基于多源数据的药效预测方法及相关装置制造方法及图纸

本申请公开了一种基于多源数据的药效预测方法及相关装置，应用于服务器，该方法包括获取第一关联关系数据集和第二关联关系数据集；根据第一关联关系数据集和第二关联关系数据集，得到目标暴露变量，目标暴露变量为暴露变量中与结果变量存在因果关系的至少一个暴露变量；根据第二关联关系数据集，得到第一药效预测分数，第一药效预测分数为对在单核苷酸多态性的影响下的结果变量的评分；根据目标暴露变量和第一药效预测分数以及结果变量，得到目标药效预测分数。本申请整合多种数据构建药效预测模型，得到目标药效预测分数，能够考虑到多种因素对药效的影响，为个性化治疗提供支撑。撑。撑。

【技术实现步骤摘要】
基于多源数据的药效预测方法及相关装置


[0001]本申请涉及药效预测
，具体涉及一种基于多源数据的药效预测方法及相关装置。

技术介绍

[0002]药效预测对于当前的临床医疗和药物研发是至关重要的。药效预测对于提高药物的治疗效果和安全性，提高药物的开发效率和降低开发成本具有重要意义。
[0003]随着技术的快速发展，药效预测方法的数量也急剧增多。有的方法是基于多个特定有效的风险因素变量对药效进行预测。例如，预测治疗心血管疾病的药物的药效时，通常使用总胆固醇、低密度脂蛋白、高密度脂蛋白、收缩压、舒张压等特征来预测药效。有的方法是基于基因组变异情况对药效进行预测，这类预测方法使用的模型通常是基于全基因组关联研究数据找到的风险变异，利用加权求和的方式预测药效。
[0004]然而，大部分药物的治疗效果不是只受到单一方面特定因素的影响，通常会受到多种因素的多重影响。因此，只利用单一信息对复杂疾病进行药效预测存在局限性，预测结果不够准确，并且无法支持个性化治疗的要求。如何使药效预测考虑到多种因素的多重影响，提高药效预测的准确性，以及为个性化治疗提供支撑，成为进一步需要解决的技术问题。

技术实现思路

[0005]本申请提出了一种基于多源数据的药效预测方法及相关装置，以解决只利用单一信息对复杂疾病进行药效预测存在局限性，预测结果不够准确，并且无法支持个性化治疗的要求的问题，考虑了多种因素的多重影响，能够提高药效预测的准确性和为个性化治疗提供支撑。
[0006]第一方面，本申请实施例提供一种基于多源数据的药效预测方法，用于服务器，所述方法包括：获取第一关联关系数据集和第二关联关系数据集，所述第一关联关系数据集为单核苷酸多态性与暴露变量的关联关系数据的集合，所述暴露变量包括生活习惯和全血细胞计数结果以及血生化检查结果，所述第二关联关系数据集为所述单核苷酸多态性与结果变量的关联关系数据的集合，所述结果变量包括药物治疗效果；根据所述第一关联关系数据集和所述第二关联关系数据集，得到目标暴露变量，所述目标暴露变量为所述暴露变量中与所述结果变量存在因果关系的至少一个所述暴露变量；根据所述第二关联关系数据集，得到第一药效预测分数，所述第一药效预测分数为对在所述单核苷酸多态性的影响下的所述结果变量的评分；根据所述目标暴露变量和所述第一药效预测分数以及所述结果变量，得到目标药效预测分数，所述目标药效预测分数为对在所述单核苷酸多态性和所述目标暴露变量的影
响下的所述结果变量的评分。
[0007]第二方面，本申请实施例提供一种服务器，包括处理器、存储器，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如第一方面所述的方法中的步骤的指令。
[0008]第三方面，本申请实施例提供一种基于多源数据的药效预测装置，应用于服务器，所述装置包括：第一接收单元，用于获取第一关联关系数据集和第二关联关系数据集，所述第一关联关系数据集为单核苷酸多态性与暴露变量的关联关系数据的集合，所述暴露变量包括生活习惯和全血细胞计数结果以及血生化检查结果，所述第二关联关系数据集为所述单核苷酸多态性与结果变量的关联关系数据的集合，所述结果变量包括药物治疗效果；第一处理单元，用于根据所述第一关联关系数据集和所述第二关联关系数据集，得到目标暴露变量，所述目标暴露变量为所述暴露变量中与所述结果变量存在因果关系的至少一个所述暴露变量；以及根据所述第二关联关系数据集，得到第一药效预测分数，所述第一药效预测分数为对在所述单核苷酸多态性的影响下的所述结果变量的评分；第二处理单元，用于根据所述目标暴露变量和所述第一药效预测分数以及所述结果变量，得到目标药效预测分数，所述目标药效预测分数为对在所述单核苷酸多态性和所述目标暴露变量的影响下的所述结果变量的评分。
[0009]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序/指令，所述计算机程序/指令被处理器执行时实现第一方面任一项所述方法的步骤。
[0010]可以看出，本申请中，服务器首先获取第一关联关系数据集和第二关联关系数据集，第一关联关系数据集为单核苷酸多态性与暴露变量的关联关系数据的集合，暴露变量包括生活习惯和全血细胞计数结果以及血生化检查结果，第二关联关系数据集为单核苷酸多态性与结果变量的关联关系数据的集合，结果变量包括药物治疗效果数据；其次，根据第一关联关系数据集和第二关联关系数据集，得到目标暴露变量，目标暴露变量为暴露变量中与结果变量存在因果关系的至少一个暴露变量；以及，根据第二关联关系数据集，得到第一药效预测分数，第一药效预测分数为对在单核苷酸多态性的影响下的结果变量的评分；最后，根据目标暴露变量和第一药效预测分数以及结果变量，得到目标药效预测分数，目标药效预测分数为对在单核苷酸多态性和目标暴露变量的影响下的结果变量的评分。由于结合了多源数据构建药效预测模型，提高了数据的表达能力，使得最终预测的结果更加有效、准确和可靠，能够满足个性化治疗的要求。
附图说明
[0011]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0012]图1是本申请实施例提供的一种基于多源数据的药效预测系统的结构示意图；图2是本申请实施例提供的一种基于多源数据的药效预测系统中服务器的结构示意图；
图3是本申请实施例提供的另一种基于多源数据的药效预测系统中服务器的结构示意图；图4是本申请实施例提供的一种基于多源数据的药效预测方法的流程示意图；图5是本申请实施例提供的多沙唑嗪药效的AUROC评估图；图6是本申请实施例提供的一种基于多源数据的药效预测装置的功能单元组成框图；图7是本申请实施例提供的一种基于多源数据的第二药效预测装置的功能单元组成框图；图8是本申请实施例提供的一种服务器的结构框图。
具体实施方式
[0013]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0014]本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0015]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据的药效预测方法，其特征在于，应用于服务器，所述方法包括：获取第一关联关系数据集和第二关联关系数据集，所述第一关联关系数据集为单核苷酸多态性与暴露变量的关联关系数据的集合，所述暴露变量包括生活习惯和全血细胞计数结果以及血生化检查结果，所述第二关联关系数据集为所述单核苷酸多态性与结果变量的关联关系数据的集合，所述结果变量包括药物治疗效果；根据所述第一关联关系数据集和所述第二关联关系数据集，得到目标暴露变量，所述目标暴露变量为所述暴露变量中与所述结果变量存在因果关系的至少一个所述暴露变量；根据所述第二关联关系数据集，得到第一药效预测分数，所述第一药效预测分数为对在所述单核苷酸多态性的影响下的所述结果变量的评分；根据所述目标暴露变量和所述第一药效预测分数以及所述结果变量，得到目标药效预测分数，所述目标药效预测分数为对在所述单核苷酸多态性和所述目标暴露变量的影响下的所述结果变量的评分。2.根据权利要求1所述方法，其特征在于，所述根据所述第一关联关系数据集和所述第二关联关系数据集，得到目标暴露变量，包括：对所述第一关联关系数据集和所述第二关联关系数据集进行第一预处理，得到目标第一关联关系数据集和目标第二关联关系数据集；对所述目标第一关联关系数据集和所述目标第二关联关系数据集进行匹配与整合操作，得到目标数据集合，所述目标数据集合中每个目标数据为一对一数据或一对多数据；对所述目标数据集合中每个目标数据进行因果关系分析，得到目标暴露变量。3.根据权利要求1所述的方法，其特征在于，所述根据所述第二关联关系数据集，得到第一药效预测分数，包括：对所述第二关联关系数据集进行第二预处理，得到目标第三关联关系数据集；根据所述目标第三关联关系数据集计算所述单核苷酸多态性的分数；根据所述单核苷酸多态性的分数，得到所述第一药效预测分数。4.根据权利要求1所述的方法，其特征在于，所述根据所述目标暴露变量和所述第一药效预测分数以及所述结果变量，得到目标药效预测分数，包括：对所述目标暴露变量和所述第一药效预测分数进行整合，得到第一特征集合；获取预设的第二显著性阈值；将所述第一特征集合导入预设的逐步逻辑回归模型进行数据拟合，得到显著性小于所述第二显著性阈值的目标特征集合；将所述目标特征集合和所述结果变量作为训练数据，通过网格搜索和交叉验证得到药效预测模型；将所述目标特征集合输入所述药效预测模型，得到目标药效预测分数。5.根据权利要求2所述方法，其特征在于，所述对所述第一关联关系数据集和所述第二关联关系数据集进行第一预处理，得到目标第一关联关系数据集和目标第二关联关系数据集，包括：将所述第一关联关系数据集和所述第二关联关系数据集转换为R语言所需的数据格式，得到初始第一关联关系数据集和所述目标第二关联关系数据集；获取预设的第一显著性阈值；
根据所述初始第一关联关系数据集和所述第一显著性阈值，得到所述目标第一关联关系数据集，所述目标第一关联关系数据集中的所述单核苷酸多态性相互独立，且所述单核苷酸多态性的次要等位基因频率小于0.0...

【专利技术属性】
技术研发人员：杨远富，张璐，李泽铭，杨欧洲，杨远弟，
申请(专利权)人：深圳市雅士长华智能科技有限公司，
类型：发明
国别省市：