1.一种检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,包括以下步骤:
步骤1、从个体病人的基因组数据构建个性化基因交互网络PGIN;
步骤2、形成一个基于多目标优化的结构网络控制模型;
步骤3、利用约束多目标进化算法寻找个性化药物靶点集合,即驱动基因集合。
2.根据权利要求1所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,所述步骤1具体如下:首先建立基于肿瘤样本和单个患者的正常样本的共表达网络;然后,在正常样本网络和肿瘤样本网络中,根据基因i和基因j之间的边的P值来确定是否使用这条边来构建个性化基因交互网络PGIN,其中,P值基于基因i和基因j的皮尔逊相关系数差的Z分数获得。
3.根据权利要求2所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,构建PGIN个性化基因交互网络的具体条件如下:如果肿瘤样本网络的P值低于一定阈值和正常样本网络的P值大于一定阈值,或者肿瘤样本网络的P值大于一定阈值和正常样本网络的P值低于一定阈值,则保留这条边来构建个性化基因交互网络PGIN。
4.根据权利要求2或3所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,基因i和基因j的皮尔逊相关系数ΔPCC(ij,k)和其Z分数Z(ij,k)的计算方法如下:其中,n表示参考样本的数量,k表示扰动网络中的第k个患者, 是基因i和j在n个参考样本上的PCC, 代表个体病人k的基因i和j在n+1个参考样本上的PCC;P值基于Zij,k的标准正态分布计算出来。
5.根据权利要求4所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,通过将跨癌症类型特定数据的体细胞突变数据整合到个性化基因交互网络PGIN,计算对个性化基因交互网络PGIN边缘的个性化pPCC进行评分,具体如下:其中,comutation表示共突变,coexpression表示共表达, 表示病人k样本中基因i和j的个性化皮尔逊系数,comutationi,j表示基因i和j的杰卡德系数, 表示基因i和j在个体病人k的肿瘤样本中的皮尔逊相关系数, 表示基因i和j在个体病人k的正常样本中的皮尔逊相关系数,S(i)和S(j)分别是在检查给定癌症数据集中的体细胞突变后存在突变基因i和基因j的肿瘤的集合,D10表示对一组数据进行升序排序后,有10%的数据在D10之下。
6.根据权利要求5所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,步骤2中,所述结构网络控制模型如下:s.t.gk(x)≤0,k=1,2...,m
其中,f1和f2是两个优化的目标函数;g(x)表示约束条件,即使得网络是可控的;x=(x1,x2,…,xn)表示是二进制值决策变量;V代表网络的顶点集;D和DT分别表示已识别的药物靶点集和已知的原始药物靶点集,如果该基因被选择,则xi=1,否则,xi=0;l=(l1,l2,…,ln)表示具有二进制编码的标签向量,如果该基因在已知药物靶点内,li=1,否则,li=0;n表示PGIN中的基因数,m表示约束数。
7.根据权利要求6所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,所述步骤3具体包括以下步骤:步骤3.1、初始化一个大小为N的主种群P0和两个大小为N1的辅助种群P1和P2,其中N1=N*30%,其中主种群优化原始的约束多目标优化问题CMOP,辅助种群分别优化对应的约束单目标优化问题CSOP;
步骤3.2、利用锦标赛选择策略分别从当前种群P0中选出N/2个父代、P1和P2中选出N1/2个父代;
步骤3.3、分别使用交叉变异算子产生大小为N/2的子代种群Q0和大小为N1/2的子代种群Q1和Q2,把主种群及辅助种群和所有的子代种群合并R0=P0∪Q0∪Q1∪Q2,R1=P1∪Q0∪Q1∪Q2,R2=P2∪Q0∪Q1∪Q2;
步骤3.4、根据ε约束方法从合并种群R0中选出N个解作为种群P0,根据一种基于排名的适应度函数从合并种群R1和R2中选出N1个解作为种群P1和P2,作为下一次迭代的种群;
步骤3.5、输出多个驱动基因集合,直到迭代的终止条件,即满足函数求值的最大数目。
8.根据权利要求7所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,在步骤3.1中,采用一种多任务优化的思想,主种群优化原始的约束多目标优化问题,辅助种群优化对应的衍生的约束单目标优化问题,将这些种群的进化视为多个不同但相关的优化任务;主种群致力于全局搜索而辅助种群关注于局部搜索,开发主种群未搜索到的区域,帮助主种群跨越不可行域保证其多样性。
9.根据权利要求8所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,在环境选择时,采用基于排名的适应度函数方法来计算辅助种群的适应值。
10.根据权利要求9所述的检测癌症个体病人药物靶点的约束多目标优化方法,其特征在于,基于排名的适应度函数方法以两种方式对每个个体进行排序:一种偏向约束,另一种偏向目标函数,两种排名通过权重参数加权在一起:首先,对于偏向于约束的基于排名的适应度函数,根据ε约束方法对群体中的个体进行升序排序,每个个体的排名数记录为R1;然后,为了使用目标函数的信息,基于其目标函数对每个个体进行排序,以获得每个个体的排名数R2;最后,基于排名的适应度函数将R1和R2组合成一个新公式,该公式表示该个体对平衡目标和约束的适应度,如下所示:Fitness=w*R1+(1‑w)*R2
其中Pf表示这一代中可行解的比例,G是当前代数,Gmax是最大代数。