CN119446281A 基于对抗迁移学习的单细胞药物因果基因的发现方法及系统 （山东大学）

基于对抗迁移学习的单细胞药物因果基因本发明公开了基于对抗迁移学习的单细胞数据进行建模，结合k紧邻匹配算法与单细胞药本发明一方面解决了单细胞分析中缺乏药物敏2构建包括源分类模型和目标域判别器的对抗迁移模型使用k紧邻匹配算法在不同的单细胞药物敏感性预测结果中找到匹配的细胞，通过泊2.如权利要求1所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征minn,CLCS(x,ys)=_；其中，Xs为细3.如权利要求2所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征4.如权利要求1所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征5.如权利要求1所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征36.如权利要求1所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征在于，所述得到混杂效应和得到差异效应的具体方法为：首先构建第一似然函数：斯推断交替更新模型参数的后验分布直至收敛，得到效应的期望最后通过得到差异效7.如权利要求1所述的基于对抗迁移学习的单细胞药物因果基因的发现方法，其特征表示基因低表达的平均结果。训练优化后的对抗迁移模型得到单细胞药物敏感性预现如权利要求1_7任一项所述的基于对抗迁移学习的单细胞药物因果基因的发现方法中的10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程4[0002]耐药性和由此产生的药物治疗无效导致高达90%的癌症相关死亡，除了一些对选第一方面，本发明提供了基于对抗迁移学习的单细胞药物因果基因的发现方法，5输入的源域数据集输出细胞系的药物敏感性预测结果，所述目标域判别器用于判断域类使用k紧邻匹配算法在不同的单细胞药物敏感性预测结果中找到匹配的细胞，通minn,CLCS(x,ys)=_；其中，Xs=[0009]作为进一步的技术方案，所述得到单细胞基因表达数据的反事实值的具体方法为其中，为对抗迁移模型得到单细胞药物6效应；使用变分贝叶斯推断交替更新模型参数的后验分布直至收敛，得到：固定混杂效应为其后验均值，通过构建第二似然函数其得到差异效应。[0011]作为进一步的技术方案，所述计算因果效应为对每[0012]第二方面，本发明提供了基于对抗迁移学习的单细胞药域判别器用于判断域类别；根据源域数据集和目标域数据集训练优化所述对抗迁移模型，根据训练优化后的对抗迁移模型得到单细胞药物敏感性策略使得在单细胞层面实现药物敏感性预测成为可能，并且预测结果具有较高的准确性，78束源分类模型，具体的：最小化分类损失公式为：minn,CLCS(x,ys)=_,对于给定的等效层集。那么，约束空间可以通过分层等式约束描述为：n;为细胞系基因表达数据在层中的映射，wf为单层使用Sigmod激活函数。目标域判别器D对数据点是从源域数据集还是从目标域数据集得=;;[0025]单细胞基因表达数据的映射让单细胞数据的特征空间与细胞系的特征空间尽9[0027]在本实施例中考虑到单细胞基因表达数据可能会因未知的生物和技术协变量导[0028]本实施例中定义一个变量可以影响药物敏感性标签和基因表达如果它与药物敏感性和基因表达变量相关即使在药物敏感性条件作用后它仍然与表不受其他细胞表达的影响{j'e[n]:j'*}。[0031]将单细胞谱的潜在结果的缺失部分归因，将归因结果传播到细胞基因表达水平；使用变分贝叶斯推断交替更新模型参;固定混杂效应为其后验均值的同时，通过构建第二似然函数：望最后通过得到差异效应，其中，