瘤細胞藥物敏感性評估模型，具體通過以下步驟實現(xiàn)，如 圖2所示：
[0047] S21、根據(jù)基因突變譜維數(shù)p設置極限學習機隱含層節(jié)點數(shù)Nq為下面Q(Q多10)種 情況，Nq=2p+5q，q=l，2，...，Q。
[0048] S22、對每一種Nq，執(zhí)行下面步驟S23~S26。
[0049] S23、對第k，k = 1，2, ···，％個隱含層節(jié)點的輸入權重向量^以及輸出偏置1^進 行隨機賦值。
[0050] S24、計算對應訓練樣本數(shù)據(jù)的隱含層輸出矩陣H :
[0051]
[0052] 其中，X1, i = 1，2，··· L為第i個訓練樣本的基因突變譜，L為訓練樣本總數(shù)， g(wkXi+bk) = l/d+exphhkXi+bk)))，為隱含層節(jié)點激勵函數(shù)。
[0053] S25、米用最小二乘法求解隱含層輸出矩陣H的Moore-Penrose廣義逆矩陣H S
[0054] S26、計算隱含層輸出權重β = H 1T,其中T為所有訓練樣本的藥物IC50值標簽。
[0055] S27、獲得Q個腫瘤細胞藥物IC50倌極限學習機預測模型：
[0056]
[0057] 其中，Γ(χ)表示基于第q個預測模型得到的腫瘤細胞藥物IC50值，表示第 q個預測模型的第k個隱含層節(jié)點的輸出權重，Wf表示第q個預測模型的第k個隱含層節(jié) 點的輸入權重，表示第q個預測模型的第k個隱含層節(jié)點的輸出偏置，Nq= 2p+5q，q = 1，2，…，Q0
[0058] S3、采用測試樣本子集測試所獲得的腫瘤細胞藥物IC50值極限學習機預測模型， 選擇具有最佳性能的預測模型作為腫瘤細胞藥物敏感性評估模型，具體通過以下步驟實 現(xiàn)，如圖3所示：
[0059] S31、對測試樣本子集中的所有測試樣本，使用上述所獲得的每一個預測模型，計 算所有測試樣本的藥物IC50預測值。
[0060] S32、對第q個預測模型，計算其在所有測試樣本上的預測總誤差：
[0061]
[0062] 其中，M表示測試樣本總數(shù)，Xj表示第j個測試樣本的基因突變譜，t j表示第j個 測試樣本的藥物IC50實際值，Γ(Χ])表示基于第q個預測模型計算得到的第j個測試樣本 的藥物IC50預測值。
[0063] S33、選擇預測總誤差最小的預測模型作為腫瘤細胞藥物敏感性評估模型，記為：
[0064]
[0065] S4、將待測腫瘤細胞的基因突變譜輸入所獲得的腫瘤細胞藥物敏感性評估模型， 得到待測腫瘤細胞的藥物IC50值，作為該待測腫瘤細胞的藥物敏感性評估值。本發(fā)明所獲 得的腫瘤細胞藥物敏感性評估模型網(wǎng)絡結構示意圖，如圖4所示。
[0066] 綜上所述，本發(fā)明根據(jù)腫瘤細胞的基因突變譜特征，使用極限學習機預測待測腫 瘤細胞的藥物小分子IC50值，以評估腫瘤細胞的藥物敏感性程度，可用于制定個性化配藥 方案。相對于現(xiàn)有方法，該方法基于遺傳物質特異性，結合IC50值指標構建腫瘤細胞藥物 敏感性的極限學習機預測模型，具有穩(wěn)定可靠、精準度高、方便快捷等優(yōu)點。
[0067] 以上所述實施方式僅僅是對本發(fā)明的優(yōu)選實施方式進行描述，并非對本發(fā)明的范 圍進行限定，在不脫離本發(fā)明設計精神的前提下，本領域普通技術人員對本發(fā)明的技術方 案作出的各種變形和改進，均應落入本發(fā)明的權利要求書確定的保護范圍內。
【主權項】
1. 一種基于遺傳物質特異性的腫瘤細胞藥物敏感性評估方法，其特征在于，包括w下 步驟： (1) 按一定比例將腫瘤細胞樣本集分割為訓練樣本子集和測試樣本子集，所述腫瘤細 胞樣本集數(shù)據(jù)包括各個腫瘤細胞樣本的基因突變譜和藥物IC50值； (2) 采用訓練樣本子集訓練并獲得不同參數(shù)條件下的腫瘤細胞藥物IC50值極限學習 機預測模型集合； (3) 采用測試樣本子集逐個測試所述腫瘤細胞藥物IC50值極限學習機預測模型，選 擇性能最佳的腫瘤細胞藥物IC50值極限學習機預測模型作為腫瘤細胞藥物敏感性評估模 型； (4) 將待測腫瘤細胞的基因突變譜輸入所述腫瘤細胞藥物敏感性評估模型，計算得到 所述待測腫瘤細胞的藥物IC50值，作為其藥物敏感性評估值。2. 根據(jù)權利要求1所述的基于遺傳物質特異性的腫瘤細胞藥物敏感性評估方法，其特 征在于，所述步驟（1)中，具體按照3:2的比例將腫瘤細胞樣本集分割為訓練樣本子集和測 試樣本子集。3. 根據(jù)權利要求1所述的基于遺傳物質特異性的腫瘤細胞藥物敏感性評估方法，其特 征在于，所述步驟（2)，具體包括： (21) 根據(jù)基因突變譜維數(shù)設置極限學習機隱含層節(jié)點數(shù)，所述極限學習機隱含層節(jié)點 數(shù)分為Q種情況： Nq=化巧q，q = 1，2，…，Q 其中，Nq表示極限學習機隱含層節(jié)點數(shù)，P表示基因突變譜維數(shù)； (22) 對每種情況的極限學習機隱含層節(jié)點數(shù)，分別執(zhí)行步驟（23)~（26); (23) 隨機賦值每個隱含層節(jié)點的輸入權重向量W及輸出偏置； (24) 計算對應訓練樣本數(shù)據(jù)的隱含層輸出矩陣：其中，H表示隱含層輸出矩陣，X康示第i，i= 1，2，…，L個訓練樣本的基因 突變譜，Wk表示第k，k= 1，2，…，Nq個隱含層節(jié)點的輸入權重向量，bk表示第k， k二1，2,…，Nq個隱含層點的輸出偏置，g(wkX;+bk)表不隱含層點激勵函數(shù)，(25) 采用最小二乘法求解隱含層輸出矩陣的Moore-Penrose廣義逆矩陣； (26) 計算隱含層輸出權重： P=H叩 其中，P表示隱含層輸出權重，Hi表示隱含層輸出矩陣的Moore-Penrose廣義逆矩陣，T表示所有訓練樣本的藥物IC50值標簽； (27)獲得Q個腫瘤細胞藥物IC50值極限學習機預測模型：其中，r(x)表示基于第q個預測模型得到的腫瘤細胞藥物IC50值，ipj表示第q個預 巧時莫型的第k個隱含層節(jié)點的輸出權重，表示第q個預測模型的第k個隱含層節(jié)點的輸 入權重，表示第q個預測模型的第k個隱含層節(jié)點的輸出偏置。4.根據(jù)權利要求1所述的基于遺傳物質特異性的腫瘤細胞藥物敏感性評估方法，其特 征在于，所述步驟（3)，具體包括： (31) 對測試樣本子集中的所有測試樣本，依次采用所獲得的每個預測模型計算得到其 藥物IC50預測值； (32) 根據(jù)測試樣本的藥物IC50實際值和預測值，計算每個預測模型在所有測試樣本 上的預測總誤差： (33) 選擇預測總誤差最小的預測模型，將其作為腫瘤細胞藥物敏感性評估模型。
【專利摘要】本發(fā)明提供一種基于遺傳物質特異性的腫瘤細胞藥物敏感性評估方法，包括：將腫瘤細胞樣本集分割為訓練樣本子集和測試樣本子集；采用訓練樣本子集訓練并獲得不同參數(shù)條件下的腫瘤細胞藥物IC50值極限學習機預測模型集合；采用測試樣本子集逐個測試所述預測模型，選擇性能最佳的預測模型作為腫瘤細胞藥物敏感性評估模型；計算待測腫瘤細胞的藥物敏感性評估值。本發(fā)明實現(xiàn)了在生物遺傳水平上的腫瘤細胞藥物敏感性評估，同時藥物IC50值的使用能夠避免人工主觀性影響，使得藥物敏感性判別更加客觀、可靠，采用極限學習機學習無需迭代，待調節(jié)參數(shù)少且能保證全局最優(yōu)，使得腫瘤細胞藥物敏感性檢測更加方便快捷、高效實用。
【IPC分類】G06F19/00
【公開號】CN105005693
【申請?zhí)枴緾N201510402191
【發(fā)明人】王紅強, 靖高見
【申請人】中國科學院合肥物質科學研究院
【公開日】2015年10月28日
【申請日】2015年7月8日