买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津大学

摘要：本发明公开了一种基于多标签学习的预测多器官药物性病理分析方法，步骤1、使用来自公开数据集TG‑GATEs的数据库基因表达数据G、药物的病理信息T和平衡后的基因表达数据D构建数据集；步骤2、进行数据预处理；步骤3，构建基于深度学习的多器官药物性病理预测分析网络模型Att‑RethinkNet；步骤4，训练基于深度学习的多器官药物性病理预测分析网络模型并评价。与现有技术相比，本发明首次提出了一种新的多标签学习模型Att‑RethinkNet，利用该模型运用基因表达数据和毒性信息实现了药物性毒性作用于肝脏和肾脏器官的病理结果的预测分析，以及通过交叉验证评估模型的性能；可以更准确和可靠地预测分析药物所具有的潜在肝毒性和肾毒性。

主权项：1.一种基于多标签学习的预测多器官药物性病理分析方法，其特征在于，该方法具体包括以下步骤：步骤1、使用来自公开数据集TG-GATEs的数据库基因表达数据G、药物的病理信息T和平衡后的基因表达数据D构建数据集；步骤2、进行数据预处理；步骤3，构建基于深度学习的多器官药物性病理预测分析网络模型Att-RethinkNet，所述多器官药物性病理预测分析网络模型包括注意力模型、卷积神经网络模型以及深度神经网络，具体包括以下处理：步骤3-1、构建注意力模型：所述注意力模型包括多个Keras层、两个Permute层、Dense层、Activation层和Multiply层；第一个Permute层置换输入置换时间步长和每一批的输入大小；然后，在Dense层和Activation层计算输入向量的注意力的概率；其中，Activation层对被激活的神经元使用softmax激活函数；第二个Permute层置换已计算权值的数据的第一个和第二个维数，使元素在Multiply层中的位置相互对应；在Multiply层中，实现特征向量的权值分配；步骤3-2、构建卷积神经网络模型：所述卷积神经网络模型包括由RNN层和Dense层，其中Dense层将上一层RNN的输出转换为标签向量，生成最终的预测结果；RNN层用于模仿人类反复思考的过程，即是一个迭代优化预测结果的动作，RNN层中使用长短期记忆网络，对每个循环时间步长进行所有预测；RNN层使用LSTM网络，LSTM层中设置recurrent_dropout函数的参数为0.5，激活函数为sigmoid，Dense层的激活函数选择的是sigmoid函数；步骤3-3、构建深度神经网络模型：利用注意力模型和卷积神经网络模型构成基于深度学习的多器官药物性病理预测分析网络模型Att-RethinkNet模型；实现了深度神经网络的Input层和RNN层之间的注意力机制；步骤4，训练基于深度学习的多器官药物性病理预测分析网络模型并评价，具体包括以下步骤：步骤4-1、训练分类模型：用步骤3得到的基于深度学习的多器官药物性病理预测分析网络模型进行具体病理预测分类，预测分析每种药物作用于特定的器官所诱导出的不同病理现象，将预处理后的基因表达数据集D输入到深度网络中，对不同器官上的数据进行药物病理预测分析；步骤4-2、根据K折交叉验证确定训练集以及测试集；步骤4-3、确定评估指标，具体包括子集准确性ACC、对应准确率ACCpair、敏感性SEN、特异性SPE、F1值和ROC曲线下面积AUC、评估指标标签准确率ACClab、平均标签准确率ACCavelab。

全文数据：

权利要求：

百度查询： 天津大学 基于多标签学习的多器官药物性病理分析方法