用于药物发现的医疗实体之间语义关系的自动验证和丰富的制作方法

用于药物发现的医疗实体之间语义关系的自动验证和丰富


背景技术：

1.本发明涉及在药物发现中提供待测试的新化合物的鉴定和在药物再利用中提供现有药物的鉴定和现有关系验证的鉴定。
2.通常，药物开发效率低，花费高但生产率低。药物发现(鉴定用于治疗疾病的新药物的过程)是昂贵且耗时的。必须鉴定候选化合物，并且必须进行冗长且昂贵的测试阶段。
3.药物重定位、发现可用现有药物治疗的其他适应症(例如疾病等)的过程为鉴定更好和更安全的治疗提供了有前景的途径，而无需新创药物开发所需的全部成本或时间。用于重定位的候选者通常是市场药物或在临床试验中由于非安全问题的原因已经中断的药物。因为这些药物的安全性特征是已知的，所以替代适应症的临床试验比新创药物开发更便宜、潜在地更快并且携带更少的风险。
4.在药物发现和药物重定位两者中，希望找到具有改善的有效可能性的化合物或现有药物。语义图是可用于此的一种技术。现有的语义制图方案没有考虑语义医学实体图中的医学实体之间的一些可能的直接关系，例如药物、疾病、症状、副作用、基因等。例如，药物实体通常与疾病(它们被指示)、副作用或基因有关，但是现有方法没有考虑药物和症状之间的直接关系。


技术实现要素：

5.根据优选实施例，提供了利用关系来丰富语义制图的技术，所述关系能够实现语义关系的更高分辨率并且能够对图中的新关系进行更准确的预测。
6.本系统和方法的实施例可以提供用关系来丰富语义制图的技术，所述关系能够实现语义关系的更高分辨率并且能够对图中的新关系进行更准确的预测。这可以提供用于在药物发现中更快且更便宜地识别待测试的新化合物以及在药物再利用和验证现有关系的现有药物的能力。本系统和方法的实施例可以利用新颖类型的直接关系，其具有语义关系的更高分辨率，并且使得能够更准确地预测语义图中的附加关系。实施例可以使用和丰富包括药物
‑
治疗
‑
症状关系知识库的新知识库，并且还可以使用更复杂的预测方法
‑‑
修正的去噪自动编码器(dae)法。
7.例如，在一实施例中，用于药物发现和药物重定位的方法可在包括处理器的计算机系统中实现，可由所述处理器存取的存储器，以及存储在所述存储器中且可由所述处理器执行的计算机程序指令，该方法包括：生成数据库或将该数据库添加到包括与通过药物治疗的症状有关的信息的数据库中，基于与药物和药物化合物的多个方面有关的数据获得的信息；在计算机系统处，基于数据库中与药物治疗的症状相关的信息，生成或添加语义关系，所生成的语义关系以语义图的形式表示；在所述计算机系统处使用去噪自动编码器来处理所述语义图来推断所述语义图中的所述语义关系之间的新关系；以及在所述计算机系统处基于包括新发现的关系的所述语义关系来生成针对药物发现和药物重定位的预测。
8.在实施方式中，可以通过以下步骤生成或添加数据库：在计算机系统处收集与药物和药物化合物的多个方面相关的数据；在所述计算机系统处从所收集的数据中提取相关
术语；以及在所述计算机系统处将所提取的相关术语映射到结构化医学术语。语义关系可以通过以下方式生成或添加：在计算机系统处基于映射的结构化医学术语生成以语义图的形式表示的语义关系。生成的语义图可以包括节点和节点之间的边，节点表示包括药物或药物化合物、疾病或病症和症状中的至少一些的实体，并且边表示包括治疗关系和引发副作用关系、具有关系和指示关系中的至少一些的节点之间的关系。节点之间的关系还可以包括关系的概率或关系的分数。与药物和药物化合物的多个方面相关的数据可以包括来自文本和非文本源的结构化和非结构化数据中的至少一些，所述文本和非文本源包括音频源、视频源、药物标签、医疗和药物相关数据库、医疗文章和书籍、医疗健康记录、社交媒体、互联网论坛和教程(文本、音频和视频)。
9.在实施方式中，系统可以包括处理器、可由处理器访问的存储器、以及存储在存储器中并且可由处理器执行以执行以下操作的计算机程序指令：生成数据库或将数据库添加到包括与由药物治疗的症状有关的信息的数据库，基于与药物和药物化合物的多个方面有关的数据获得的信息；在计算机系统处，基于数据库中与药物治疗的症状相关的信息，生成或添加语义关系，所生成的语义关系以语义图的形式表示；使用去噪自动编码器来处理语义图来推断语义图中的语义关系之间的新关系，并且基于包括新发现的关系的语义关系来生成药物发现和药物重定位的预测，并且验证现有关系。
10.在一个实施例中，一种用于测试软件系统的计算机程序产品，所述计算机程序产品包括非暂时性计算机可读存储装置，所述非暂时性计算机可读存储装置具有随其体现的程序指令，所述程序指令可由计算机执行以使所述计算机执行一种方法，所述方法包括：生成数据库或将所述数据库添加到所述数据库中，所述数据库包括与由药物治疗的症状相关的信息，基于与药物和药物化合物的多个方面有关的数据获得的信息；在计算机系统处基于数据库中与药物治疗的症状有关的信息来生成或添加语义关系，所生成的语义关系以语义图的形式表示；在所述计算机系统处使用去噪自动编码器来处理所述语义图来推断所述语义图中的所述语义关系之间的新关系，并且在所述计算机系统处基于包括新发现的关系在内的所述语义关系来生成针对药物发现和药物重定位的预测。
11.根据一个方面，提供了一种用于药物发现和药物重定位的方法，在计算机系统中实现，所述计算机系统包括处理器、可由所述处理器访问的存储器以及存储在所述存储器中并且可由所述处理器执行的计算机程序指令，该方法包括：生成数据库或将包括与由药物治疗的症状有关的信息添加到数据库中，该数据库包括与通过药物治疗的症状相关的信息，基于与药物和药物化合物的多个方面有关的数据获得的信息；在计算机系统处，基于数据库中与药物治疗的症状相关的信息，生成或添加语义关系，所生成的语义关系以语义图的形式表示；在所述计算机系统处，使用去噪自动编码器来处理所述语义图，学习所述语义图中的所述语义关系之间的新关系；以及在所述计算机系统处基于包括新发现的关系的所述语义关系来生成针对药物发现和药物重定位的预测。
12.根据另一方面，提供了一种用于测试软件系统的系统，该系统包括：处理器，存储器，所述存储器可由所述处理器访问，以及计算机程序指令，所述计算机程序指令存储在所述存储器中并且可由所述处理器执行以执行：生成数据库或将包括与由药物治疗的症状有关的信息添加到数据库中，基于与药物和药物化合物的多个方面有关的数据获得的信息；在计算机系统处，基于数据库中与药物治疗的症状相关的信息，生成或添加语义关系，所生
成的语义关系以语义图的形式表示；在所述计算机系统处，使用去噪自动编码器来处理所述语义图，学习所述语义图中的所述语义关系之间的新关系；以及在所述计算机系统处基于所述语义关系(包括新发现的关系)来生成针对药物发现和药物重定位的预测。
13.根据另一方面，提供了一种用于测试软件系统的计算机程序产品，所述计算机程序产品包括非暂时性计算机可读存储装置，所述非暂时性计算机可读存储装置具有随其体现的程序指令，这些程序指令可由计算机执行以便致使该计算机执行一种方法，该方法包括：生成数据库或将包括与由药物治疗的症状有关的信息添加到数据库中，基于与药物和药物化合物的多个方面有关的数据获得的信息；在计算机系统处，基于数据库中与药物治疗的症状相关的信息，生成或添加语义关系，所生成的语义关系以语义图的形式表示；在所述计算机系统处，使用去噪自动编码器来处理所述语义图，学习所述语义图中的所述语义关系之间的新关系；以及在所述计算机系统处基于包括新发现的关系的所述语义关系来生成针对药物发现和药物重定位的预测。
附图说明
14.现在将仅以举例方式并且参考以下附图来描述本发明的优选实施例，在附图中，相同的参考数字和标记指代相同的元件：
15.图1示出根据本系统和方法的实施例的具有多个医疗实体的示例性语义图。
16.图2是根据本系统和方法的实施例的关系的示例性示图。
17.图3是根据本系统和方法的实施例的生成药物
‑
治疗
‑
症状关系的数据库的过程的示例性流程图。
18.图4是根据本系统和方法的实施例的去噪自动编码器的处理的示例性流程图。
19.图5是根据本系统和方法的实施例的学习模式和关系的示例图。
20.图6是根据本系统和方法的实施例的边缘值的示例图。
21.图7是根据本系统和方法的实施例的网络的输出的示例图。
22.图8是其中可以实现本文所述实施例中涉及的过程的计算机系统的示范性框图。
具体实施方式
23.本系统和方法的实施例可以提供用关系来丰富语义制图的技术，所述关系能够实现语义关系的更高分辨率并且能够对图中的新关系进行更准确的预测。这可以提供用于在药物发现中更快且更便宜地识别待测试的新化合物以及在药物再利用和验证现有关系的现有药物的能力。本系统和方法的实施例可以利用新颖类型的直接关系，其具有语义关系的更高分辨率，并且使得能够更准确地预测语义图中的附加关系。实施方式可生成包括药物
‑
治疗
‑
症状关系的新知识库，并且还可使用更复杂的预测方法
‑‑
修正的去噪自动编码器(dae)法。
24.具有多个医疗实体的语义图100的示例在图1中示出。医疗实体可以包括药物102a
‑
c、疾病104a
‑
c、症状106a
‑
c、副作用(未显示)、基因(未显示)等。语义关系可以包括“治疗”(未示出)(例如，治疗疾病或症状的药物)，“病因”108a
‑
b(例如，药物引起副作用)，“具有”110a
‑
d(例如，疾病具有症状)，“指示”112a
‑
b(例如，药物被批准用于治疗疾病)、“靶标”(未示出)(例如，药物靶向蛋白质)，等等。本系统和方法的实施例可发现新的语义关系，
其可支持药物发现或药物再利用，例如在实体药物和疾病之间，例如药物d被指示给疾病dx；或在药物与蛋白质之间。
25.本系统和方法的实施例可以在计算上建议药物(或其他医学治疗/程序)的候选物重新目的化或建议新化合物的治疗机能。
26.本系统和方法的实施例可以预测医疗实体的语义图中的新关系。这样的关系可被转换成有意义的洞察。例如，新的关系药物
‑
治疗
‑
疾病意指现有药物可以被指示为新疾病(药物再利用)或化合物
‑
阻遏物
‑
蛋白质可以帮助新药物发现的过程。为了实现该任务，实施例可以使用新类型的知识库，该知识库转换成之前尚未使用的语义关系：药物治疗
‑
症状关系。这些新关系可以丰富嵌入语义图中的知识，并且因此可以帮助增加医疗实体的语义图中新关系的新预测的准确性。
27.新的药物
‑
治疗
‑
症状关系。尽管药物被指示用于疾病，但许多时候疾病以若干症状为特征。所示药物可以不治疗疾病的根本原因，而是治疗或减轻特定症状(疾病改善药物对症状药物)。本系统和方法的实施例可以通过产生和使用药物与症状之间的直接关系来使得能够找到现有药物的新适应症。如果已知每种药物对每种症状的直接作用，则可以利用另外的数据，例如药物
‑
疾病和疾病
‑
症状关系，以便为现有药物产生新的疾病候选物或发现新的化合物机能。同样，实施例可提供现有关系(诸如指示、因果关系、症状等)的验证。在实施例中，药物
‑
治疗
‑
症状关系的数据库可以被生成并且被用于丰富语义图。可以例如通过去噪自动编码器(dae)的新颖修正来完成图的丰富。dae的输入可包括语义图编码的所有可用知识，并且输出连同置信度分数一起被转换成图中的新关系。
28.本系统和方法的实施例可利用并实现药物202和症状204之间的关系200，如图2所示。实施例还可以包括伴随每个关系的概率或分数206。实施例可产生此关系类型的基线且使用所述基线以预测图中的新关系(即，边)。
29.不同于将疾病观察为高水平同质病症，可以将疾病视为一组症状，其中每种药物可以实际上治疗这些症状的子集。这种方法使得能够调查药物的实际效果并且能够基于相关症状表现更准确地预测新关系，所述相关症状表现即使对于患有相同疾病的患者也可以是不同的。除了引起副作用或恶化现有病症之外，药物与症状之间的关系可以是“治疗”或“减少”(具有或不具有靶向的病因)。药物与症状之间的关系可提供用于理解重要的药物机制的附加解决层，并因此可在寻找新语义关系的任务中起着一种重要作用。
30.产生药物
‑
治疗
‑
症状关系的知识库。目前，存在定义医疗实体之间的各种相关关系类型的若干数据库。例如，药物与疾病之间的关系是由fda通过基于临床试验提供药物适应症公布的。疾病与症状之间的关系有时用于从现有症状(例如，https://symptoms.webmd.com/)中鉴定疾病，并且还有若干出版物已经研究了这种关系类型(例如，https://www.nature.com/articles/ncomms5212和https://ieeexplore.ieee.org/stamp/stamp.jsp？tp＝&arnumber＝8122734)。还存在其他数据库，例如人类表型本体(https://hpo.jax.org/)，这些数据库映射疾病与表型之间的关系；或kegg通路数据库，该数据库映射代谢、遗传学、疾病与药物之间的关系((https://www.genome.jp/kegg/)。然而，药物与症状之间的直接关系具有有限的公共可用资源，除了描述药物的副作用(例如，http://sideeffects.embl.de/)的数据库，但不是哪些症状受每种药物影响。
31.实施例可以生成药物
‑
治疗
‑
症状关系的数据库，该数据库可以用于丰富医疗实体
的语义图。图3中示出了生成药物
‑
治疗
‑
症状关系的数据库的过程300的示例性流程图。过程300可以开始于302，其中可以收集数据。例如，所收集的数据可以包括来自不同文本和非文本源(如音频和视频)、源(如药品标签、医疗和药品相关数据库、医疗文章和书籍、医疗健康记录、社交媒体、互联网论坛、教程(文本、音频和视频))等的不同结构化和非结构化数据。这些资源(和其他资源)可以用于丰富潜在数据池，该潜在数据池可以用于提取、分析和生成药物
‑
治疗
‑
症状关系。在304处，已知过程可用于文本、音频和图像分析，以便提取相关术语，诸如药品名称、症状、疾病以及它们之间的关系。在306处，所提取的术语可被映射到结构化医学术语和本体，诸如mesh术语、icd或rxnorm等。
32.在308处，可以分析词语(在上述数据源的上下文中)以便生成它们之间的语义关系。
33.示例可以包括：
34.可以用于理解药物“引起”还是“治疗”特定症状的情感文本分析。
35.术语同现可以用于生成加权图，其中，节点是词语并且边权重是两个节点的同现。可以分析图形特征和结构以便找到节点之间的语义关系。
36.字嵌入例如使用word2vec(用于产生字嵌入的一组相关模型，如美国专利号9，037，464所述)或glove(global vectors，一种用于分布式词表示的模型，来自斯坦福大学(stanford university))可以用于推断两个术语的相关性，例如“药物a与症状x相关，因为药物b与症状y相关”等。
37.在310，可以存储所生成的数据库。所生成的数据库可以包括药物与症状之间的一组关系，其中每个关系包括效果的方向(例如，“病因”或“治疗”)和置信水平。所生成的数据库可以包括新的知识库，所述新的知识库包括按照结构化方式的药物
‑
治疗
‑
症状关系，并且按如上所述生成。在生成该知识库之后，可以在语义图中对这些关系进行编码。进一步地，去噪自动编码器(dae)可以用于预测任务，如药物发现，其中dae还可以使用如之前生成的编码的药物
‑
治疗
‑
症状关系。还可以使用dae来丰富这些关系。
38.如上所述，dae可用于预测新的关系。dae的经典使用是通过输入的无监督重构来生成单个域的潜在压缩表示。通过随机删除输入的一部分并尝试重建全部输入，网络学习输入节点之间的复杂关系以便从其部分信息重建全部输入。
39.在本系统和方法的实施例中，可以使用dae的修正版本。去噪自动编码器(dae)是自动编码器的特定类型，并且可以被认为是深度神经网络的类型。dae可经训练以使用隐藏层来基于其输入产生特定模型。一般来说，自动编码器可使用例如无监督机器学习来重构其输入，且可从非结构化数据获得结果。为了将目标输出匹配到输入且达到平衡，dae可接受输入的损坏版，且可尝试通过使用去噪声技术来重构干净输入。噪声可以作为输入大小的百分比以特定量引入，这可以迫使隐藏层从损坏的版本产生干净的版本。dae还可彼此堆叠以提供迭代学习以实现其目标。
40.图4中示出了dae400的示例性过程。在402处，可以获得来自若干领域的输入，例如药物副作用、药物指示、指纹等，而不是来自仅一个领域的输入。在404处，可以执行仅对期望发现新关系的实体的重构。例如，如上所述，语义图丰富的可能实施例是药物再利用。
41.在406处，可学习模式和关系。例如，如图5所示，每种药物102a
‑
c可以由一个或多个数值向量表示，其中每个条目的值表示在语义图中编码的药物和一些其他医疗实体之间
的语义关系。例如，在图5中，对应于其与疾病dx1 112a的“指示”关系的药物d1向量条目可以被设置为真，与具有症状s2 108a的“病因(副作用)”相对应的药物d2向量条目可以被设置为真，并且对应于具有症状s2 108b的“病因(副作用)”和具有疾病dx3 112b的“指示”的药物d3向量条目可以被设置为真；而对应于不存在的边的向量条目可以被设置为假。
42.如图6的实例中所示，向量值可以是二进制的(例如，对于“指示”关系(如“指示”关系112a
‑
b为真或假)或概率(例如，“病因副作用”关系，如“病因副作用”关系108a
‑
b)，但是也可以是任何适当的得分。此外，“治疗”关系(例如，“治疗”关系114a
‑
b)可以包括在图100中。网络的输出可以是关系的子集或不同的集合，例如，输入节点“指示疾病dx”关系702a
‑
n可以映射到输出节点704a
‑
n，如图7所示。通过采用无监督训练方案，dae通过从输入节点随机删除值来学习现有关系的复杂模式以便恢复输出。不同于传统dae，输出节点可能不与输入节点相同。
43.在408，通过学习输入向量的节点之间的复杂模式和关系，dae可以预测图中的新关系，例如，“药物d被指示为疾病dx”的形式。在训练网络之后，经训练的网络可被用于使用全输入信息来生成实际的最终预测。新预测可根据其置信度水平通过使用例如最后层中的softmax函数来检查。softmax将单类逻辑回归的想法扩展到多类世界中。即，softmax向多类问题中的每个类分配十进制概率。那些十进制概率必须加起来达到1.0。该附加约束帮助训练比其他情况更快地收敛。softmax在输出层之前通过神经网络层实现。softmax层必须具有与输出层相同数量的节点。
44.图8中示出了计算机系统800的示例性框图，其中可以实现本文所述实施例中涉及的过程。计算机系统800可使用一个或多个编程的通用计算机系统(诸如嵌入式处理器、片上系统、个人计算机、工作站、服务器系统、以及小型计算机或大型计算机)或在分布式联网计算环境中实现。计算机系统800可以包括一个或多个处理器(cpu)802a
‑
802n、输入/输出电路804、网络适配器806和存储器808。cpu802a
‑
802n执行程序指令以便执行本通信系统和方法的功能。通常，cpu802a
‑
802n是一个或多个微处理器，诸如处理器。图8展示了一个实施例，其中计算机系统800被实施为一个单一的多处理器计算机系统，其中多个处理器802a
‑
802n共享系统资源，如存储器808、输入/输出电路804、以及网络适配器806。然而，本通信系统和方法还包括其中计算机系统800被实现为多个联网的计算机系统的实施例，所述多个联网的计算机系统可以是单处理器计算机系统、多处理器计算机系统或者它们的混合。
45.输入/输出电路804提供向计算机系统800输入数据或从计算机系统800输出数据的能力。例如，输入/输出电路可包括输入设备(诸如键盘、鼠标、触摸板、跟踪球、扫描仪、模数转换器等)、输出设备(诸如视频适配器、监视器、打印机等)和输入/输出设备(诸如调制解调器等)。网络适配器806将装置800与网络810介接。网络810可以是任何公共或专有lan或wan，包括但不限于互联网。
46.存储器808存储由cpu802执行的程序指令和由cpu802使用和处理以执行计算机系统800的功能的数据。存储器808可包含(例如)电子存储器装置，例如随机存取存储器(ram)，只读存储器(rom)、可编程只读存储器(prom)、电可擦除可编程只读存储器(eeprom)，闪存等，以及诸如磁盘驱动器、磁带驱动器、光盘驱动器的机电存储器，可使用集成驱动电子装置(ide)接口或其变型或增强接口的ide接口等，诸如增强型ide(eide)或超
直接存储器访问(udma)或基于小型计算机系统接口(scsi)的接口，或其变形或增强，诸如快速scsi、宽scsi、快速和宽scsi，串行高级技术附件(sata)或其变形或增强，或光纤通道仲裁环路(fc
‑
al)接口。
47.存储器808的内容可以根据计算机系统800被编程为执行的功能而变化。在图8所示的示例中，示出了表示用于上述过程的实施例的例程和数据的示范性存储器内容。然而，本领域技术人员将认识到，基于公知的工程考虑，这些例程以及与这些例程相关的存储器内容可以不包括在一个系统或设备上，而是可以分布在多个系统或设备中。本系统和方法可以包括任何和所有此类安排。
48.在图8所示的示例中，存储器808可包括知识库812、语义图数据814、知识库生成例程816、语义图例程818、dae例程820和操作系统822。知识库812如上所述可包括与药物、药物化合物、症状、副作用等之间的关系有关的数据。语义图数据814如上所述可包括表示药物、化合物、症状、副作用等之间的关系的语义图的数据。知识库生成例程816如上所述可以包括从与药物和药物化合物的多个方面有关的数据生成知识库812的软件例程。语义图例程818如上所述可包括生成和/或丰富医疗实体的语义图的软件例程。dae例程820如上所述可包括软件例程以使用dae预测新关系和/或丰富关系。操作系统822可提供总体系统功能性。
49.如图8所示，本通信系统和方法可包括在提供多处理器、多任务、多进程和/或多线程计算的一个或多个系统上的实现方式，以及在仅提供单处理器、单线程计算的系统上的实现方式。多处理器计算涉及使用多于一个处理器来执行计算。多任务计算涉及使用多于一个操作系统任务来执行计算。任务是指正在执行的程序和操作系统使用的簿记信息的组合的操作系统概念。每当执行程序时，操作系统为其创建新任务。任务类似于程序的信封，因为其用任务号识别程序且将其他簿记信息附加到程序。许多操作系统(包括linux、因为其用任务号识别程序且将其他簿记信息附加到程序。许多操作系统(包括linux、和)能够同时运行许多任务并且被称为多任务操作系统。多任务是操作系统同时执行多于一个可执行文件的能力。每个可执行文件在其自己的地址空间中运行，这意味着可执行文件无法共享它们的存储器中的任何存储器。这具有优势，因为任何程序都不可能损坏在系统上运行的任何其他程序的执行。然而，程序除了通过操作系统(或通过读取存储在文件系统上的文件)以外没有办法交换任何信息。多进程计算类似于多任务计算，因为术语任务和进程常常可互换地使用，尽管一些操作系统在这两者之间进行区分。
50.本发明可以是任何可能的集成技术细节水平的系统、方法和/或计算机程序产品。所述计算机程序产品可包含上面具有计算机可读程序指令的计算机可读存储介质(或媒介)，所述计算机可读程序指令用于致使处理器执行本发明的方面。计算机可读存储介质可以是可以保留和存储指令以供指令执行设备使用的有形设备。
51.计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述各项的任何合适的组合。计算机可读存储介质的更具体例子的非穷举列表包括以下：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或闪存)，静态随机存取存储器(sram)、便携式致密盘只读存储器(cd
‑
rom)，数字通用盘(dvd)、记忆棒、软盘、机械编码设备(诸如穿孔卡片)或具有记录在其上的指令的凹槽中的凸起结构)，以及上述的任意合适的组合。如本文中所使用的计算机可读存储介质不应被解释为瞬态信号本身，诸如无线电波或其他自由传
播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤电缆的光脉冲)、或通过导线传输的电信号。
52.本文所述的计算机可读程序指令可从计算机可读存储介质下载到相应的计算/处理设备，或经由网络(例如，互联网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机、和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
53.用于执行本发明的操作的计算机可读程序指令可以是汇编指令，指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据，集成电路的配置数据，或以一种或多种编程语言的任何组合编写的源代码或目标代码，包括面向对象的smalltalk、c 等编程语言，以及过程式编程语言，如“c”编程语言或类似的编程语言。计算机可读程序指令可完全在用户”的计算机上执行、部分在用户”的计算机上执行、作为独立软件包执行、部分在用户”的计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在后一种情形中，远程计算机可以通过任何类型的网络(包括局域网(lan)或广域网(wan))连接到用户的计算机，或者可以连接到外部计算机(例如，通过使用互联网服务提供商的互联网)。在一些实施例中，电子电路(包括例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla))可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以使电子电路个性化，以便执行本发明的方面。
54.本文中参考根据本发明的实施例的方法、设备(系统)和计算机程序产品的流程图说明和/或框图描述本发明的方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令来实现。
55.这些计算机可读程序指令可以被提供给通用计算机的处理器，专用计算机或其他可编程数据处理装置，以产生机器，其通过计算机或其他可编程数据处理装置的处理器执行，创建用于实现在流程图和/或方框图的一个或多个方框中指定的功能/动作的装置。这些计算机可读程序指令还可存储在可指导计算机的计算机可读存储介质中，可编程数据处理装置，和/或以特定方式起作用的其他设备，使得具有存储在其中的指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各方面的指令。
56.计算机可读程序指令还可以加载到计算机、其他可编程数据处理装置上，或使得在计算机上执行一系列操作步骤的其他装置，其他可编程装置或其他设备，以产生计算机实现的过程，使得在计算机上执行的指令，其他可编程装置或其他设备实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
57.附图中的流程图和框图图示了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。对此，流程图或框图中的每个方框可以代表模块、段或指令的一部分，其包括用于实现规定的逻辑功能的一个或多个可执行指令。在一些替代实施例中，框中所标注的功能可以不以图中所标注的次序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行。还将注意的是，框图和/或流程图中的每个框、以及框图和/或流程图中的框的组合可以
由基于专用硬件的系统来实现，所述基于专用硬件的系统执行指定的功能或动作或执行专用硬件与计算机指令的组合。
58.尽管已经描述了本发明的特定实施例，但是本领域的技术人员将理解，存在与所描述的实施例等同的其他实施例。因此，应当理解，本发明不受具体说明的实施例的限制，而仅受所附权利要求书的范围的限制。