-
公开(公告)号：CN112599207B
公开(公告)日：2025-04-08
申请号：CN202011539984.2
申请日：2020-12-23
Applicant: 广西安仁欣生物科技有限公司 , 上海海洋大学
Abstract: 本发明提供了一种基于通路活性及弹性网的癌症药物敏感性预测方法，首先，在基因表达矩阵中，选择每一个通路网络中和其他基因连接紧密的关键基因表达值并计算分析，得到每一个通路活性向量，然后把所有的通路活性向量合并为矩阵；把每个药物的分子描述作为该药物化学特征矩阵和通路活性特征矩阵合并成新的特征矩阵；最后，使用弹性网对24种药物的特征矩阵进行训练并优化参数，使用均方误差作为评价标准；发明能够有效预测出每种药物的敏感性水平和其生物标志物，在大多数药物上具有更高的精度，可以帮助临床实验减少时间和金钱成本，从而进行有效的预测药物反应；本发明的方法能够从多维度特征学习抗癌药物的潜在关系，具有更好的生物学解释。
-
Patent Agency Ranking
公开(公告)号：CN111524554A
公开(公告)日：2020-08-11
申请号：CN202010331009.6
申请日：2020-04-24
Applicant: 上海海洋大学
Abstract: 本发明公开了基于LINCS‑L1000扰动信号的细胞活性预测方法，包括LINCS‑L1000、Achilles和CTRP的数据集预处理、建立模型、基因集富集分析、CTRP‑L1000与Achilles‑L1000跨数据集交互式验证和抗癌药物诱导下的细胞活性预测的步骤。本发明基于随机森林与弹性网的特征重要性加权融合算法模型，并结合FEBPSO‑XGBoost算法将基因组特征与癌细胞系中的药物敏感性相关联，建立药物反应的模型预测抗癌药物诱导下的细胞活性，克服现有的细胞活性预测方法存在预测精度过低和拟合较差的问题，用于新细胞系的细胞活性预测可为指导临床用药提供理论指导。
-
公开(公告)号：CN110277174A
公开(公告)日：2019-09-24
申请号：CN201910513981.2
申请日：2019-06-14
Applicant: 上海海洋大学
Abstract: 一种基于神经网络的抗癌药物协同作用的预测方法，该方法是利用神经网络模型实现的，所述神经网络模型包含卷积神经网络CNN1D降维和神经网络DNN回归构建的预测模型；利用卷积神经网络CNN1D降维和神经网络DNN回归构建的预测模型，能更加方便、快速降低数据的维度，减少模型训练的复杂度；该方法能够从多维度特征学习抗癌药物的潜在协同关系，其预测模型的预测精度高，可以帮助临床实验减少时间和金钱成本，快速定位有效的药物组合。
-
公开(公告)号：CN110277174B
公开(公告)日：2023-10-13
申请号：CN201910513981.2
申请日：2019-06-14
Applicant: 上海海洋大学
IPC: G16H70/40 , G06F18/213 , G06F18/27 , G06N3/0464 , G06N3/08
Abstract: 一种基于神经网络的抗癌药物协同作用的预测方法，该方法是利用神经网络模型实现的，所述神经网络模型包含卷积神经网络CNN1D降维和神经网络DNN回归构建的预测模型；利用卷积神经网络CNN1D降维和神经网络DNN回归构建的预测模型，能更加方便、快速降低数据的维度，减少模型训练的复杂度；该方法能够从多维度特征学习抗癌药物的潜在协同关系，其预测模型的预测精度高，可以帮助临床实验减少时间和金钱成本，快速定位有效的药物组合。
-
公开(公告)号：CN112599207A
公开(公告)日：2021-04-02
申请号：CN202011539984.2
申请日：2020-12-23
Applicant: 上海海洋大学
Abstract: 本发明提供了一种基于通路活性及弹性网的癌症药物敏感性预测方法，首先，在基因表达矩阵中，选择每一个通路网络中和其他基因连接紧密的关键基因表达值并计算分析，得到每一个通路活性向量，然后把所有的通路活性向量合并为矩阵；把每个药物的分子描述作为该药物化学特征矩阵和通路活性特征矩阵合并成新的特征矩阵；最后，使用弹性网对24种药物的特征矩阵进行训练并优化参数，使用均方误差作为评价标准；发明能够有效预测出每种药物的敏感性水平和其生物标志物，在大多数药物上具有更高的精度，可以帮助临床实验减少时间和金钱成本，从而进行有效的预测药物反应；本发明的方法能够从多维度特征学习抗癌药物的潜在关系，具有更好的生物学解释。
-
公开(公告)号：CN111524554B
公开(公告)日：2023-03-24
申请号：CN202010331009.6
申请日：2020-04-24
Applicant: 上海海洋大学
Abstract: 本发明公开了基于LINCS‑L1000扰动信号的细胞活性预测方法，包括LINCS‑L1000、Achilles和CTRP的数据集预处理、建立模型、基因集富集分析、CTRP‑L1000与Achilles‑L1000跨数据集交互式验证和抗癌药物诱导下的细胞活性预测的步骤。本发明基于随机森林与弹性网的特征重要性加权融合算法模型，并结合FEBPSO‑XGBoost算法将基因组特征与癌细胞系中的药物敏感性相关联，建立药物反应的模型预测抗癌药物诱导下的细胞活性，克服现有的细胞活性预测方法存在预测精度过低和拟合较差的问题，用于新细胞系的细胞活性预测可为指导临床用药提供理论指导。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
