基因治疗药物毒性长期风险评估方法及应用与流程

1.本发明创造涉及数据处理、机器学习及医药风险评估领域，具体涉及基因治疗药物毒性长期风险评估方法及应用。


背景技术：

2.随着科学技术的飞速发展，数据处理、机器学习与医药风险评估已成为如今新兴技术的重要分支，数据处理、机器学习与医药风险评估作为现阶段研究热点，需配备科学、合理、深度的学习算法满足社会需求，并提高医药风险评估的技术保障，结合数据处理技术与医药风险评估方法，并借助各类机器学习算法，提高基因治疗药物毒性长期风险评估的准确性，增强机器学习能力，此外，为使数据处理技术、机器学习技术与医药风险评估方法有所突破，还应将传统机器学习算法优化升级，同时全面提升医药风险评估方法的高效性。
3.现有的医疗风险评估大多通过医务人员的人为评估实现，通常受到医务人员的医疗知识水平和经验的限制，同时对于患者的实际情况了解不一定透彻，缺乏规范性、效率低下，同时难以保证客观性和准确性，因而迫切需要一种基因治疗药物风险评估方法，以诊疗规范技术资料为基础对患者医疗过程中的基因治疗药物风险进行全过程综合分析和评估，对于基因治疗药物风险过高的环节，提前采取预防性措施，有利于消除可预防性错误，降低医疗事故隐患的发生率，将会在提高医疗质量、防止事故发生、减少纠纷形成、保障患者安全方面发挥巨大的作用。
4.机器学习是由模式识别、人工智能计算学习理论为基础所转变的一类计算机科学分支，被广泛应用至各相关领域中，机器学习是一项多领域综合学科，涉及算法复杂度理论、逼近论、统计学及概率论等多项理论，此学科将计算机如何模拟及实现人类学习行为作为主要研究内容，探究计算机获取新知识、技能方式，将已存在知识结构予以重新组织，实现自身性能不断优化，机器学习为人工智能核心，也为使计算机拥有智能的基本方式，现已逐渐应用至与人工智能相关的各领域中，主要为综合及归纳而并非演绎，据研究表明，多数状态下，处理数据规模越大，机器学习模型效率越高，所以，机器学习是大数据智能分析的主要方式，机器学习为现阶段大数据重要处理方式，能将多种优势予以结合，针对具体问题选取最为适宜处理方式，机器学习能将人为因素所造成的局限性予以突破，借助深度学习、决策树及神经网络等，将数据信息予以科学处理，并将数据信息处理速度予以有效提升，现阶段统计调查、商业活动及信息网络等均会产生大量数据，而传统数据信息处理手段已难以满足当前大数据信息的处理需求，急需机器学习予以处理。
5.基因治疗药物毒性长期风险评估方法及应用，通过各级医院及诊所进行患者疾病及医疗信息的采集，结合信息技术，采用slfe算法对基因治疗药物毒性特征信息进行提取，采用iliou算法结合正则化对基因治疗药物毒性特征信息进行预处理，提高患者疾病及医疗数据信息的完整性和准确性，采用qga-lvq神经网络对基因治疗药物毒性进行准确的风险预测以进行药物毒性评估，同时结合基因治疗药物毒性长期风险评估的相关规则进行药物毒性的风险评估，有效提高基因治疗药物毒性长期风险评估方法及应用的工作效果，为
基因治疗药物毒性长期风险评估方法及应用提供更为全面、准确地技术支撑，为安全、科学、高效地医药毒性风险评估方法提供更好的决策支持，保障了基因治疗药物毒性长期风险评估的准确性，同时，本发明结合神经网络预测算法，为人们提供高效且准确的基因治疗药物毒性长期风险评估方法，也能为其他应用领域的发展巩固基础，在数据处理与医药风险评估鼎盛发展的时代，数据处理、神经网络与医药风险评估的融合为多领域融合的发展打下了坚实的基础，且能应用于市场中的多个行业及领域，为数据处理技术、神经网络技术及医药风险评估技术融合提供了新的发展方向，为医药风险评估领域贡献了重要价值，拓展应用领域，在数据特征提取、数据预处理、神经网络预测及医药风险评估方面都有明显效果。


技术实现要素：

6.针对上述问题，本发明旨在提供基因治疗药物毒性长期风险评估方法及应用。
7.本发明创造的目的通过以下技术方案实现：基因治疗药物毒性长期风险评估方法及应用，包括数据库端、药物信息提取端、药物信息提取端、药物信息处理端、药物毒性长期风险评估端、可视化端，数据库端包括药物毒性数据采集模块，药物毒性数据采集模块用于对患者信息、疾病信息和医疗信息进行采集，药物信息提取端包括毒性特征信息提取模块，毒性特征信息提取模块药物信息处理端包括药物信息智能存储模块和药物信息预处理模块，药物信息智能存储模块采用云存储方式对药物信息进行智能存储，药物信息预处理模块采用iliou算法结合正则化对药物毒性特征信息进行预处理，药物毒性长期风险评估端包括药物毒性长期风险预测模块和风险评估关联规则模块，药物毒性长期风险预测模块采用qga-lvq神经网络对药物进行毒性风险预测，风险评估关联规则模块通过基因治疗药物毒性长期风险评估的相关规则进行药物毒性的风险评估，可视化端包括风险评估结果显示模块，风险评估结果显示模块用于显示基因治疗药物的毒性风险评估结果。
8.进一步的，药物毒性数据采集模块用于采集患者信息、疾病信息和医疗信息，通过各级医院及诊所进行患者疾病及医疗信息的采集。
9.进一步的，药物毒性特征提取模块将采集的患者疾病及医疗信息数据从高维特征空间映射到低维特征空间，使数据具有良好的可分性。
10.进一步的，药物信息智能存储模块采用云存储方式对患者疾病及医疗信息进行存储，云存储方式通过集群应用及分布式文件系统功能将网络中大量各种不同类型的存储设备通过各种应用软件集合起来协同工作，共同对外提供数据存储和管理的云计算系统，将采集的患者疾病及医疗信息放到云端上进行存储。
11.进一步的，药物毒性长期风险预测模块采用qga-lvq神经网络对基因治疗药物进行毒性风险预测，对基因治疗药物毒性进行准确的风险预测以进行药物毒性评估。
12.进一步的，qga-lvq神经网络具体如下：在二维复向量空间中，量子位的两种不同状态定义为和，量子位的状态也是两种状态的叠加，作为最小的信息单位，量子位的状态表示为，其中，和为复数，表示相关概率振幅，且满足，在qga算法中，染色体使用量子比特和量子叠加态编码，每个量子染色体的编码表示为
，其中，为种群代数，则第代的量子种群表示为，为量子数，为种群大小，量子比特利用量子门进行矩阵变换，完成状态迁移，实现种群进化，量子比特的运算使用量子旋转门，即，种群进化过程表示为，其中，为旋转角，的角度和方向根据调整规则确定，量子交叉基于量子的相干性质的全干涉进行交叉操作，种群中的每个量子染色体都需要进行交叉操作，在量子突变过程中，使用量子突变算子来实现更新和优化，即，，其中，为旋转方向，为旋转大小，为调整因子；lvq神经网络的结构分为三层，即输入层、竞争层和输出层，lvq神经网络的计算步骤如下：首先设置初始化输入层和竞争层之间的权重和学习率，然后将输入向量输入到输出层，其中，为输入元素的数量，并计算竞争层神经元与输入向量之间的距离，即，其中，，为竞争神经元的数量，然后选择距离输入向量最短的竞争层神经元，当达到最小时，则连接的输入层神经元的类别标签标记为，然后对应于输入向量的类别标签被设置为，当，则权重更新为，当时，则权重更新为，最后循环进行lvq神经网络的训练，直至误差精度达到要求；
13.将qga算法与lvq神经网络结合为qga-lvq神经网络，其主要思想是首先通过qga算法为lvq神经网络选择初始值，然后使总体逐渐收敛到最优解，以进一步提高分类精度，qga-lvq神经网络的预测具体如下：首先将遗传代数设置为0，并初始化种群，观察初始种群的每个个体一次以获得状态，然后根据距离确定qga-lvq神经网络的适应度函数，使用群体中的随机个体与输入层中的样本点之间的平均距离来计算适应度函数，即，其中，为属于类的元素集合，为类元素的数量，为lvq神经网络的训练样本的输入向量，随机个体的适应度通过下式计算，即，然后迭代计算的终止条件为，其中，为样本的输入向量的数量，然后观察群体中的每个个体一次，计算每个状态的适应度，再通过量子旋转门更新种群，以记录随机个体及其健康状况，直至误差精度达到要求终止迭代，通过qga-lvq神经网络的训练过程对基因治疗药物进行准确的毒性风险预测。
14.进一步的，风险评估关联规则模块通过基因治疗药物毒性长期风险评估的相关规则进行药物毒性的风险评估，基因治疗药物毒性长期风险评估相关规则包括：适用性的相关规则、禁忌的相关规则、需要注意的相关规则、相互作用的相关规则、过敏的相关规则、时间的相关规则、使用方法的相关规则、用量的相关规则、不良反应的相关规则、保护措施的相关规则及适宜性的相关规则。
15.进一步的，风险评估结果显示模块根据药物毒性长期风险预测结果和风险评估结果显示基因治疗药物的毒性风险评估结果，更好地对基因治疗药物的毒性进行正确有效的评估及应用。
16.本发明创造的有益效果：本发明结合数据特征提取技术、数据预处理技术、神经网络预测算法及风险评估关联规则，有效提升了基因治疗药物毒性长期风险评估方法及应用的效果，为基因治疗药物毒性长期风险评估方法及应用提供了更优的方案，通过各级医院及诊所进行患者疾病及医疗信息的采集，结合信息技术，采用qga-lvq神经网络对基因治疗药物毒性进行准确的风险预测以进行药物毒性评估，创新之处在于通过qga算法为lvq神经网络选择初始值，然后使总体逐渐收敛到最优解，以进一步提高分类精度，通过观察群体中的每个个体一次，计算每个状态的适应度，再通过量子旋转门更新种群，以记录随机个体及其健康状况，直至误差精度达到要求终止迭代，同时结合基因治疗药物毒性长期风险评估的相关规则进行药物毒性的风险评估，有效提高基因治疗药物毒性长期风险评估方法及应用的工作效果，为基因治疗药物毒性长期风险评估方法及应用提供更为全面、准确地技术支撑，为安全、科学、高效地医药毒性风险评估方法提供更好的决策支持，保障了基因治疗药物毒性长期风险评估的准确性，同时，本发明结合神经网络预测算法，为人们提供高效且准确的基因治疗药物毒性长期风险评估方法，也能为其他应用领域的发展巩固基础，在数据处理与医药风险评估鼎盛发展的时代，数据处理、神经网络与医药风险评估的融合为多领域融合的发展打下了坚实的基础，且能应用于市场中的多个行业及领域，为数据处理技术、神经网络技术及医药风险评估技术融合提供了新的发展方向，为医药风险评估领域贡献了重要价值。
附图说明
17.利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
18.图1是本发明结构示意图。
具体实施方式
19.结合以下实施例对本发明作进一步描述。
20.基因治疗药物毒性长期风险评估方法及应用，包括数据库端、药物信息提取端、药物信息提取端、药物信息处理端、药物毒性长期风险评估端、可视化端，数据库端包括药物毒性数据采集模块，药物毒性数据采集模块用于对患者信息、疾病信息和医疗信息进行采集，药物信息提取端包括毒性特征信息提取模块，毒性特征信息提取模块药物信息处理端包括药物信息智能存储模块和药物信息预处理模块，药物信息智能存储模块采用云存储方
式对药物信息进行智能存储，药物信息预处理模块采用iliou算法结合正则化对药物毒性特征信息进行预处理，药物毒性长期风险评估端包括药物毒性长期风险预测模块和风险评估关联规则模块，药物毒性长期风险预测模块采用qga-lvq神经网络对药物进行毒性风险预测，风险评估关联规则模块通过基因治疗药物毒性长期风险评估的相关规则进行药物毒性的风险评估，可视化端包括风险评估结果显示模块，风险评估结果显示模块用于显示基因治疗药物的毒性风险评估结果。
21.优选的，药物毒性数据采集模块用于采集患者信息、疾病信息和医疗信息，通过各级医院及诊所进行患者疾病及医疗信息的采集。
22.优选的，药物毒性特征提取模块将采集的患者疾病及医疗信息数据从高维特征空间映射到低维特征空间，使数据具有良好的可分性。
23.优选的，药物信息智能存储模块采用云存储方式对患者疾病及医疗信息进行存储，云存储方式通过集群应用及分布式文件系统功能将网络中大量各种不同类型的存储设备通过各种应用软件集合起来协同工作，共同对外提供数据存储和管理的云计算系统，将采集的患者疾病及医疗信息放到云端上进行存储。
24.优选的，药物信息预处理模块采用iliou算法结合正则化对药物毒性特征信息进行预处理，消除患者疾病及医疗数据错误、异常、缺失的问题，达到对患者疾病及医疗数据清洗、集成、归约、删除的目的，使患者疾病及医疗数据生成标准化模式。
25.优选的，药物毒性长期风险预测模块采用qga-lvq神经网络对基因治疗药物进行毒性风险预测，对基因治疗药物毒性进行准确的风险预测以进行药物毒性评估。
26.具体的，qga-lvq神经网络具体如下：在二维复向量空间中，量子位的两种不同状态定义为和，量子位的状态也是两种状态的叠加，作为最小的信息单位，量子位的状态表示为，其中，和为复数，表示相关概率振幅，且满足，在qga算法中，染色体使用量子比特和量子叠加态编码，每个量子染色体的编码表示为，其中，为种群代数，则第代的量子种群表示为，为量子数，为种群大小，量子比特利用量子门进行矩阵变换，完成状态迁移，实现种群进化，量子比特的运算使用量子旋转门，即，种群进化过程表示为，其中，为旋转角，的角度和方向根据调整规则确定，量子交叉基于量子的相干性质的全干涉进行交叉操作，种群中的每个量子染色体都需要进行交叉操作，在量子突变过程中，使用量子突变算子来实现更新和优化，即，，其中，为旋转方向，为旋转大小，为调整因子；lvq神经网络的结构分为三层，即输入层、竞争层和输出层，lvq神经网络的计算步骤如下：首先设置初始化输入层和竞争层之间的权重
和学习率，然后将输入向量输入到输出层，其中，为输入元素的数量，并计算竞争层神经元与输入向量之间的距离，即，其中，，为竞争神经元的数量，然后选择距离输入向量最短的竞争层神经元，当达到最小时，则连接的输入层神经元的类别标签标记为，然后对应于输入向量的类别标签被设置为，当，则权重更新为，当时，则权重更新为，最后循环进行lvq神经网络的训练，直至误差精度达到要求；
27.将qga算法与lvq神经网络结合为qga-lvq神经网络，其主要思想是首先通过qga算法为lvq神经网络选择初始值，然后使总体逐渐收敛到最优解，以进一步提高分类精度，分类的准确性是医疗预测的前提，qga-lvq神经网络的预测具体如下：首先将遗传代数设置为0，并初始化种群，观察初始种群的每个个体一次以获得状态，然后根据距离确定qga-lvq神经网络的适应度函数，使用群体中的随机个体与输入层中的样本点之间的平均距离来计算适应度函数，即，其中，为属于类的元素集合，为类元素的数量，为lvq神经网络的训练样本的输入向量，随机个体的适应度通过下式计算，即，然后迭代计算的终止条件为，其中，为样本的输入向量的数量，然后观察群体中的每个个体一次，计算每个状态的适应度，再通过量子旋转门更新种群，以记录随机个体及其健康状况，直至误差精度达到要求终止迭代，通过qga-lvq神经网络的训练过程对基因治疗药物进行准确的毒性风险预测。
28.优选的，风险评估关联规则模块通过基因治疗药物毒性长期风险评估的相关规则进行药物毒性的风险评估，基因治疗药物毒性长期风险评估相关规则包括：适用性的相关规则、禁忌的相关规则、需要注意的相关规则、相互作用的相关规则、过敏的相关规则、时间的相关规则、使用方法的相关规则、用量的相关规则、不良反应的相关规则、保护措施的相关规则及适宜性的相关规则。
29.优选的，风险评估结果显示模块根据药物毒性长期风险预测结果和风险评估结果显示基因治疗药物的毒性风险评估结果，更好地对基因治疗药物的毒性进行正确有效的评估及应用。
30.本发明创造的有益效果：本发明结合数据特征提取技术、数据预处理技术、神经网络预测算法及风险评估关联规则，有效提升了基因治疗药物毒性长期风险评估方法及应用的效果，为基因治疗药物毒性长期风险评估方法及应用提供了更优的方案，通过各级医院及诊所进行患者疾病及医疗信息的采集，结合信息技术，采用qga-lvq神经网络对基因治疗药物毒性进行准确的风险预测以进行药物毒性评估，创新之处在于通过qga算法为lvq神经网络选择初始值，然后使总体逐渐收敛到最优解，以进一步提高分类精度，通过观察群体中的每个个体一次，计算每个状态的适应度，再通过量子旋转门更新种群，以记录随机个体及
其健康状况，直至误差精度达到要求终止迭代，同时结合基因治疗药物毒性长期风险评估的相关规则进行药物毒性的风险评估，有效提高基因治疗药物毒性长期风险评估方法及应用的工作效果，为基因治疗药物毒性长期风险评估方法及应用提供更为全面、准确地技术支撑，为安全、科学、高效地医药毒性风险评估方法提供更好的决策支持，保障了基因治疗药物毒性长期风险评估的准确性，同时，本发明结合神经网络预测算法，为人们提供高效且准确的基因治疗药物毒性长期风险评估方法，也能为其他应用领域的发展巩固基础，在数据处理与医药风险评估鼎盛发展的时代，数据处理、神经网络与医药风险评估的融合为多领域融合的发展打下了坚实的基础，且能应用于市场中的多个行业及领域，为数据处理技术、神经网络技术及医药风险评估技术融合提供了新的发展方向，为医药风险评估领域贡献了重要价值。
31.最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改，而不脱离本发明技术方案的实质和范围。

技术特征：
1.基因治疗药物毒性长期风险评估平台，其特征在于，包括数据库端、药物信息提取端、药物信息提取端、药物信息处理端、药物毒性长期风险评估端、可视化端，数据库端包括药物毒性数据采集模块，药物毒性数据采集模块用于对患者信息、疾病信息和医疗信息进行采集，药物信息提取端包括毒性特征信息提取模块，毒性特征信息提取模块药物信息处理端包括药物信息智能存储模块和药物信息预处理模块，药物信息智能存储模块采用云存储方式对药物信息进行智能存储，药物信息预处理模块采用iliou算法结合正则化对药物毒性特征信息进行预处理，药物毒性长期风险评估端包括药物毒性长期风险预测模块和风险评估关联规则模块，药物毒性长期风险预测模块采用qga-lvq神经网络对药物进行毒性风险预测，风险评估关联规则模块通过基因治疗药物毒性长期风险评估的相关规则进行药物毒性的风险评估，可视化端包括风险评估结果显示模块，风险评估结果显示模块用于显示基因治疗药物的毒性风险评估结果。2.根据权利要求1所述的基因治疗药物毒性长期风险评估平台，其特征在于，药物毒性数据采集模块用于采集患者信息、疾病信息和医疗信息，通过各级医院及诊所进行患者疾病及医疗信息的采集。3.根据权利要求1所述的基因治疗药物毒性长期风险评估平台，其特征在于，药物毒性特征提取模块将采集的患者疾病及医疗信息数据从高维特征空间映射到低维特征空间，使数据具有良好的可分性。4.根据权利要求1所述的基因治疗药物毒性长期风险评估平台，其特征在于，药物信息智能存储模块采用云存储方式对患者疾病及医疗信息进行存储，云存储方式通过集群应用及分布式文件系统功能将网络中大量各种不同类型的存储设备通过各种应用软件集合起来协同工作，共同对外提供数据存储和管理的云计算系统，将采集的患者疾病及医疗信息放到云端上进行存储。5.根据权利要求1所述的基因治疗药物毒性长期风险评估平台，其特征在于，药物信息预处理模块采用iliou算法结合正则化对药物毒性特征信息进行预处理，消除患者疾病及医疗数据错误、异常、缺失的问题，达到对患者疾病及医疗数据清洗、集成、归约、删除的目的，使患者疾病及医疗数据生成标准化模式。6.根据权利要求1所述的基因治疗药物毒性长期风险评估平台，其特征在于，药物毒性长期风险预测模块采用qga-lvq神经网络对基因治疗药物进行毒性风险预测，对基因治疗药物毒性进行准确的风险预测以进行药物毒性评估。7.根据权利要求6所述的基因治疗药物毒性长期风险评估平台，其特征在于，qga-lvq神经网络具体如下：在二维复向量空间中，量子位的两种不同状态定义为和，量子位的状态也是两种状态的叠加，作为最小的信息单位，量子位的状态表示为，其中，和为复数，表示相关概率振幅，且满足，在qga算法中，染色体使用量子比特和量子叠加态编码，每个量子染色体的编码表示为，其中，为种群代数，则第代的量子种群表示为，为量子数，为种群大小，量子比特利用量子门进行矩阵变换，完成状态迁移，实现种群
进化，量子比特的运算使用量子旋转门，即，种群进化过程表示为，其中，为旋转角，的角度和方向根据调整规则确定，量子交叉基于量子的相干性质的全干涉进行交叉操作，种群中的每个量子染色体都需要进行交叉操作，在量子突变过程中，使用量子突变算子来实现更新和优化，即，，其中，为旋转方向，为旋转大小，为调整因子；lvq神经网络的结构分为三层，即输入层、竞争层和输出层，lvq神经网络的计算步骤如下：首先设置初始化输入层和竞争层之间的权重和学习率，然后将输入向量输入到输出层，其中，为输入元素的数量，并计算竞争层神经元与输入向量之间的距离，即，其中，，为竞争神经元的数量，然后选择距离输入向量最短的竞争层神经元，当达到最小时，则连接的输入层神经元的类别标签标记为，然后对应于输入向量的类别标签被设置为，当，则权重更新为，当时，则权重更新为，最后循环进行lvq神经网络的训练，直至误差精度达到要求；将qga算法与lvq神经网络结合为qga-lvq神经网络，其主要思想是首先通过qga算法为lvq神经网络选择初始值，然后使总体逐渐收敛到最优解，以进一步提高分类精度，qga-lvq神经网络的预测具体如下：首先将遗传代数设置为0，并初始化种群，观察初始种群的每个个体一次以获得状态，然后根据距离确定qga-lvq神经网络的适应度函数，使用群体中的随机个体与输入层中的样本点之间的平均距离来计算适应度函数，即，其中，为属于类的元素集合，为类元素的数量，为lvq神经网络的训练样本的输入向量，随机个体的适应度通过下式计算，即，然后迭代计算的终止条件为，其中，为样本的输入向量的数量，然后观察群体中的每个个体一次，计算每个状态的适应度，再通过量子旋转门更新种群，以记录随机个体及其健康状况，直至误差精度达到要求终止迭代，通过qga-lvq神经网络的训练过程对基因治疗药物进行准确的毒性风险预测。8.根据权利要求1所述的基因治疗药物毒性长期风险评估平台，其特征在于，风险评估关联规则模块通过基因治疗药物毒性长期风险评估的相关规则进行药物毒性的风险评估，基因治疗药物毒性长期风险评估相关规则包括：适用性的相关规则、禁忌的相关规则、需要
注意的相关规则、相互作用的相关规则、过敏的相关规则、时间的相关规则、使用方法的相关规则、用量的相关规则、不良反应的相关规则、保护措施的相关规则及适宜性的相关规则。9.根据权利要求1所述的基因治疗药物毒性长期风险评估平台，其特征在于，风险评估结果显示模块根据药物毒性长期风险预测结果和风险评估结果显示基因治疗药物的毒性风险评估结果，更好地对基因治疗药物的毒性进行正确有效的评估及应用。10.权利要求1-9任一项所述的基因治疗药物毒性长期风险评估平台用于基因治疗药物毒性长期风险评估的应用。

技术总结
基因治疗药物毒性长期风险评估方法及应用，包括数据库端、药物信息提取端、药物信息提取端、药物信息处理端、药物毒性长期风险评估端、可视化端，数据库端用于采集患者的疾病与医疗信息，药物信息提取端用于对药物毒性特征信息进行提取，药物信息处理端用于对毒性特征信息进行智能存储和预处理，药物毒性长期风险评估端用于对药物进行毒性风险预测和风险评估，可视化端用于显示药物毒性的风险评估结果。本发明采用QGA-LVQ神经网络对药物进行毒性风险预测，实现准确的基因治疗药物毒性长期风险评估，为基因治疗药物提供新的毒性风险评估方法。估方法。估方法。


技术研发人员：韩刚 王全军 董延生 戴学栋 黄莹 梁宗星 刘杨
受保护的技术使用者：驰赋河北医药技术有限公司
技术研发日：2023.04.27
技术公布日：2023/7/12