据的细胞系特异性的药物特征和其他种药物数据的结构特征进行关联特征提取得到融合细胞系特异性和其他药物信息的药物特征作为最终药物特征；或每种药物数据对应的药物-细胞系关联特征提取模块的输入端与该种药物数据对应的药物-药物关联特征提取模块的输出端连接，每个药物-药物关联特征提取模块的功能不变，每个药物-细胞系关联特征提取模块的功能改变，具体每个药物-细胞系关联特征提取模块用于基于协同注意力对每种药物数据对应的融合其他药物信息的药物特征和多组学数据的嵌入特征进行关联特征提取得到多药物特异性的细胞系特征和细胞系特异性的多药物特征作为最终药物特征，拼接所有种药物数据对应的多药物特异性的细胞系特征得到最终细胞系特征；药物合用指数预测模块用于基于所有药物数据的最终药物特征和最终细胞系特征预测药物合用指数；以细胞系的多组学数据、药物数据作为样本数据，以药物组合在不同细胞系上的合用指数数据作为真值标签，对药物组合预测模型进行参数优化；利用参数优化后的药物组合预测模型进行药物组合预测；其中，每个药物-细胞系关联特征提取模块包括第一多头协同注意力网络和第三前馈神经网络，在第一多头协同注意力网络中依据第一输入矩阵生成Query矩阵，第二输入矩阵生成Key矩阵和Value矩阵，Query矩阵和Key矩阵的转置矩阵进行点乘运算得到注意力矩阵，再以点乘的方式将注意力矩阵作为权重对Value矩阵进行加权得到输出矩阵，第一头协同注意力网络的输出矩阵经过残差连接和层归一化输入至第三前馈神经网络进行非线性变换，以增强特征；当第一输入矩阵为药物数据的结构特征，第二输入矩阵为多组学数据的嵌入特征时，输出矩阵为药物特异性的细胞系特征；当第一输入矩阵为多组学数据的嵌入特征，第二输入矩阵为药物数据的结构特征时，输出矩阵为细胞系特异性的药物特征；当第一输入矩阵为融合其他药物信息的药物特征，第二输入矩阵为多组学数据的嵌入特征时，输出矩阵为多药物特异性的细胞系特征；当第一输入矩阵为多组学数据的嵌入特征，第二输入矩阵为融合其他药物信息的药物特征时，输出矩阵为细胞系特异性的多药物特征；每个药物-药物关联特征提取模块包括第二多头协同注意力网络、第三残差连接层及层归一化、第四前馈神经网络以及第四残差连接层及层归一化，在第二多头协同注意力网络中依据第三输入特征生成Query矩阵，第四输入特征生成Key矩阵和Value矩阵，Query矩阵和Key矩阵的转置矩阵进行点乘运算得到注意力矩阵，再以点乘的方式将注意力矩阵作为权重对Value矩阵进行加权得到输出矩阵，第二多头协同注意力网络的输入与输出进行残差连接，第四前馈神经网络的输入与输出进行残差连接，第二多头协同注意力网络的输出矩阵经过第三残差连接层及层归一化、第四前馈神经网络以及第四残差连接层及层归一化进行变换计算；当第一输入矩阵为一种药物数据的结构特征，第二输入矩阵为其他药物数据的结构特征时，输出矩阵为融合其他药物信息的药物特征；当第一输入矩阵为一种药物数据的结构特征，第二输入矩阵为其他药物数据的细胞系特异性的药物特征时，输出矩阵为融合细胞系特异性的药物特征和其他药物信息的药物特征。

全文数据：

权利要求：

百度查询： 浙江大学 基于协同注意力的可解释性抗癌药物协同预测方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD