[发明专利]增量宽度和深度学习的药物反应预测方法、介质和设备

权利要求书

1.一种增量宽度和深度学习的药物反应预测方法，其特征在于：包括如下步骤：

S1，将药物的SMILES序列进行文本编码和位置编码，得到文本编码T_i和位置编码P_i，从而构建药物信息编码E_i；其中，i＝1,2，…，L；L表示最大药物字符串序列长度；

S2，将药物信息编码E_i输入到IBDT模型中；所述IBDT模型包括Transformer编码器、多层感知机和宽度学习系统；

将药物信息编码E_i输入到Transformer编码器中挖掘药物特征D_F，同时把基因表达数据G_o输入到多层感知机学习基因特征G_F，将药物特征D_F和基因特征G_F拼接在一起形成药物-基因特征对X_DG；将特征对X_DG输入到宽度学习系统中得到预测的药物敏感度回归值；

所述IBDT模型是指经过初始训练，初始训练后固定IBDT模型参数，后续利用新增样本使宽度学习系统新增特征节点与增强节点，并通过增量学习算法动态更新学习系统输出权重W_DG的IBDT模型。

2.根据权利要求1所述的增量宽度和深度学习的药物反应预测方法，其特征在于：所述步骤S1中，将药物的SMILES序列进行文本编码是指：将药物的SMILES序列根据化学先验知识被分解成单个原子符号和小分子序列，原子符号和小分子序列以词向量形式来表示；

将药物的SMILES序列进行位置编码是指：利用字典查找矩阵对药物的位置信息进行编码；

将文本编码T_i和位置编码P_i相加，得到药物信息编码E_i：

E_i＝T_i+P_i。

3.根据权利要求2所述的增量宽度和深度学习的药物反应预测方法，其特征在于：所述将药物的SMILES序列进行文本编码包括：

将药物的SMILES序列根据化学先验知识被分解成单个原子符号和小分子序列；将单个原子符号和小分子序列视作一个字符串单词，构建出包含不同粒度字符串的词汇集D，然后使用Torchtext工具库对包含了所有药物SMILES序列的语料库进行统计与标记，将SMILES序列表示为序列串S＝{S₁,…,S_L}，并用one-hot向量来表示，其中S_i表示词汇集D中的一个单词；每种药物的文本编码表示为：

其中，W_T表示可以训练的词向量矩阵，表示序列串S第i个字符串的one-hot向量；

所述将药物的SMILES序列进行位置编码包括：

其中，W_P表示权重矩阵，表示序列串S第i个位置的one-hot向量。