药敏实验场景构建模型方法以及药敏预测方法与流程

1.本技术涉及一种药敏实验场景构建方法，尤其涉及一种利用数字孪生技术构建药敏实验场景的方法，以及利用所述实验场景预测药敏结果的方法。


背景技术：

2.肿瘤(tumour)是指机体在各种致瘤因子作用下，局部组织细胞增生所形成的新生物(neogrowth)，因为这种新生物多呈占位性块状突起，也称赘生物(neoplasm)。肿瘤组织由实质和间质两部分构成，肿瘤实质是肿瘤细胞，是肿瘤的主要成分，具有组织来源特异性。它决定肿瘤的生物学特点以及每种肿瘤的特殊性。肿瘤的间质起支持和营养肿瘤实质的作用，不具特异性，一般由结缔组织和血管组成，有时还可有淋巴管。
3.化学药物治疗(简称：化疗)作为肿瘤治疗的主要手段之一，对无法局部治疗的患者是最重要的辅助治疗手段，对于防止肿瘤术后复发和转移有重要价值。临床结果显示，每个化疗方案的患者获益及化疗的疗效与病人对药物敏感程度及个体差异有关。仅凭官方治疗指南和临床经验选择药物进行肿瘤化疗，有效率往往不高。无效治疗不仅耽误宝贵的时间，而且对身体造成很大负担。因此如何避免无效药物，并选择有效药物进行针对性的治疗，早已成为化疗界所关注的问题。
4.药物敏感性检测可通过细胞或实验动物水平的检测实验，评价候选药物针对不同患者的治疗有效性，从而避免无效药物的使用，增加治疗成功率，降低治疗风险。
5.如果是药敏临床试验，或增加患者风险。如果采用湿实验方法进行细胞学实验，往往涉及基因敲除、细胞培养等，需要几周乃至几个月的时间。


技术实现要素：

6.本技术提供一种药敏实验场景构建方法、药敏实验场景模拟系统系统以及一种药敏结果预测方法，以解决上述技术背景中提出的问题。
7.本技术第一个方面是提供一种药敏实验场景模型构建方法，步骤包括：收集真实的肿瘤细胞信息，所述肿瘤细胞信息包括细胞空间信息、肿瘤细胞和/或组织对药物敏感性信息、细胞信息；构建实际药敏数据集；
8.利用数字孪生构建基础孪生体；并将实际药敏数据集导入到基础孪生体中；根据肿瘤细胞和/或分子生物学特点，对构建的基础孪生体增加约束条件，构建成药敏实验场景模型。
9.本技术第二个方面是提供一种药敏实验场景模拟系统，包括：
10.数据收集系统：用于收集真实的肿瘤细胞信息，所述肿瘤细胞信息包括细胞空间信息、肿瘤细胞和/或组织对药物敏感性信息、细胞信息；
11.实际药敏数据集构建系统：根据收集的肿瘤细胞信息，构建实际药敏数据集；基础孪生体构建系统：利用数字孪生构建基础孪生体，并将实际药敏数据集导入到基础孪生体中；
12.建模系统：根据肿瘤细胞和/或分子生物学特点，对构建的基础孪生体增加约束条件，构建成药敏实验场景模型；
13.预测系统：根据输入的数据、在药敏实验场景模型中预测药敏结果并输出预测结果。
14.本技术第三个方面是提供一种药敏结果预测方法，尤其是非疾病诊断或治疗目的的药敏结果预测方法，步骤包括：
15.将实验数据导入到上述的任一药敏实验场景模型，药敏实验场景模型模拟细胞和/或分子，并输出预测结果。
16.在一种优选实施例中，肿瘤细胞和/或组织对药物敏感性信息包括药物效果、药物与分子相互作用效果。
17.在一种优选实施例中，所述细胞空间信息包括细胞在组织中的位置、细胞在组织中的空间形态、细胞中分子的空间形态。
18.在一种优选实施例中，所述细胞信息，包括细胞形态、亚细胞结构、细胞类型、细胞生物标志物、细胞信号传导通路、细胞间相互作用、细胞分子信息中的一种或更多种；每一种细胞信息都可以是单一数据，或者也可以是一组数据。
19.在一种优选实施例中，所述细胞空间信息与肿瘤细胞和/或组织对药物敏感性信息建立关联关系，从而形成信息网络。
20.在一种优选实施例中，所述细胞信息与肿瘤细胞和/或组织对药物敏感性信息建立关联关系，从而形成信息网络。
21.在一种优选实施例中，基于所述实际药敏数据集，构建细胞和/或组织的数值化模型。将多个(至少两个)细胞和/或组织的数值化模型进行组合后，成为数字孪生体。
22.在一种优选实施例中，所述药敏实验场景模拟系统，还包括数值化模型建模系统：基于所述实际药敏数据集，构建细胞和/或组织的数值化模型。
23.在一种优选实施例中，所述药敏实验场景模拟系统，还包括仿真模型建模系统：细胞和/或组织和/或分子显微成像基础上，利用3d建模，构建肿瘤细胞空间形态和空间位置的仿真模型。
24.在一种优选实施例中，构建所述基础孪生体的步骤包括：
25.基于所述细胞和/或组织和/或分子的物理属性，构建细胞和/或组织和/或分子的2d或3d模型；
26.根据所述细胞和/或组织和/或分子的特征数值，构建图表。优选地，每一个特征均构建有所属的图表；
27.基于细胞和/或组织和/或分子的一般特征，构建基础孪生体。
28.优选地，所述细胞或分子的一般数值包括：构建数字孪生体时所需要的细胞或分子的普遍包含的数值，比如分类标签、位置、大小等。
29.优选地，所述细胞或分子的特征数值包括：构建数字孪生体时，能够体现细胞或分子特殊性质的数值。对细胞来说，比如是否是肿瘤细胞、是否是淋巴细胞；对分子来说，比如是否是药物的对应靶点等；以及更复杂的数据形式，比如单个细胞的测序数据表格等。
30.在一种优选实施例中，构建所述基础孪生体的步骤还包括：在细胞和/或组织和/或分子显微成像基础上，利用3d建模，构建肿瘤细胞空间形态和空间位置的仿真模型。
31.所述3d模型为数字孪生体的展现形式，物理属性构建的二维或三维模型是构建3d模型的基础，孪生体使用3d模型的方式展示，能够更加直观地进行信息展示。
32.在一种实施例中，所述物理属性可以是形态、尺寸、颜色、透明度中的任意一种或更多种。
33.在一种优选实施例中，所述肿瘤细胞信息格式包括照片、数据、标记符号中的一种或更多种。
34.在一种更优选实施例中，所述细胞形态为图片格式，如可以是2d和/或3d图片。
35.在一种更优选实施例中，所述亚细胞结构可以是图片格式，如可以是2d和/或3d图片。
36.在一种更优选实施例中，所述细胞类型的数据格式，所可以是字符串和/或枚举类型。优选地，例如，肝癌细胞为字符串100012，或者文字“肝癌细胞”。
37.在一种更优选实施例中，所述细胞生物标志物的数据格式，可以是用字符串、数值、布尔(bool)类型值中的一种或更多种。优选地，例如，所述细胞生物标志物为甲胎蛋白，其数据格式可以是120011、15ug/l、“否”或者“无”等。
38.在一种更优选实施例中，一组所述细胞生物标志物的数据，组成一个细胞系，每个细胞生物标志物是一个序列值。
39.在一种更优选实施例中，所述细胞信号传导通路的数据格式为有向图。
40.在一种更优选实施例中，所述细胞间相互作用的数据格式为混淆矩阵。
41.在一种更优选实施例中，所述细胞分子信息为细胞信息的总和，应当理解的是，细胞分子信息也可以包括其他未提及的已知的细胞信息种类或类型。
42.在一种优选实施例中，对收集的肿瘤细胞信息的数据统一格式，其中，所述统一格式包括如下a)-g)中的一种或更多种：
43.a)小数点的数值类型统一为浮点数，
44.b)字符串类型属性值则限制最大字符串长度，
45.c)多重呈现方式的数值则将各种呈现方式分别进行统计，
46.d)同一组数据含有单位的则同一单位，
47.e)布尔类型数值统一为0或1，
48.f)布尔类型属性统一为resistance(耐受)、sensitive(敏感)，
49.g)图片统一像素尺度。
50.更优选地，所述g)中，可以是限制图片最大体积。如果图片过大，可以分割存储。
51.更优选地，所述g)中，对于扫描成像，则统一放大倍数。
52.更优选地，所述g)中，图片可以是统一成固定形状，如矩形，其他形状的图片可以通过在空白区域填充颜色来实现该固定形状。
53.在一种优选实施例中，对收集的肿瘤细胞信息的数据，筛选出异常值，删除异常值，和/或在所述数值模型中增加是否为异常值的属性，并标记为异常值。
54.在一种优选实施例中，所述图片进行降噪处理，所述降噪可以是算术均值滤波、高斯滤波、统计中值滤波、双边滤波中的任意一种或更多种。
55.在一种更优选实施例中，对于一次拍摄多张图片的显微拍照成像的图片，在降噪处理后，可以合成一张图片。更优选地，所述降噪处理可以是多张图片的平均值堆栈降噪。
56.本技术所带来的有益效果包括：
57.1)通过数字孪生技术，更快准确地模拟药物在生物体内的反应，对于研究药物对细胞的作用，以及细胞自身的新陈代谢过程提供了实验材料和新的研究方法。2)通过使用细胞孪生技术进行药物反应模拟实验，不仅可以模拟药物效果，也可以通过研究已有的药物效果，推测药物动力学过程。
58.3)通过对真实细胞进行数字孪生化建设，填补细胞数字孪生建设和其在hcc药敏实验模拟应用方面的空白。
59.4)更好地进行在生物体湿实验上无法完成的实验内容，可以替代患者实验，为医生的临床治疗方案决策提供支持，减少患者风险。
60.5)可以替代细胞学实验，不需要基因编辑、细胞培养等操作，效率更高。
附图说明
61.构成本技术的一部分附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
62.图1是本技术一种实施例中hcc药敏实验场景构建模型方法和预测药敏方法的步骤示意图；
63.图2是本技术一种实施例中hcc药敏实验方法的有益效果示意图；
64.图3是本技术一种实施例中构建的亚细胞结构模型图；
65.图5是一个细胞系转录组数据实例的部分内容；
66.图4是本技术一种实施例中构建的细胞形态模型图；
67.图6是肝癌(hcc)肿瘤细胞相关基因调控通路图(有向图)的案例；
68.图7是不同细胞互作的混淆矩阵结果的实例；
69.图8是不同细胞的不同药物反应结果；
70.图9是将图8中的某一列表格用曲线图展示的散点图；
71.图10是不同细胞的转录组测序结果的实例。
具体实施方式
72.本技术提供一种药敏实验场景构建方法、药敏实验场景模拟系统系统以及一种药敏结果预测方法，为使本技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实例对本技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
73.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的数据在适当情况下可以互换。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
74.本技术上下文内容中，在没有其他说明的情况下，术语“hcc”是指肝细胞癌(hepatocellular carcinoma)，hcc是一种高死亡率的原发性肝癌。它是一种全球范围最常
见的恶性肿瘤，尤其是在亚洲、非洲和南部欧洲。
75.本技术上下文内容中，在没有其他说明的情况下，术语“数字孪生”(digital twins，数字镜像、数字化映射)，或者“信息镜像模型”(cyber-physical system，cps)指是：充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。
76.本技术上下文内容中，在没有其他说明的情况下，术语“细胞孪生”是指细胞数字孪生技术，从细胞维度进行数字孪生体的建设。
77.本技术上下文内容中，在没有其他说明的情况下，术语“药敏实验”是指药物敏感性实验，用于了解生物体对药物、化合物的敏感性。
78.肿瘤组织中的肿瘤细胞类型多样，不同的药物以及不同的药物组合对肿瘤组织的抑制效果需要对肿瘤组织中不同种类型肿瘤细胞进行整体研究，包括不同肿瘤细胞的不同功能，以及肿瘤细胞之间的相互作用等等，在传统的药物研究过程中，更多的工作只针对单独的某一种细胞类型，并不能很好地体现药物对肿瘤组织的作用效果。
79.数字孪生可以提供更多样的肿瘤细胞种类，以及模拟肿瘤细胞在肿瘤组织中的互相作用效果，从而进一步模拟肿瘤药物对肿瘤组织的效果，提高研究肿瘤药物敏感性的研究效率。
80.数字化转型是我国医疗行业的未来发展的必由之路，数字孪生技术作为推动实现医疗服务数字化转型、促进数字医疗服务发展的重要抓手，已经建立了普遍适应的理论技术体系，并在产品设计制造、工程建设和其他学科分析等领域已有较为深入的应用，但是在微观层面的数字孪生建设，还有在药物研究、个性化诊疗领域的探索还尚有欠缺。
81.以hcc为例，hcc细胞种类多样，分子特征及细胞特征也较为多样，现有技术对细胞的处理方式区分程度不高，不能够很好的体现hcc细胞的独有特征。现有的数字孪生技术，由于建模逻辑、采取数据、细胞互作和药物通路原因，也无法满足hcc在药敏实验场景下的实验模拟需求。
82.为此，参照图1，本技术提供了一种药敏实验场景构建方法，步骤包括：
83.收集真实的肿瘤细胞信息，构建实际药敏数据集；
84.数据收集的侧重点在于要把细胞学信息和细胞分子层面信息，和不同分化水平细胞在组织中的位置信息，以及组织对应药物的效果信息进行对应，为后续的药物敏感性研究建立可靠的数据基础。
85.具体而言，所述肿瘤细胞信息包括细胞空间信息、肿瘤细胞和/或组织对药物敏感性信息、细胞信息；例如，可以是包括：细胞形态、亚细胞结构、细胞类型、细胞生物标志物、细胞系、细胞通路、细胞互作、细胞分子特征、药物效果、药物与分子互作效果等。
86.其中，药物效果指药物使用在组织上的效果，针对hcc项目来讲，某药物能够使组织生长得到抑制，抑制率越高，药物效果越好。
87.药物和分子的互作效果，指药物和具体的分子结合之后，在细胞内部会引起的改变，以hcc项目为例，a药物结合了b分子，影响了细胞的生长速度，使细胞的生长速度加快，但该药物对肿瘤组织的效果并不明确。
88.在对细胞形态、亚细胞结构、细胞类型、细胞互作的数据进行收集时，把细胞信息与细胞原位信息以及药物敏感性信息结合进行收集，使细胞学数据与细胞原位信息以及药
物敏感性信息能够有机结合，形成信息网络。
89.在对细胞生物标志物、细胞系、细胞通路、以及细胞分子特征的数据收集时，把细胞特征、细胞中的分子特征和肿瘤相关药物进行关联，建立细胞-分子-药物效果的互相作用网络。
90.在进行数据收集时，结合空间信息以及细胞/组织对药物的敏感性信息，为后续的细胞数字化以及还原空间形态提供基础。其中，空间信息是细胞的位置，如果是组织中的细胞，就是细胞在组织中的位置；如果是混合细胞，也可以用细胞的来源组织的信息进行空间标注。
91.空间形态：在研究不同分子在细胞中的信息时，空间形态指细胞中的分子的空间形态。在研究不同细胞在组织中的信息时，空间形态指细胞在组织中的空间形态。
92.所采集的数据类型可以是：
93.i)细胞形态，数据是2d或者3d的图片。
94.ii)亚细胞结构，数据是2d或者3d的图片。
95.iii)细胞类型，数据是字符串或者枚举类型(分类)。以hcc为例，细胞类型为肝癌，可以是用字符串10012来表示，也可以是用汉字“肝癌细胞”或其他文字如“hcc”来表示。
96.iv)细胞生物标志物，数据是字符串或者数值或者bool逻辑类型。例如，甲胎蛋白可以是用字符串120011来表示，也可以是用10μg/l来表示；对于有些标志物来讲，也可以是阴性或阳性来表示，或者有或无来表示。
97.v)细胞系，数据是一组(多个)生物标志物的分子特征的情况，每种特征是一个序列的值。图5给出了一个细胞系转录组数据实例的部分内容，其中，第一列是基因编号，第二列是基因名，第三列是这个细胞系在不同基因上表达水平的值，使用的数据是fpkm值，完整细胞系转录组数据共有60665行。
98.vi)细胞通路，数据是有向图(directed graph)。图6是肝癌(hcc)肿瘤细胞相关基因调控通路图(有向图)的案例。
99.vii)细胞互作，数据是混淆矩阵。图7是不同细胞互作的混淆矩阵结果的示例。viii)细胞分子信息，数据是上述中的细胞生物标志物、细胞系、细胞通路、细胞互作等细胞分子层面的数据的总和。细胞分子信息除了包括细胞生物标志物、细胞系、细胞通路、细胞互作，还包括其他信息。可以将一个细胞所包含的所有分子信息，视为表格文件，从不同的角度描述这个细胞的信息，是表格文件中的每一个sheet，例如，其中sheet1中包含的是细胞的基因组信息，sheet2中包含的是转录组信息，sheet3中包含的是蛋白质组学信息，sheet4中包含的是通路信息，sheet5中包含的是和药物互相作用的靶向基因信息，诸如此类。
100.数字化(显微成像)
101.使用收集到的信息，建立细胞/组织的数字化模型，包括细胞之间的关系以及细胞内不同分子之间的关系。
102.在显微成像的基础上，利用3d建模的方法，更加全面立体地表现细胞信息。显微成像可以是组织中的细胞的显微成像，包含组织中不同细胞如何在空间上组成组织，也可以是细胞中的分子的显微成像，如图4，包括细胞中分子的位置，以及状态信息。可以通过标注特定分子(比如蛋白，核酸)来指示分子/细胞的位置。
103.孪生化
104.a)数据预处理：统一数据格式、去掉异常值、图像数据统一像素尺度、图像数据降噪。包括：
105.i.统一数据格式：
106.1、比如系统中的小数点的数值类型，都应该统一为浮点数。
107.2、比如字符串类型的属性值，都应该限制最大字符串长度。
108.3、比如有的数值可以有多重呈现方式，比如ic50值，应该同时有ic50原值和ln(ic50)的值。如果一个数据来源中只包含其中一个值，应该把另外一个值也算出来。
109.4、比如数值的单位，比如ic
50
值的单位，应该都是μmol/l(微摩尔)。
110.5、比如bool类型的数值，统一为0和1，其中1表示true，0表示false。bool类型的属性有“resistance/sensitive”。
111.ii.去掉异常值：
112.1、数值型数据，人工发现异常值，手动删除。比如ic
50
中，有的数值明显很大，比如值大于20，则应该剔除手动这个数据。新加一个属性“是否为异常值”，并且取值为true。比如蛋白质的表达量的数值，有的值大于1000，则应该剔除这个数据。新加一个属性“是否为异常值”，并且取值为true。
113.2、数值型数据，使用异常检测算法发现异常值，系统自动删除。异常检测算法比如统计检验方法、基于偏差的方法、基于距离的方法等。特征值比如ic
50
中，算法检测到某一个些值异常，则应该系统自动删除这个数据。新加一个属性“是否为异常值”，并且取值为true。比如蛋白质的表达量的数值，有的值大于1000，则应该剔除这个数据。新加一个属性“是否为异常值”，并且取值为true。iii.图像数据统一像素尺度：
114.1、比如限制单个图片的体积，过大的图片，应该分割为多份分别存储。
115.2、比如细胞扫描图像，应该保留一份统一的细胞放大倍数的图片，便于对比，例如，放大倍数可以取20倍、50倍、100倍等。同时还可以生成一张小图，长100像素，宽100像素，用于后续快速预览图片的需要，后续快速预览图片的需要可以是需要细胞扫描图像列表时，可以呈现一列缩略图，但不是必须的。
116.3、比如圆形的图片，可以用纯白或者纯黑来填充图片为矩形。
117.iv.图像数据降噪：
118.1、比如对于显微镜拍照成像的单张图片，可以使用降噪算法，进行一次降噪。降噪算法包括算术均值滤波与高斯滤波、统计中值滤波、双边滤波等。降噪之后的图片，用于后续的浏览和处理。原图片和降噪之后的图片都需要分别存储，而不需要丢弃原图片。
119.2、比如对于显微镜拍照成像的图片，一次拍多张图片，然后使用多张执行降噪算法，合成一张图片，进行一次降噪。降噪算法包括多张平均值堆栈降噪等。降噪之后的图片，用于后续的浏览和处理。原图片和降噪之后的图片都需要分别存储，而不需要丢弃原图片。
120.b)创建(数字孪生体)：
121.i.参照图3，根据细胞或者特定分子(比如蛋白质、核酸)的物理属性，制作二维或三维模型。三维模型不用与物理属性完全对应，只需要方便人为查看和分析属性即可。物理属性包括形态、尺寸、颜色、透明度等。
122.ii.根据细胞或者特定分子(比如蛋白质、核酸)的特征的数值，构建图表(比如曲
线和柱状图)，如图8所示。图8给出了不同细胞的不同药物反应结果，第一列为药物名，第二列之后每一列为一种细胞对不同药物的反应结果数据(ic50)。将图8中的某一列表格用曲线图展示，如图9散点图所示，图9中每一个圆点代表这个细胞对某一种药物的反应结果，如果圆点在红线之上，表示这种药物对这个细胞无效，如果圆点在绿线之下，表示这种药物对这个细胞有效。
123.每一个特征都有一个图表。图表用于可视化查看细胞或者特定分子的信息。例如，当光标定位在细胞孪生体上的某一位置时，位于该位置的细胞或分子的信息会通过图表展示。
124.iii.根据细胞或者特定分子(比如蛋白质、核酸)的一般特征，构建基础孪生体，图10给出了不同细胞的转录组测序结果的示例，第一列为基因编号，第二列为基因名，第三列之后每一列为一种细胞在不同基因上的不同转录水平数据(fpkm)。
125.以及把现有的实验数据加入孪生体，丰富孪生体的数据，便于人工查看。
126.c)联动：根据细胞或者特定分子(比如蛋白质、核酸)的生物特点，给数字孪生体添加约束条件。物理化学生物的约束都可以。
127.i.比如：细胞通路的有向图中，某一个基因的转录水平发生了上调，根据通路图中的数据，会导致相应基因的转录水平发生下调。
128.ii.比如，在细胞互作的混淆矩阵中，某两个基因的表达水平的变化方向相同，一个基因表达水平发生上调时，另一个基因的表达水平也一定会发生上调。
129.在预测药敏结果时，有两种方式：
130.i.给模型提供新的数据，孪生体模拟细胞或者特定分子(比如蛋白质、核酸)，输出预测的结果。比如将细胞的分子特征数据以及药物敏感性数据等信息输入模型，建立可以根据细胞的分子特征数据预测药物敏感性的模型，输出数据为药物敏感性的信息，可以用来判断细胞是否对某种药物有敏感性。例如，hcc药敏实验模拟系统通过建立虚拟的数字孪生hcc细胞，其中包含hcc细胞的分子特征，分子互相作用的情况，分子在细胞中的位置信息等，进行对孪生细胞的操作，从而预测药物对细胞的作用结果。
131.ii.人工修改某些参数，孪生体模拟细胞或者特定分子(比如蛋白质、核酸)，输出预测的结果。例如，通过虚拟给药，使细胞中某一个分子信息发生改变，依据建立的孪生细胞体系，将变化的信号进行传递，从而模拟给药后细胞的状态。
132.参照图2，本技术在数字孪生体上进行模拟药敏实验，可以替代药敏细胞学实验和药敏临床试验，从而预测药敏结果，也可以模拟处理细胞并预测药敏结果，还可以研究细胞对不同药物的反应原理，研究组织对不同药物进行反应时细胞水平和分子水平上的改变。
133.以上对本技术的具体实施例进行了详细描述，但其只是作为范例，本技术并不限制于以上描述的具体实施例。对于本领域技术人员而言，任何对本技术进行的等同修改和替代也都在本技术的范畴之中。因此，在不脱离本技术的精神和范围下所作的均等变换和修改，都应涵盖在本技术的范围内。

技术特征：
1.一种药敏实验场景模型构建方法，其特征在于，步骤包括：收集真实的肿瘤细胞信息，所述肿瘤细胞信息包括细胞空间信息、肿瘤细胞和/或组织对药物敏感性信息、细胞信息；构建实际药敏数据集；利用数字孪生构建基础孪生体；并将实际药敏数据集导入到基础孪生体中；根据肿瘤细胞和/或分子生物学特点，对构建的基础孪生体增加约束条件，构建成药敏实验场景模型。2.根据权利要求1所述的方法，其特征在于，肿瘤细胞和/或组织对药物敏感性信息包括药物效果、药物与分子相互作用效果；所述细胞空间信息包括细胞在组织中的位置、细胞在组织中的空间形态、细胞中分子的空间形态；所述细胞信息，包括细胞形态、亚细胞结构、细胞类型、细胞生物标志物、细胞信号传导通路、细胞间相互作用、细胞分子信息中的一种或更多种。3.根据权利要求2所述的方法，其特征在于，所述细胞空间信息与肿瘤细胞和/或组织对药物敏感性信息建立关联关系，从而形成信息网络；所述细胞信息与肿瘤细胞和/或组织对药物敏感性信息建立关联关系，从而形成信息网络。4.根据权利要求1所述的方法，其特征在于，基于所述实际药敏数据集，构建细胞和/或组织的数值化模型。5.根据权利要求1所述的方法，其特征在于，构建所述基础孪生体的步骤包括：基于所述细胞和/或组织和/或分子的物理属性，构建细胞和/或组织和/或分子的2d或3d模型；根据所述细胞和/或组织和/或分子的特征数值，构建图表。优选地，每一个特征均构建有所属的图表；基于细胞和/或组织和/或分子的一般特征，构建基础孪生体。6.根据权利要求5所述的方法，其特征在于，构建所述基础孪生体的步骤还包括：在细胞和/或组织和/或分子显微成像基础上，利用3d建模，构建肿瘤细胞空间形态和空间位置的仿真模型。7.根据权利要求1所述的方法，其特征在于，对收集的肿瘤细胞信息的数据统一格式，其中，所述统一格式包括如下a)-g)中的一种或更多种：a)小数点的数值类型统一为浮点数，b)字符串类型属性值则限制最大字符串长度，c)多重呈现方式的数值则将各种呈现方式分别进行统计，d)同一组数据含有单位的则同一单位，e)布尔类型数值统一为0或1，f)布尔类型属性统一为resistance、sensitive，g)图片统一像素尺度。8.根据权利要求1所述的方法，其特征在于，对收集的肿瘤细胞信息的数据，筛选出异常值，删除异常值，和/或在所述数值模型中增加是否为异常值的属性，并标记为异常值。9.一种如权利要求1所述方法构建的药敏实验场景模拟系统，其特征在于，包括：数据收集系统：用于收集真实的肿瘤细胞信息，所述肿瘤细胞信息包括细胞空间信息、肿瘤细胞和/或组织对药物敏感性信息、细胞信息；
实际药敏数据集构建系统：根据收集的肿瘤细胞信息，构建实际药敏数据集；基础孪生体构建系统：利用数字孪生构建基础孪生体，并将实际药敏数据集导入到基础孪生体中；建模系统：根据肿瘤细胞和/或分子生物学特点，对构建的基础孪生体增加约束条件，构建成药敏实验场景模型；预测系统：根据输入的数据、在药敏实验场景模型中预测药敏结果并输出预测结果。10.一种药敏结果预测方法，其特征在于，步骤包括：将实验数据导入到权利要求1或9所述的药敏实验场景模型，药敏实验场景模型模拟细胞和/或分子，并输出预测结果。

技术总结
本申请提供一种药敏实验场景构建方法，步骤包括：收集真实的肿瘤细胞信息，所述肿瘤细胞信息包括细胞空间信息、肿瘤细胞和/或组织对药物敏感性信息、细胞信息；构建实际药敏数据集；利用数字孪生构建基础孪生体；并将实际药敏数据集导入到基础孪生体中；根据肿瘤细胞和/或分子生物学特点，对构建的基础孪生体增加约束条件，构建成药敏实验场景模型。本申请还提供了所构建的药敏实验场景模拟系统以及采用所述方法或系统进行药敏预测的方法。本申请可以替代药敏细胞学实验和药敏临床试验，从而预测药敏结果，也可以模拟处理细胞并预测药敏结果，还可以研究细胞对不同药物的反应原理，研究组织对不同药物进行反应时细胞水平和分子水平上的改变。分子水平上的改变。分子水平上的改变。


技术研发人员：梅园
受保护的技术使用者：上海申挚医疗科技有限公司
技术研发日：2023.06.16
技术公布日：2023/10/11