药物联用的效果预测方法、模型训练方法、装置及设备

技术领域

本公开涉及计算机技术领域，具体涉及机器学习、生物计算等人工智能技术领域，尤其涉及一种药物联用的效果预测方法、模型训练方法、装置及设备。

背景技术

联合用药的研究在减轻药物毒副作用或者耐药性方面存在巨大的潜能，尤其是在肿瘤用药方面。

临床上，肿瘤患者最终都会面临耐药的问题。然而从实验端进行药物联合使用的筛选过程十分耗费人力和物力。伴随着高通量实验筛选平台的出现，对于数据处理的模型和算法的需求变得十分重要。

发明内容

本公开提供了一种药物联用的效果预测方法、模型训练方法、装置及设备。

根据本公开的一方面，提供了一种药物联用的效果预测方法，包括：

获取待检测的联用的两种药物信息、待检测的细胞系信息以及预设的蛋白质集合；

基于所述蛋白质集合、所述两种药物信息和所述细胞系信息，预测所述两种药物联用时对所述细胞系是否有效。

根据本公开的另一方面，提供了一种药物联用预测模型的训练方法，包括：

采集预设的蛋白质集合；

采集数条训练数据，各所述训练数据中包括联用的两种训练药物信息、训练细胞系信息以及所述两种训练药物联用时对所述训练细胞系的作用概率标签；

基于各条所述训练数据以及所述蛋白质集合，对药物联用预测模型进行训练。

根据本公开的再一方面，提供了一种药物联用的效果预测装置，包括：

获取模块，用于获取待检测的联用的两种药物信息、待检测的细胞系信息以及预设的蛋白质集合；

预测模块，用于基于所述蛋白质集合、所述两种药物信息和所述细胞系信息，预测所述两种药物联用时对所述细胞系是否有效。

根据本公开的又一方面，提供了一种药物联用预测模型的训练装置，包括：

采集模块，用于采集预设的蛋白质集合；

所述采集模块，还用于采集数条训练数据，各所述训练数据中包括联用的两种训练药物信息、训练细胞系信息以及所述两种训练药物联用时对所述训练细胞系的作用概率标签；

训练模块，用于基于各条所述训练数据以及所述蛋白质集合，对药物联用预测模型进行训练。

根据本公开的再另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。

根据本公开的再又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。

根据本公开的又另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。

根据本公开的技术，能够从生物学机理层面，对两种药物联用的效果进行精准预测，能够有效地保证药物联用的效果预测的准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是本公开提供的药物联用预测模型的工作原理示意图；

图5是本公开提供的第一注意力处理模块的工作原理示意图；

图6是根据本公开第四实施例的示意图；

图7是根据本公开第五实施例的示意图；

图8是根据本公开第六实施例的示意图；

图9是根据本公开第七实施例的示意图；

图10是根据本公开第八实施例的示意图；

图11是根据本公开第九实施例的示意图；

图12是用来实现本公开实施例的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。

需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

现有技术中，关于药物研究的数据处理的模型和算法，大多是集中在单一的药物与靶点蛋白质的相互作用(Drug Target-protein Interaction；DTI)的研究中。因此，亟需提出联合用药的相关方案。

图1是根据本公开第一实施例的示意图；如图1所示，本实施例提供一种药物联用的效果预测方法，具体可以包括如下步骤：

S101、获取待检测的联用的两种药物信息、待检测的细胞系信息以及预设的蛋白质集合；

S102、基于蛋白质集合、两种药物信息和细胞系信息，预测两种药物联用时对细胞系是否有效。

本实施例的药物联用的效果预测方法的执行主体可以为药物联用的效果预测装置。该装置可以为一电子实体，或者也可以为采用软件集成的应用，用于实现预测联合使用的两种药物对待检测的细胞系的协同性效果。

本实施例中的细胞系可以为联合使用的两种药物能够作用的细胞的集合。例如，在肿瘤领域中，细胞系可以为多个肿瘤细胞的集合。从生物学的机理来分析，联合使用的两种药物可以相互作用，对细胞系产生协同性效果，以杀死肿瘤细胞系。

本实施例中，待检测的联用的两种药物信息可以包括两种药物分子的SMILES。为了引入细胞系的表征，本实施例中，可以加入转录组的数据，实现对细胞系进行标识。预设的蛋白质集合可以为基于待研究的生物体内的蛋白质分子来采集。例如，在研究人体用药时，可以基于人体内的所有蛋白质采集预设的蛋白质集合。具体地，人体本身包括的蛋白质种类非常之多，可以从中抽取一些基本的、能够合成其他蛋白质的基础蛋白质，构成蛋白质集合。例如，本实施例中，可以抽取人体中的978个基础的蛋白质，构成蛋白质集合。本实施例中预设的蛋白质集合中的每种蛋白质可以采用蛋白质分子来标识。蛋白质中包括有能够与药物结合的靶点，也可以称为靶蛋白。

本实施例中，可以基于两种药物信息和细胞系信息，一起预测在蛋白质集合的环境中，两种药物联用时，两种药物的协同作用是否能够杀死细胞系中一定数量的细胞，若能，则可以确定两种药物联用对该细胞系有效；否则可以确定两种药物联用对该细胞系无效。

本实施例的药物联用的效果预测方法，通过基于蛋白质集合、两种药物信息和细胞系信息，预测两种药物联用时对细胞系是否有效，能够从生物学机理层面，对两种药物联用的效果进行精准预测，能够有效地保证药物联用的效果预测的准确性。

图2是根据本公开第二实施例的示意图；本实施例的药物联用的效果预测方法，在上述图1所示实施例的技术方案的基础上，进一步更加详细地描述本公开的技术方案。如图2所示，本实施例的药物联用的效果预测方法，具体可以包括如下步骤：

S201、获取待检测的联用的两种药物信息、待检测的细胞系信息以及预设的蛋白质集合；

S202、采用预先训练的药物联用预测模型，基于蛋白质集合、两种药物信息和细胞系信息，预测两种药物联用时对细胞系的作用概率；

S203、检测作用概率是否大于或者等于预设概率阈值；若是，确定两种药物联用时对该细胞系有效；否则，确定两种药物联用时对该细胞系无效。

步骤S202和S203为上述图1所示实施例的步骤S102的一种实现方式。

具体地，在本实施例中，采用预先训练的药物联用预测模型基于蛋白质集合、两种药物信息和细胞系信息，预测两种药物联用时对细胞系是否有效。实际应用中，也可以采用算法或者其他方式实现基于上述信息，预测两种药物联用时对细胞系是否有效，在此不再举例赘述。

本实施例中，药物联用预测模型可以基于蛋白质集合、两种药物信息和细胞系信息，预测两种药物联用时对细胞系的作用概率，然后基于作用概率的大小，预测两种药物联用时对该细胞系是否有效。例如若作用概率大于或者等于预设概率阈值，确定两种药物联用时对该细胞系有效；否则，确定两种药物联用时对该细胞系无效。其中该预设概率阈值可以根据经验来设置，例如可以为大于0.5小于1的任意数值。

本实施例的药物联用的效果预测方法，通过采用预先训练的药物联用预测模型，基于蛋白质集合、两种药物信息和细胞系信息，预测两种药物联用时对细胞系的作用概率，进而基于作用概率和预设概率阈值，确定两种药物联用时对该细胞系是否有效，能够使得两种药物联用时对细胞系的效果预测更加智能、更加准确。

进一步地，在本公开的一个实施例中，步骤S202、采用预先训练的药物联用预测模型，基于蛋白质集合、两种药物信息和细胞系信息，预测两种药物联用时对细胞系的作用概率，在具体实现时，可以包括如下步骤：

(1)分别基于蛋白质集合、两种药物信息中的各药物信息以及细胞系信息，获取蛋白质集合各蛋白质的特征、各药物的原子级特征以及分子级特征、和细胞系的特征；

(2)基于各蛋白质的特征、各药物的原子级特征以及分子级特征、和细胞系的特征，采用药物联用预测模型，预测两种药物联用时对细胞系的作用概率。

具体地，步骤(1)可以为特征处理过程，实现对药物联用预测模型进行预测时所需的所有特征进行处理。

可选地，在本公开的一个实施例中，由于各蛋白质、药物分子以及细胞系的分子大小不同，获取的特征可能也大小不同，可能会导致药物联用预测模型无法直接使用。此时需要对特征进行升维或者降维，使得待处理的特征维度大小相同，可以被药物联用预测模型直接使用。

需要说明的是，本实施例的步骤(1)的处理过程，可以在药物联用预测模型内完成，也可以在药物联用预测模型外完成。

步骤(2)是基于特征处理得到的特征进行预测。具体地，可以将各蛋白质的特征、各药物的原子级特征以及分子级特征、和细胞系的特征，都输入至该药物联用预测模型中，该药物联用预测模型可以基于输入的信息，预测并输出两种药物联用时对细胞系的作用概率。

图3是根据本公开第三实施例的示意图；本实施例的药物联用的效果预测方法，在上述实施例的技术方案的基础上，进一步更加详细地描述本公开的技术方案。如图3所示，本实施例的药物联用的效果预测方法，具体可以包括如下步骤：

S301、基于蛋白质集合中的各蛋白质的分子标识，获取各蛋白质的特征；

例如，本实施例中，可以引入自然语言处理(Natural Language Processing；NLP)领域的构建语义表征的方法，通过node2vec算法对蛋白互作网络(Protein-ProteinInteraction Network；PPI)模型进行预训练。进而可以基于PPI模型和各蛋白质的分子标识，得到每一个蛋白质的表征，作为对应蛋白质的特征。蛋白质的特征为矩阵形式的表达。

S302、基于两种药物信息中的各药物信息，获取各药物的原子级特征；

例如，本实施例中，可以通过图卷积网络(Graph Convolutional Network；GCN)将药物分子的原子节点进行表征，得到药物分子的矩阵表示Da*c，其中a代表分子的长度，c代表迭代后的表征维度。得到的药物分子的矩阵表征即为该药物的原子级特征。每个原子可以涵盖所在基团的表征，所以本实施例中，采用各药物的原子级特征表征药物，能够对药物进行非常细粒度的表征，便于后续基于生物学机理角度的预测。各药物的原子级特征为矩阵形式的表达。

S303、基于细胞系信息，获取细胞系的特征；

具体地，细胞系的特征，可以对该细胞系的一个细胞的分子进行表征得到。例如，可以参考转录组对细胞系进行特征表达，得到矩阵形式的细胞系的特征。

S304、基于各药物的原子级特征，获取各药物的分子级特征；

对应每个药物的原子级特征，可以进行聚合(Pooling)操作，得到该药物的分子级特征。药物的分子级特征也为矩阵形式的表达。

本实施例的步骤S301-S304为上述实施例中的步骤(1)的一种具体实现方式。其中不仅保留了药物的原子级特征，还保留了药物的分子级特征，使得药物的特征更加全面，能够更加准确地表征药物，使得药物联用的效果预测更加准确。

S305、采用药物联用预测模型中的第一注意力处理模块，基于各药物的原子级特征和蛋白质集合中各蛋白质的特征，预测各药物与各蛋白质之间的注意力分数；

药物联用预测模型中的第一注意力处理模块在预测各药物与各蛋白质之间的注意力分数时，可以每个药物单独预测。例如，每次预测时，输入一个药物的原子级特征和蛋白质集合中各蛋白质的特征。此处需要注意的是，在特征处理时，需要将药物的原子级特征和各蛋白质的特征进行维度处理，例如，具体可以通过升维或者降维的方式，使得药物的原子级特征和各蛋白质的特征维度相同。

第一注意力处理模块可以采用自注意力机制，根据输入的药物的原子级特征和各蛋白质的特征，计算药物原子基团本身与各蛋白质的相关性，进而实现预测药物与各蛋白质之间的注意力分数。该过程可以实现从数据的角度去挖掘潜在DTI关系，为药物的作用机理以及联合使用的机理提供了分析机制。

S306、采用药物联用预测模型中的第二注意力处理模块，基于各药物的分子级特征与细胞系的特征，预测各药物与细胞系之间的注意力分数、以及两种药物之间的注意力分数；

与第一注意力处理模块不同的是：第二注意力处理模块中输入的各药物的特征是分子级特征。同理，在特征处理时，需要将各各药物的分子级特征与细胞系的特征的维度处理到相同的维度上。

第二注意力处理模块也可以采用自注意力机制，根据输入的两个药物的分子级特征和细胞系的特征，计算两个药物分子之间的相关性、以及各药物分子与细胞系之间的相关性，进而实现预测各药物与细胞系之间的注意力分数、以及两种药物之间的注意力分数。该过程可以实现从数据的角度去挖掘潜在PPI关系，为药物的作用机理以及联合使用的机理提供了分析机制。而且该第二注意力处理模块，可以预测到药物的分子级别的特征和细胞系个体本身之间的关系，以便于实现精准用药。

S307、基于各药物与各蛋白质之间的注意力分数、各药物与细胞系之间的注意力分数、以及两种药物之间的注意力分数，预测两种药物联用时对细胞系的作用概率；

各药物与各蛋白质之间的注意力分数是基于药物的原子级特征得到的，而各药物与细胞系之间的注意力分数、以及两种药物之间的注意力分数是基于药物的分子级特征得到的。所以该步骤可以基于药物的原子级粒度和分子级粒度得到的两种不同粒度特征，实现对两种药物联用时对细胞系的作用概率的全面、准确地预测。

例如，该步骤S307具体实现时，可以包括如下步骤：

(a)采用药物联用预测模型中的拼接模块，将各药物与各蛋白质之间的注意力分数、各药物与细胞系之间的注意力分数、以及两种药物之间的注意力分数进行拼接，得到拼接分数特征；

(b)采用药物联用预测模型中的预测模块，基于拼接分数特征，预测两种药物联用时对细胞系的作用概率。

本实施例中，可以采用至少两层全连接层，实现该预测模块的功能。例如，为了便于实现，可以将得到的拼接分数特征输入至三层全连接层(Fully Connected layers；FC)构成的预测模块，最后预测并输出两种药物联用时对细胞系的作用概率。

S308、检测作用概率是否大于或者等于预设概率阈值；若是，确定两种药物联用时对该细胞系有效；否则，确定两种药物联用时对该细胞系无效。

本实施例的第一注意力处理模块和第二注意力处理模块，均可以采用transformer结构来实现。

图4是本公开提供的药物联用预测模型的工作原理示意图。图5是本公开提供的第一注意力处理模块的工作原理示意图。

如图4和图5所示，该第一注意力处理模块和第二注意力处理模块均可以采用Transformer结构来实现，第一注意力处理模块可以称为Transformer1，第二注意力处理模块可以称为Transformer2。

如图4和图5所示，以“…-O-C-C-N-…”表示药物分子(molecule)的原子，以蛋白质集合中包括978个蛋白质(Proteins)为例，实际应用中，蛋白质集合中可以包括其他数量的蛋白质，在此不做限定。如图4所示，药物分子经过GCN对各原子进行表征之后，可以得到药物的原子级特征。在Transformer1中，对药物的原子级特征和978个蛋白质中的各蛋白质的特征进行注意力机制的处理，得到各药物与各蛋白质的之间的注意力分数。基于Transformer1中各药物的原子级特征，进行pooling操作，可以得到各药物的分子级特征。在Transformer2中，对各药物的分子级特征以及细胞系特征进行注意力机制的处理，可以得到各药物与细胞系之间的注意力分数以及两个药物之间的注意力分数。在本实施例中，为了引入细胞系的表征，加入了转录组的数据，对细胞质的特征进行表示；即图4中的核糖核酸(RNA)表征细胞系的特征。由于各药物的分子级特征的维度较低，所以如图4所示，需要对细胞系特征进行降维，使得细胞系特征的维度与药物的分子级特征维度相同，以便于预测各药物与细胞系之间的注意力分数。如图4所示，接下来，需要将Transformer1预测的注意力分数和Transformer2预测的注意力分数一起拼接，再经过三层FC层，便可以输出(output)两种药物联用时对细胞系的作用概率。

图5以第一注意力处理模块的工作原理为例，Input标识对应的输入的特征如药物的原子级特征以及各蛋白质的特征。Score标识基于对应的Query×Key的进行注意力分数的计算，Sum标识最后得到的注意力分数，详细可以参考Transformer模型的相关实现原理。实际应用中，第二注意力处理模块的工作原理相同，在此不再赘述。

本实施例的药物联用的效果预测方法，采用药物联用预测模型中的两个注意力处理模块，通过药物的原子级特征以及分子级特征、并结合蛋白质结合中各蛋白质的特征和细胞系的特征，能够从原子粒度和分子粒度更全面地分析各药物与各蛋白质之间、各药物与细胞系之间、以及两种药物之间的相关性，可以从数据角度挖掘潜在的生物学机理，实现对两种药物联用时对细胞系的作用概率的精准预测，进而可以准确地预测两种药物联用时对该细胞系是否有效。

本实施例的药物联用的效果预测方法，可以应用在实验阶段之前。通过采用本实施例的技术方案，可以检测任意两种联用的药物对某个细胞系是否有效，若有效，可以进一步采用实验进行验证。通过采用本实施例的技术方案，可以避免所有联用的药物都直接进行实验，能够有效地降低实验损耗，提高实验效率。

图6是根据本公开第四实施例的示意图；如图6所示，本实施例提供一种药物联用预测模型的训练方法，可以应用在药物联用预测模型的训练装置中，具体可以包括如下步骤：

S601、采集预设的蛋白质集合；

S602、采集数条训练数据，各训练数据中包括联用的两种训练药物信息、训练细胞系信息以及两种训练药物联用时对训练细胞系的作用概率标签；

S603基于各条训练数据以及蛋白质集合，对药物联用预测模型进行训练。

本实施例的药物联用预测模型的训练方法，可以认为是对上述图2或者图3所示实施例中的药物联用预测模型进行训练。

本实施例中，预设的蛋白质集合可以参考上述图1-图3所示实施例的记载。

本实施例中，采集的各条训练数据中，联用的两种训练药物信息以及训练细胞系信息可以参考上述图1-图3所示实施例中的药物信息和细胞系信息。对于各训练数据中的两种训练药物联用时对训练细胞系的作用概率标签可以为1或者0。即若两种训练药物联用时对训练细胞系有效时，该作用概率标签为1；若两种训练药物联用时对训练细胞系无效时，该作用概率标签为0。

本实施例的药物联用预测模型的训练方法，通过上述获取的各条训练数据以及蛋白质集合，可以实现对药物联用预测模型进行有效地训练，以使得训练后的药物联用预测模型，能够从生物学机理层面，对两种药物联用的效果进行精准预测，有效地保证了药物联用的效果预测的准确性。

图7是根据本公开第五实施例的示意图；本实施例提供的药物联用预测模型的训练方法，在上述图6所示实施例的技术方案的基础上，进一步更加详细地描述本公开的技术方案。如图7所示，本实施例提供的药物联用预测模型的训练方法，具体可以包括如下步骤：

S701、采集预设的蛋白质集合；

S702、采集数条训练数据，各训练数据中包括联用的两种训练药物信息、训练细胞系信息以及两种训练药物联用时对训练细胞系的作用概率标签；

S703、选取一条训练数据；

本实施例中以每轮训练选取一条训练数据为例。实际应用中，每轮训练也可以选取一组训练数据进行训练。

S704、基于选取的训练数据中的两种训练药物信息、训练细胞系信息以及蛋白质集合，采用药物联用预测模型，预测两种训练药物联用时对训练细胞系的预测作用概率；

例如，该步骤具体实现时，可以包括如下步骤：

(A)对于各条训练数据，分别基于蛋白质集合、训练数据中的训练细胞系信息和两种训练药物信息中的各训练药物信息，获取蛋白质集合中各蛋白质的特征、训练数据中的各训练药物的原子级特征以及分子级特征、和训练细胞系的特征；该步骤中的各训练数据即指的是选取的参与训练的训练数据。

(B)基于蛋白质集合中各蛋白质的特征、训练数据中的各训练药物的原子级特征以及分子级特征、和训练细胞系的特征，采用药物联用预测模型，预测两种训练药物联用时对训练细胞系的预测作用概率。

通过该方式，能够从数据角度挖掘潜在的生物学机理，实现对两种药物联用时对细胞系的预测作用概率的精准预测，进而可以实现对药物联用预测模型进行更加高效地训练。

对于步骤(A)，在具体实现时，可以包括如下步骤：

(A1)对于各条训练数据，基于蛋白质集合中的各蛋白质的分子标识，获取各蛋白质的特征；

这里的各条训练数据，可以指的是选取的训练数据。

(B1)基于训练细胞系信息，获取训练细胞系的特征；

(C1)基于两种训练药物信息中的各训练药物信息，获取各训练药物的原子级特征；

(D1)基于各训练药物的原子级特征，获取各训练药物的分子级特征。

本实施例的步骤(A1)-(D1)具体实现时，可以参考上述相关实施例中的步骤S301-S304的记载，在此不再赘述。通过该方式，能够使得药物的特征更加全面，能够更加准确地表征药物，使得药物联用预测模型训练的更加准确。

对于步骤(B)，具体实现时，可以包括如下步骤：

(A2)采用药物联用预测模型中的第一注意力处理模块，基于各训练药物的原子级特征和蛋白质集合中各蛋白质的特征，预测各训练药物与各蛋白质之间的注意力分数；

(B2)采用药物联用预测模型中的第二注意力处理模块，基于各训练药物的分子级特征与细胞系的特征，预测各训练药物与细胞系之间的注意力分数、以及两种训练药物之间的注意力分数；

(C2)基于各训练药物与各蛋白质之间的注意力分数、各训练药物与细胞系之间的注意力分数、以及两种训练药物之间的注意力分数，预测两种训练药物联用时对训练细胞系的预测作用概率。

例如，可以先采用药物联用预测模型中的拼接模块，将各训练药物与各蛋白质之间的注意力分数、各训练药物与细胞系之间的注意力分数、以及两种训练药物之间的注意力分数进行拼接，得到拼接分数特征；然后采用药物联用预测模型中的预测模块，基于拼接分数特征，预测两种训练药物联用时对训练细胞系的预测作用概率。

本实施例的药物联用预测模型中的第一注意力处理模块和第二注意力处理模块可以采用Transformer模型来实现，药物联用预测模型中的拼接模块以及预测模块的实现原理可以参考上述图3-图5以及所述实施例中的相关记载，在此不再赘述。通过该方式，可以提高两种训练药物联用时对训练细胞系的预测作用概率的预测准确性。

S705、基于两种训练药物联用时对训练细胞系的预测作用概率、以及两种训练药物联用时对训练细胞系的作用概率标签，构建损失函数；

S706、检测损失函数是否收敛；若损失函数不收敛时，执行步骤S707；若损失函数收敛，执行步骤S708；

S707、调整药物联用预测模型的参数，使得损失函数收敛；返回步骤S703，选取下一条训练数据，继续进行训练；

S708、判断是否满足训练终止条件，若满足，训练结束，确定药物联用预测模型的参数，进而确定药物联用预测模型；若不满足，返回步骤S703，选取下一条训练数据，继续进行训练。

本实施例的训练终止条件，可以为在连续的预设轮数的训练中，损失函数始终收敛；或者可以为在训练轮数达到预设轮数阈值。

本实施例的训练中，选取的训练数据的条数越多，训练的药物联用预测模型的准确性越好，具有越强的泛化能力和鲁棒性。

本实施例的药物联用预测模型的训练方法，通过采用上述方式，能够从数据角度挖掘潜在的生物学机理，实现对两种药物联用时对细胞系的预测作用概率的精准预测，进而可以实现对药物联用预测模型进行更加高效地训练，使得训练后的药物联用预测模型更加准确、更加高效。

图8是根据本公开第六实施例的示意图；如图8所示，本实施例提供一种药物联用的效果预测装置800，包括：

获取模块801，用于获取待检测的联用的两种药物信息、待检测的细胞系信息以及预设的蛋白质集合；

预测模块802，用于基于蛋白质集合、两种药物信息和细胞系信息，预测两种药物联用时对细胞系是否有效。

本实施例的药物联用的效果预测装置800，通过采用上述模块实现药物联用的效果预测的实现原理以及技术效果，与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图9是根据本公开第七实施例的示意图；如图9所示，本实施例提供一种药物联用的效果预测装置900，包括与上述图8所示的同名同功能模块获取模块901和预测模块902。

在本实施例中，预测模块902，包括：

预测单元9021，用于采用预先训练的药物联用预测模型，基于蛋白质集合、两种药物信息和细胞系信息，预测两种药物联用时对细胞系的作用概率；

检测单元9022，用于检测作用概率是否大于或者等于预设概率阈值；

确定单元9023，用于若是，确定两种药物联用时对细胞系有效。否则，若作用概率是小于预设概率阈值，不是，确定两种药物联用时对细胞系无效。

在本公开的一个实施例中，预测单元9021用于：

分别基于蛋白质集合、两种药物信息中的各药物信息以及细胞系信息，获取蛋白质集合各蛋白质的特征、各药物的原子级特征以及分子级特征、和细胞系的特征；

基于各蛋白质的特征、各药物的原子级特征以及分子级特征、和细胞系的特征，采用药物联用预测模型，预测两种药物联用时对细胞系的作用概率。

在本公开的一个实施例中，预测单元9021用于：

基于蛋白质集合中的各蛋白质的分子标识，获取各蛋白质的特征；

基于两种药物信息中的各药物信息，获取各药物的原子级特征；

基于各药物的原子级特征，获取各药物的分子级特征；

基于细胞系信息，获取细胞系的特征。

在本公开的一个实施例中，预测单元9021用于：

采用药物联用预测模型中的第一注意力处理模块，基于各药物的原子级特征和蛋白质集合中各蛋白质的特征，预测各药物与各蛋白质之间的注意力分数；

采用药物联用预测模型中的第二注意力处理模块，基于各药物的分子级特征与细胞系的特征，预测各药物与细胞系之间的注意力分数、以及两种药物之间的注意力分数；

基于各药物与各蛋白质之间的注意力分数、各药物与细胞系之间的注意力分数、以及两种药物之间的注意力分数，预测两种药物联用时对细胞系的作用概率。

在本公开的一个实施例中，预测单元9021用于：

采用药物联用预测模型中的拼接模块，将各药物与各蛋白质之间的注意力分数、各药物与细胞系之间的注意力分数、以及两种药物之间的注意力分数进行拼接，得到拼接分数特征；

采用药物联用预测模型中的预测模块，基于拼接分数特征，预测两种药物联用时对细胞系的作用概率。

本实施例的药物联用的效果预测装置900，通过采用上述模块实现药物联用的效果预测的实现原理以及技术效果，与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图10是根据本公开第八实施例的示意图；如图10所示，本实施例提供一种药物联用预测模型的训练装置1000，包括：

采集模块1001，用于采集预设的蛋白质集合；

采集模块1001，还用于采集数条训练数据，各训练数据中包括联用的两种训练药物信息、训练细胞系信息以及两种训练药物联用时对训练细胞系的作用概率标签；

训练模块1002，用于基于各条训练数据以及蛋白质集合，对药物联用预测模型进行训练。

本实施例的药物联用预测模型的训练装置1000，通过采用上述模块实现药物联用预测模型的训练的实现原理以及技术效果，与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图11是根据本公开第九实施例的示意图；如图11所示，本实施例提供一种药物联用预测模型的训练装置1100，包括与上述图10所示的同名同功能模块采集模块1101和训练模块1102。

在本实施例中，训练模块1102，包括：

预测单元11021，用于基于各训练数据中的两种训练药物信息、训练细胞系信息以及蛋白质集合，采用药物联用预测模型，预测两种训练药物联用时对训练细胞系的预测作用概率；

构建单元11022，用于基于两种训练药物联用时对训练细胞系的预测作用概率、以及两种训练药物联用时对训练细胞系的作用概率标签，构建损失函数；

调整单元11023，用于在损失函数不收敛时，调整药物联用预测模型的参数，使得损失函数收敛。

在本公开的一个实施例中，预测单元11021，用于：

对于各条训练数据，分别基于蛋白质集合、训练数据中的训练细胞系信息和两种训练药物信息中的各训练药物信息，获取蛋白质集合中各蛋白质的特征、训练数据中的各训练药物的原子级特征以及分子级特征、和训练细胞系的特征；

基于蛋白质集合中各蛋白质的特征、训练数据中的各训练药物的原子级特征以及分子级特征、和训练细胞系的特征，采用药物联用预测模型，预测两种训练药物联用时对训练细胞系的预测作用概率。

在本公开的一个实施例中，预测单元11021，用于：

对于各条训练数据，基于蛋白质集合中的各蛋白质的分子标识，获取各蛋白质的特征；

基于训练细胞系信息，获取训练细胞系的特征；

基于两种训练药物信息中的各训练药物信息，获取各训练药物的原子级特征；

基于各训练药物的原子级特征，获取各训练药物的分子级特征。

在本公开的一个实施例中，预测单元11021，用于：

采用药物联用预测模型中的第一注意力处理模块，基于各训练药物的原子级特征和蛋白质集合中各蛋白质的特征，预测各训练药物与各蛋白质之间的注意力分数；

采用药物联用预测模型中的第二注意力处理模块，基于各训练药物的分子级特征与细胞系的特征，预测各训练药物与细胞系之间的注意力分数、以及两种训练药物之间的注意力分数；

基于各训练药物与各蛋白质之间的注意力分数、各训练药物与细胞系之间的注意力分数、以及两种训练药物之间的注意力分数，预测两种训练药物联用时对训练细胞系的预测作用概率。

在本公开的一个实施例中，预测单元11021，用于：

采用药物联用预测模型中的拼接模块，将各训练药物与各蛋白质之间的注意力分数、各训练药物与细胞系之间的注意力分数、以及两种训练药物之间的注意力分数进行拼接，得到拼接分数特征；

采用药物联用预测模型中的预测模块，基于拼接分数特征，预测两种训练药物联用时对训练细胞系的预测作用概率。

本实施例的药物联用预测模型的训练装置1100，通过采用上述模块实现药物联用预测模型的训练的实现原理以及技术效果，与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。

设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如本公开的上述方法。例如，在一些实施例中，本公开的上述方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的本公开的上述方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开的上述方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。