CN116092626B 药物暴露下基因表达谱的神经网络模型预测方法 （浙江大学）

药物暴露下基因表达谱的神经网络模型预本发明公开了一种药物暴露下基因表达谱性网络以及药物二维结构作为输入的图卷积神经网络模型来进行药物暴露下生物体基因组表2,,3与某种药物之间的相似性得分高于150，则这两个药物在基于STITCH数据库的药物综合性卷积神经网络学习并合并这三个矩阵获得一个一维的药物特征向量作为处理后的图表示使用图卷积神经网络和swim一transformer模型分别对药物图表示和图像表示的数据进行4具有生物活性的化合物(潜在药物化合物)暴露下的人类细胞系基因组的基因表达可以显的主要目的是使用已经获得批准的药物治疗新的病症。由于已经获得批准的药物安全性、数据结合药物分子结构精准地预测药物暴露下的基因表达谱数据成为当今计算机时代一活性的小分子、配体等)暴露基因表达实验(Subramanian，A.et.al.，(2017).Anextgenerationconnectivitymap：L1000platformandthefirst1,000,可以在LINCSL1000PhaseI(GSE92742)和PhaseII(GSE70138)数据库中被找到。一般认[0006]针对现有技术中存在的上述不足，本申请提出了一个使用药物_药物相似性网络以及药物二维结构作为输入的图卷积神经网络模型(GraphDrug)来进行药物暴露下生物体5[0010](3)将待分析药物分子自身信息中的SMILES结构信息转换为包含有原子特征矩[0011](5)将步骤(4)所得待分析药物的聚合相似药物信息后的特征向量转化为下游基[0012](6)计算药物剂量对下游基因潜在特征表示的影响，并将药物剂量影响整合到步[0018]i.基于DGIdb数据库(DrugGeneInteractiondatabase，https：//)或CTD数据库(ComparativeToxicogenomicsDatabase，https：//6个非线性激活函数如ReLU函数等)转化为下游基因的潜[0026]步骤(8)中将步骤(7)所得基因特征向量使用两次非线性变化转化为最终的基因基因基因互作网络)进行卷积学习，充分学习药物分子的特性以及下游基因基因相互作7[0038]为了更具体地描述本发明，下面以预测阿司匹林(aspirin)暴露下的基因表达谱8图片的RGB三色通道)构建阿司匹林所有原子之间的接的原子之间的值为这两个原子的唯热码表示的[0054]公式中代表阿司匹林在第l层中关于第j个化学键关系网络的特征矩ggg[0058]公式3是对公式2结果E的一次非线性转化，非线性转化使神经网络能够拟合任意g[0060]为了使神经网络模型学习到更全面的药物结构信息，本申请还使用swim_.Swintransformer：Hierarchicalvisiontransformerusingshiftedwindows.In9ProceedingsoftheIEEE/CVFInternationalConferenceonComputerVision起构成最终的药物特征向量L。这个特征向量又会成为药物一药物相似性网络上的一个节邻接矩阵会加上自连接以防止梯度消失和加上自身节点的信息，所以集合中也包含阿informationprocessingsystems，30.)transformer(自注意力)模型为阿司匹林的不同v是整合了药物剂量影响的基因特征向量。[0085]本申请规定第一次使用步骤(10)计算得到的基因表达量矩阵为单个时间段内基给药3个小时后的基因表达量矩阵Gu(3h))。若要计算给药6个小时后(下个相同时间段内)的space％20lm)在阿司匹林作用3(n+1)小时后的相对表达