求解药理网络量化调控信息的方法、系统、设备及介质技术方案

本发明专利技术公开一种求解药理网络量化调控信息的方法、系统、设备及介质，涉及生物信息技术领域。该方法包括：获取药理网络数据集；根据目标药理网络构建基于深度学习模型的药理网络模型；利用药理网络数据集对药理网络模型进行训练，得到网络模型参数；根据网络模型参数确定目标药理网络的量化调控信息；量化调控信息用于根据给定的药物输入预测调控结果。本发明专利技术能够针对药物研发过程中面临的“多成分

【技术实现步骤摘要】
求解药理网络量化调控信息的方法、系统、设备及介质


[0001]本专利技术涉及生物信息
，特别是涉及一种求解药理网络量化调控信息的方法及系统。

技术介绍

[0002]随着药物研发的进展，药理网络相关实验数据不断增长。药理网络的构造，来自相关文献、实验、生物芯片数据、生物通路以及它们的组合。在药理网络中，活性成分、靶蛋白、相互作用的蛋白质以及生物标记物等构成网络节点，而它们之间的相互作用可以被看作是网络链接(也叫做边)。利用药理网络数据进行模拟药理网络的调控，对研究类药小分子化合物对细胞的生物信号传递、能量和物质代谢及细胞周期调控等生命活动具有重要的现实意义。网络流(Network flow)作为解决模拟网络问题的方法之一，在模拟药理网络中存在一定的局限性，网络流理论规定每条边都有一个容量，该边上的流量不能超过它的容量。生命过程的复杂性使得很多边的容量/流量难以预先设定，如何求解不预设容量非线性药理网络的量化调控关系，到目前为止仍然没有好的解决方案。

技术实现思路

[0003]本专利技术的目的是提供一种求解药理网络量化调控信息的方法、系统、设备及介质，以针对药物研发过程中面临的“多成分
‑
多靶点
‑
复杂调控”的问题，给出定量的调控信息。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种求解药理网络量化调控信息的方法，包括：
[0006]获取药理网络数据集；所述药理网络数据集包括：生物成分和生物成分的表达量；所述生物成分包括：药物活性成分、靶蛋白、生物标记物和基因；
[0007]根据目标药理网络构建基于深度学习模型的药理网络模型；所述药理网络模型包括：输入层、若干隐藏层和输出层；所述输入层、所述隐藏层和所述输出层的各网络节点表征所述生物成分，各网络节点的值表征所述生物成分的表达量，各网络节点之间的网络链接表征所述生物成分之间的相互作用；
[0008]利用所述药理网络数据集对所述药理网络模型进行训练，得到网络模型参数；所述网络模型参数包括：所述输入层、所述隐藏层和所述输出层的各网络节点之间信号传递的权重和偏差；
[0009]根据所述网络模型参数确定所述目标药理网络的量化调控信息；所述量化调控信息用于根据给定的药物输入预测调控结果。
[0010]可选地，获取药理网络数据集，具体包括：
[0011]从文献实验数据中抽取药理网络原始数据；
[0012]采用基于正态分布或均匀分布的方法对所述药理网络原始数据进行扩充，得到药理网络数据集。
[0013]可选地，根据目标药理网络构建基于深度学习模型的药理网络模型，具体包括：
[0014]根据所述目标药理网络中各生物成分的作用顺序确定输入层、若干隐藏层和输出层；所述输入层表征所述目标药理网络的药物输入，所述隐藏层表征所述目标药理网络的中间调控部分，所述输出层表征所述目标药理网络的调控结果；
[0015]根据所述目标药理网络判断非相邻层的网络节点之间是否存在直接的相互作用，并在非相邻层的网络节点之间存在直接的相互作用时填充空白节点；
[0016]在所述输入层、所述隐藏层和所述输出层的各网络节点之间添加网络链接，并设置激活函数、损失函数和优化器，得到药理网络模型。
[0017]可选地，利用所述药理网络数据集对所述药理网络模型进行训练，得到网络模型参数，具体包括：
[0018]将所述药理网络数据集输入至所述药理网络模型中，并采用默认初始化方法初始化权重和偏差；
[0019]采用参数初始化方法，对所述药理网络模型中的权重的正负进行调整，使权重满足生物成分之间的相互作用关系；所述相互作用关系包括：激活关系和抑制关系，当权重为正值时，表征生物成分之间的相互作用关系为激活关系，当权重为负值时，表征生物成分之间的相互作用关系为抑制关系；
[0020]采用参数更新方法，将不存在相互作用的相邻层的网络链接的权重赋值为0，将输入空白节点的网络链接的权重赋值为1，将空白节点对应的偏差赋值为0；
[0021]采用参数约束方法，从所述药理网络模型的隐藏层中任选一个网络节点，根据网络节点的模型计算值和原始数据值确定目标比例，并根据所述目标比例对网络节点的偏差进行更新，使所述隐藏层的各网络节点的模型计算值和原始数据值的比例统一为所述目标比例；
[0022]根据所述输出层的网络节点的模型计算值和原始数据值确定损失值，当所述损失值小于设定阈值时，提取所述药理网络模型的权重和偏差作为网络模型参数。
[0023]可选地，所述激活函数包括：Sigmoid函数、Tanh函数、ReLU函数、Leaky ReLU函数和Softplus函数中的至少一种。
[0024]可选地，所述损失函数为：均方差损失函数；所述优化器为Adam优化器。
[0025]可选地，根据所述目标比例对网络节点的偏差进行更新，具体公式为：
[0026][0027]其中，b
new
为网络节点的更新后偏差，b为网络节点的当前偏差，y
原始
为网络节点的原始数据值，为网络节点的模型计算值，r为目标比例。
[0028]一种求解非线性药理网络量化调控信息的系统，包括：
[0029]数据获取模块，用于获取药理网络数据集；所述药理网络数据集包括：生物成分和生物成分的表达量；所述生物成分包括：药物活性成分、靶蛋白、生物标记物和基因；
[0030]模型构建模块，用于根据目标药理网络构建基于深度学习模型的药理网络模型；所述药理网络模型包括：输入层、若干隐藏层和输出层；所述输入层、所述隐藏层和所述输出层的各网络节点表征所述生物成分，各网络节点的值表征所述生物成分的表达量，各网络节点之间的网络链接表征所述生物成分之间的相互作用；
[0031]模型训练模块，用于利用所述药理网络数据集对所述药理网络模型进行训练，得
到网络模型参数；所述网络模型参数包括：所述输入层、所述隐藏层和所述输出层的各网络节点之间信号传递的权重和偏差；
[0032]信息确定模块，用于根据所述网络模型参数确定所述目标药理网络的量化调控信息；所述量化调控信息用于根据给定的药物输入预测调控结果。
[0033]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的求解药理网络量化调控信息的方法。
[0034]一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的求解药理网络量化调控信息的方法。
[0035]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0036]本专利技术提供的求解药理网络量化调控信息的方法，根据目标药理网络构建基于深度学习模型的药理网络模型，并利用药理网络数据集对药理网络模型进行训练，得到网络模型参数，进而形成目标药理网络的量化调控信息，对于给定的药物输入，可以预测出其调控的结果，实现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种求解药理网络量化调控信息的方法，其特征在于，包括：获取药理网络数据集；所述药理网络数据集包括：生物成分和生物成分的表达量；所述生物成分包括：药物活性成分、靶蛋白、生物标记物和基因；根据目标药理网络构建基于深度学习模型的药理网络模型；所述药理网络模型包括：输入层、若干隐藏层和输出层；所述输入层、所述隐藏层和所述输出层的各网络节点表征所述生物成分，各网络节点的值表征所述生物成分的表达量，各网络节点之间的网络链接表征所述生物成分之间的相互作用；利用所述药理网络数据集对所述药理网络模型进行训练，得到网络模型参数；所述网络模型参数包括：所述输入层、所述隐藏层和所述输出层的各网络节点之间信号传递的权重和偏差；根据所述网络模型参数确定所述目标药理网络的量化调控信息；所述量化调控信息用于根据给定的药物输入预测调控结果。2.根据权利要求1所述的求解药理网络量化调控信息的方法，其特征在于，获取药理网络数据集，具体包括：从文献实验数据中抽取药理网络原始数据；采用基于正态分布或均匀分布的方法对所述药理网络原始数据进行扩充，得到药理网络数据集。3.根据权利要求1所述的求解药理网络量化调控信息的方法，其特征在于，根据目标药理网络构建基于深度学习模型的药理网络模型，具体包括：根据所述目标药理网络中各生物成分的作用顺序确定输入层、若干隐藏层和输出层；所述输入层表征所述目标药理网络的药物输入，所述隐藏层表征所述目标药理网络的中间调控部分，所述输出层表征所述目标药理网络的调控结果；根据所述目标药理网络判断非相邻层的网络节点之间是否存在直接的相互作用，并在非相邻层的网络节点之间存在直接的相互作用时填充空白节点；在所述输入层、所述隐藏层和所述输出层的各网络节点之间添加网络链接，并设置激活函数、损失函数和优化器，得到药理网络模型。4.根据权利要求1所述的求解药理网络量化调控信息的方法，其特征在于，利用所述药理网络数据集对所述药理网络模型进行训练，得到网络模型参数，具体包括：将所述药理网络数据集输入至所述药理网络模型中，并采用默认初始化方法初始化权重和偏差；采用参数初始化方法，对所述药理网络模型中的权重的正负进行调整，使权重满足生物成分之间的相互作用关系；所述相互作用关系包括：激活关系和抑制关系，当权重为正值时，表征生物成分之间的相互作用关系为激活关系，当权重为负值时，表征生物成分之间的相互作用关系为抑制关系；采用参数更新方法，将不存在相互作用的相邻层的网络链接的权重赋值为0，将输入空白节点的网络链接的权重赋值为1，将空白节点对应的偏差赋值为0；采用参数约束...

【专利技术属性】
技术研发人员：郑光，茹佳奇，赵君梅，吕诚，李立，吕叶，
申请(专利权)人：兰州大学，
类型：发明
国别省市：