用于预测测试物质在人类中的适应症的人工智能模型的制作方法

技术特征：
1.一种用于人工智能模型的训练方法，包括：将第一训练数据集、第二训练数据集和第三训练数据集彼此相关联地输入到人工智能模型中，以训练所述人工智能模型；所述第一训练数据集是如下的数据集：指示从已经分别给予在人类中具有已知适应症的多个预定现有物质的相应非人类动物收集到的一个器官或多个不同器官中的各器官中的生物标志物的动态的数据集与指示所给予的预定现有物质的相应名称的标签相关联；所述第二训练数据集是如下的数据集：指示所述多个预定现有物质的相应名称的标签与指示针对所述多个预定现有物质中的各预定现有物质所报告的适应症的标签相关联；所述第三训练数据集是如下的数据集：指示针对所述多个预定现有物质中的各预定现有物质所报告的适应症的标签与关于对应于这些适应症中的各适应症而报告的不良事件的信息相关联；其中，所述人工智能模型用于预测测试物质在人类中的适应症。2.根据权利要求1所述的训练方法，其中，在所述训练中，通过所述第二训练数据集使所述第一训练数据集和所述第三训练数据集相关联以生成第四训练数据集，并且将所述第四训练数据集输入到所述人工智能模型中。3.根据权利要求1或2所述的训练方法，其中，关于不良事件的所述信息包括指示所述不良事件的标签、以及所述适应症中的不良事件的有无或发生频率。4.根据权利要求1至3中任一项所述的训练方法，其中，所述生物标志物是转录组。5.根据权利要求1至4中任一项所述的训练方法，其中，所述人工智能模型是单类支持向量机即one-class svm。6.一种用于训练人工智能模型的装置，包括处理部，其中，所述处理部将第一训练数据集、第二训练数据集和第三训练数据集彼此相关联地输入到人工智能模型中，以训练所述人工智能模型，所述第一训练数据集是如下的数据集：指示从已经分别给予在人类中具有已知适应症的多个预定现有物质的相应非人类动物收集到的一个器官或多个不同器官中的各器官中的生物标志物的动态的数据集与指示所给予的预定现有物质的相应名称的标签相关联；所述第二训练数据集是如下的数据集：指示所述多个预定现有物质的相应名称的标签与指示针对所述多个预定现有物质中的各预定现有物质所报告的适应症的标签相关联；所述第三训练数据集是如下的数据集：指示针对所述多个预定现有物质中的各预定现有物质所报告的适应症的标签与关于对应于这些适应症中的各适应症而报告的不良事件的信息相关联；以及其中，所述人工智能模型用于预测测试物质在人类中的适应症。7.一种用于训练人工智能模型的程序，所述程序在由计算机执行时使所述计算机执行如下的步骤：将第一训练数据集、第二训练数据集和第三训练数据集彼此相关联地输入到人工智能模型中，以训练所述人工智能模型，所述第一训练数据集是如下的数据集：指示从已经分别给予在人类中具有已知适应症的多个预定现有物质的相应非人类动物收集到的一个器官或多个不同器官中的各器官中的生物标志物的动态的数据集与指示所给予的预定现有物质的相应名称的标签相关联；所述第二训练数据集是如下的数据集：指示所述多个预定现有物质的相应名称的标签
与指示针对所述多个预定现有物质中的各预定现有物质所报告的适应症的标签相关联；所述第三训练数据集是如下的数据集：指示针对所述多个预定现有物质中的各预定现有物质所报告的适应症的标签与关于对应于这些适应症中的各适应症而报告的不良事件的信息相关联；其中，所述人工智能模型用于预测测试物质在人类中的适应症。8.一种用于预测测试物质在人类中的适应症的方法，包括如下的步骤：获取第一测试数据集，所述第一测试数据集是指示从已经给予测试物质的非人类动物收集到的一个或多于一个器官中的生物标志物的动态的数据集，以及将所述第一测试数据集和第二测试数据集输入到通过根据权利要求1至5中任一项所述的方法训练的人工智能模型中，以使用经训练的人工智能模型基于输入到其中的所述第一测试数据集和所述第二测试数据集来预测所述测试物质在人类中的适应症，所述第二测试数据集是多个已知适应症的标签与关于对应于所述多个已知适应症中的各适应症而报告的不良事件的信息相关联的数据集。9.根据权利要求7所述的预测方法，其中，所述测试物质不包括现有物质或现有物质的等效物质。10.根据权利要求7所述的预测方法，其中，所述测试物质是选自现有物质和现有物质的等效物质中的一种。11.一种用于预测测试物质在人类中的适应症的预测装置，包括处理部，其中，所述处理部将第一测试数据集和第二测试数据集输入到通过根据权利要求1至5中任一项所述的方法训练的人工智能模型中，以使用经训练的人工智能模型基于输入到其中的所述第一测试数据集和所述第二测试数据集来预测所述测试物质在人类中的适应症，所述第一测试数据集是指示与从为了生成第一训练数据集而已经给予所述测试物质的非人类动物收集到的一个或多于一个器官相对应的一个或多于一个器官中的生物标志物的动态的数据集，所述第二测试数据集是多个已知适应症的标签与为了生成第三训练数据集而获取的关于与所述多个已知适应症中的各适应症相对应地报告的不良事件的信息相关联的数据集。12.一种用于预测测试物质在人类中的适应症的计算机程序，所述计算机程序在由计算机执行时使所述计算机执行如下的步骤：将第一测试数据集和第二测试数据集输入到通过根据权利要求1至5中任一项所述的方法训练的人工智能模型中，以使用经训练的人工智能模型基于输入到其中的所述第一测试数据集和所述第二测试数据集来预测所述测试物质在人类中的适应症，所述第一测试数据集是指示与从为了生成第一训练数据集而已经给予所述测试物质的非人类动物收集到的一个或多于一个器官相对应的一个或多于一个器官中的生物标志物的动态的数据集，所述第二测试数据集是多个已知适应症的标签与为了生成第三训练数据集而获取的关于与所述多个已知适应症中的各适应症相对应地报告的不良事件的信息相关联的数据集。13.一种用于预测测试物质在人类中的适应症的预测系统，包括：
服务器装置，用于发送第一测试数据集，所述第一测试数据集是指示从已经给予所述测试物质的非人类动物收集到的一个或多于一个器官中的生物标志物的动态的数据集，以及预测装置，用于预测所述测试物质对人类的作用，所述预测装置经由网络连接到所述服务器装置，所述服务器装置包括用于发送所述第一测试数据集的通信部，所述预测装置包括处理部和通信部，其中，所述处理部经由所述预测装置的通信部来获取经由所述服务器装置的通信部发送的所述第一测试数据集，以及将所获取的第一测试数据集和第二测试数据集输入到通过根据权利要求1至5中任一项所述的方法训练的人工智能模型中，以使用经训练的人工智能模型基于输入到其中的所述第一测试数据集和所述第二测试数据集来预测所述测试物质在人类中的适应症，所述第一测试数据集是指示从为了生成第一训练数据集而已经给予所述测试物质的非人类动物收集到的一个或多于一个器官中的生物标志物的动态的数据集，所述第二测试数据集是如下的数据集：多个已知适应症的标签与为了生成第三训练数据集而获取的关于对应于所述多个已知适应症中的各适应症而报告的不良事件的信息相关联。14.一种用于使用第一训练数据集、第二训练数据集和第三训练数据集来训练人工智能模型的方法，所述人工智能模型用于预测测试物质在人类中的适应症，所述第一训练数据集是如下的数据集：指示从已分别给予在人类中具有已知适应症的多个预定现有物质的相应非人类动物收集到的一个器官或多个不同器官中的各器官中的生物标志物的动态的数据集与指示为了获取指示所述生物标志物的动态的数据集而给予的现有物质的名称的标签相关联，所述第二训练数据集是如下的数据集：指示所述多个预定现有物质的相应名称的标签与指示针对所述多个预定现有物质中的各预定现有物质所报告的适应症的标签相关联，所述第三训练数据集是如下的数据集：指示所述适应症的标签与关于对应于所述适应症中的各适应症所报告的不良事件的信息相关联。15.一种用于使用第一测试数据集和第二测试数据集作为用于预测测试物质在人类中的适应症的测试数据的方法，所述第一测试数据集是指示与从为了生成第一训练数据集而已给予所述测试物质的非人类动物收集到的一个或多于一个器官相对应的一个或多于一个器官中的生物标志物的动态的数据集，所述第二测试数据集是多个已知适应症的标签与关于与所述多个已知适应症中的各适应症相对应地报告的不良事件的信息相关联的数据集。

技术总结
目的是即使在测试物质具有关于用于获取训练数据的现有物质尚未已知的功效的情况下也预测该测试物质的功效。使用通过如下的训练方法训练的人工智能模型，该训练方法包括：将第一训练数据集、第二训练数据集和第三训练数据集彼此相关联地输入到人工智能模型中，以训练所述人工智能模型。第一训练数据集是指示如下的数据集：从已经分别给予在人类中具有已知适应症的多个预定现有物质的相应非人类动物收集到的一个器官或多个不同器官中的各器官中的生物标志物的动态的数据集与指示所给予的预定现有物质的相应名称的标签相关联。第二训练数据集是指示如下的数据集：多个预定现有物质的相应名称的标签与指示针对多个预定现有物质中的各预定现有物质所报告的适应症的标签相关联。第三训练数据集是指示如下的数据集：针对多个预定现有物质中的各预定现有物质所报告的适应症的标签与关于与这些适应症中的各适应症相对应地报告的不良事件的信息相关联。人工智能模型用于预测测试物质在人类中的适应症。的适应症。的适应症。


技术研发人员：佐藤匠德
受保护的技术使用者：无限生物制药公司
技术研发日：2020.10.16
技术公布日：2022/5/31