[发明专利]基于生物芯片的抗抑郁药物疗效风险评估系统及其应用

权利要求书

1.基于生物芯片的抗抑郁药物疗效风险评估系统，其特征在于包括生物芯片，疗效风险评估系统。

2.根据权利要求1所述的基于生物芯片的抗抑郁药物疗效风险评估系统，其特征在于所述的生物芯片含有载体与生物探针，所述的生物探针含有序列为SeqNO：1-66，所述的序列末端经荧光标记修饰。

3.根据权利要求1所述的基于生物芯片的抗抑郁药物疗效风险评估系统，其特征在于所述的疗效风险评估系统包括数据库管理模块、病例管理模块、学习优化模块以及疗效评估模块。

4.根据权利要求3所述的基于生物芯片的抗抑郁药物疗效风险评估系统，其特征在于学习优化模块，具体为：

这多个层中的权重统一放在一个向量中

W_i＝{w_1i，Λ，w_ni}

其中n即为文中所涉及到的所有权重的总数，i代表第i组权重，因此上面的W_i即为一组完整的权重；这样的权重用计算机随机生成，其中的每一个数都在[0，1]之间即可，总共生成20个这样的完整权重，即W_i＝{w_1i，Λ，w_ni}，i＝1，2，Λ，20；

将已有的病人数据按服药类型分成两组，一组是服用SSRI类药物的病人，一组是服用SNRI类药物的病人；对两类病人数据分别提取30个数据作为训练数据，对权重进行优化，分别得到对应SSRI类药物的模型权重体系和对应SNRI类药物的模型权重体系；并将剩下的病人数据作为检测数据，检查模型构建的合理性；算法如下：

首先偏差定义如下，e(Wi)=130Σj=130(aj-a0j)2]]>

其中e(W_i)表示在权重W_i作用下得到的误差值，a_j是第j个病人的样本数据在权重W_i作用下得到的输出值，a_0j是第j个病人的期望输出，因为期望输出为药物的有效性，因此模型采用病人的六周减分率作为期望输出；

为了避免传统遗传算法中的问题，算法中采用基于模拟退火算法的浮点编码遗传算法。下面定义一个函数，称为适应度函数fit(W_i)，其表达式为

fit(Wi)=1e(Wi)]]>

通过这个适应度函数得到的结果称为适应值；

将开始得到的20组完整的权重分别按上面的计算方法计算各自的适应值，然后按适应值由大到小进行编号，则N(k)表示第k组完整权重按由大到小重新排序之后的新的编号；

则pk=0.21-0.820×0.8(N(k)-1)]]>

令qk=Σ1kpk]]>

下面是具体的优化过程，优化过程分成三部分，选择、交叉、变异；具体算法为：

首先将适应值最大的那一组权重选择作为下一代权重中的第一个权重，并且这个权重不参与下一代的交叉、变异操作，这是为了保证下一代的最优权重不会比上一代的最优权重差

new(W₁)＝max fit(old(W))

之后的选择算法如下

之后在父代权重中以概率0.2选择其中的部分权重，两两分为一组，进行交叉运算，则

x1′=αx1+(1-α)x2x2′=αx2+(1-α)x1]]>

其中x₁，x₂是父代权重中的两组权重，x′₁，x′₂为得到的新的下一代权重，α为[0，1]中的随机数

之后在父代权重中以概率0.01选择部分权重出来，进行变异运算，设x为一父代权重

x＝(x₁，x₂，Λ，x_n)

则变异算法为

xk′=xk+(1-xk)r(1-gcT)3ifsign(d)=0xk-(xk)r(1-gcT)3ifsign(d)=1]]>

其中r为[0，1]中的随机数，d为[-1，1]中的随机数，g_c为迭代次数，T为准备迭代的最大次数，则x′＝(x′₁，x′₂，Λ，x′_n)为新的下一代权重

将通过选择、交叉、变异得到的下一代权重放在一起，构成所有的第二代权重，再将上述运算重复进行，直到得到的权重符合要求。