基于药物动力学模型的药物性质预测方法和系统

摘要

本发明涉及人工智能技术领域，公开了一种基于药物动力学模型的药物性质预测方法和系统，所述方法包括：获取待预测药物的原始文件，并将所述原始文件转换为预设文件；将所述预设文件输入预先训练的药物性质预测模型，以得到所述待预测药物的药物性质；其中，所述药物性质预测模型是根据描述符样本训练得到的，所述描述符样本为原始文件样本构成的数据集通过SMILES结构数据计算得到的。该方法和系统能够契合药物性质预测的特点，利用预先训练的药物性质预测模型，快速准确地输出药物性质。从而解决了现有药物性质预测准确性较差的技术问题。

说明书

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于药物动力学模型的药物性质预测方法和系统。

背景技术

药物开发是一个昂贵且耗时的过程，其需要测试数千种化合物以找出安全有效的药物。

ADMET(药物的吸收,分配,代谢,排泄和毒性)药物动力学方法是当代药物设计和药物筛选中十分重要的方法。药物早期ADMET性质研究主要以人源性或人源化组织功能性蛋白质为“药靶”，体外研究技术与计算机模拟等方法相结合，研究药物与体内生物物理和生物化学屏障因素间的相互作用。药物早期ADMET性质评价方法可有效解决种属差异的问题，显著地提高药物研发的成功率，降低药物的开发成本，减少药物毒性和副作用的发生，并能指导临床合理用药。

但是，现有的药物性质预测方法由于数据集来源可靠性，导致预测准确性较差，无法对药物性质进行准确有效的预测。

发明内容

为此，本发明实施例提供一种基于药物动力学模型的药物性质预测方法和系统，以至少部分解决现有药物性质预测准确性较差的技术问题。

为了实现上述目的，本发明实施例提供如下技术方案：

一种基于药物动力学模型的药物性质预测方法，所述方法包括：

获取待预测药物的原始文件，并将所述原始文件转换为预设文件；

将所述预设文件输入预先训练的药物性质预测模型，以得到所述待预测药物的药物性质；

其中，所述药物性质预测模型是根据描述符样本训练得到的，所述描述符样本为原始文件样本构成的数据集通过SMILES结构数据计算得到的。

在一些实施例中，获取待预测药物的原始文件，并将所述原始文件转换为预设文件，具体包括：

在所述原始文件为数据文件的情况下，提取所述数据文件的结构数据名称，并以所述结构数据名称作为所述预设文件；

在所述原始文件为结构文件的情况下，将所述结构文件作为所述预设文件。

在一些实施例中，所述药物性质预测模型的训练过程，具体包括：

获取原始文件样本，并生成数据集；

提取所述数据集的SMILES结构数据；

基于所述SMILES结构数据计算描述符，得到与各所述原始文件样本对应的描述符样本；

将所述描述符样本划分为训练集和测试集；

基于所述训练集和自动机器学习模型进行批量训练，以得到所述药物性质预测模型；

基于所述测试集对训练得到的所述药物性质预测模型进行评估。

在一些实施例中，所述基于所述SMILES结构数据计算描述符，得到与各所述原始文件样本对应的描述符样本，具体包括：

对原始文件形成的数据集进行预处理，得到处理后的数据集；

基于处理后的数据集的SMILES结构数据计算Mordred描述符，以得到所述描述符样本。

在一些实施例中，基于所述训练集和自动机器学习模型进行批量训练，以得到所述药物性质预测模型，具体包括：

将所述训练集分别输入不同维度的自动机器学习模型中分别训练，以得到多个药物性质预测子模型；

多个药物性质预测子模型构成所述药物性质预测模型。

在一些实施例中，不同维度的自动机器学习模型，包括以下至少两者：

CatBoost模型、RandomForestGini模型、RandomForestEntr模型、LightGBM模型、XGBoost模型、WeightedEnsemble_L2模型、LightGBMXT模型、ExtraTreesGini模型、ExtraTreesEntr模型、LightGBMLarge模型、NeuralNetFastAI模型、NeuralNetTorch模型、KNeighborsUnif模型和KNeighborsDist模型。

本发明还提供一种基于药物动力学模型的药物性质预测系统，所述系统包括：

原始文件获取单元，用于获取待预测药物的原始文件，并将所述原始文件转换为预设文件；

药物性质预测单元，用于将所述预设文件输入预先训练的药物性质预测模型，以得到所述待预测药物的药物性质；

其中，所述药物性质预测模型是根据描述符样本训练得到的，所述描述符样本为原始文件样本构成的数据集通过SMILES结构数据计算得到的。

本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。

本发明所提供的一种基于药物动力学模型的药物性质预测方法和系统，通过获取待预测药物的原始文件，并将所述原始文件转换为预设文件；将所述预设文件输入预先训练的药物性质预测模型，以得到所述待预测药物的药物性质；其中，所述药物性质预测模型是根据描述符样本训练得到的，所述描述符样本为原始文件样本构成的数据集通过SMILES结构数据计算得到的。该方法和系统能够契合药物性质预测的特点，利用预先训练的药物性质预测模型，快速准确地输出药物性质。从而解决了现有药物性质预测准确性较差的技术问题。

在一些实施例中，本发明提供药物性质预测模型构建方法，利用AutoGluon自动机器学习和多种药物特征数据集构建ADMET模型，用于预测药物性质，其数据来源于医疗领域内首个面向疗法的统一机器学习开源框架——Therapeutics Data Commons（TDC）。利用开源代码库AutoGluon进行模型训练，模型选取上使用十四种模型，对数据集结构信息进行描述符的计算后再进行模型训练，使得模型具有良好的可解释性，并且能够得知数据集对于哪个特征最为敏感。对于十四种模型进行评估挑选出效果最好的模型进行药物性质预测，对于使用者只需要提供数据集，即可进行药物性质预测，得到特征重要性以及结果集，无需专家知识，使得训练得到的药物性质预测模型具有十分良好的复用性。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明所提供的基于药物动力学模型的药物性质预测方法的流程图之一；

图2为本发明所提供的基于药物动力学模型的药物性质预测方法的流程图之二；

图3为本发明所提供的基于药物动力学模型的药物性质预测方法的流程图之三；

图4为本发明所提供的基于药物动力学模型的药物性质预测系统的结构框图；

图5为本发明所提供的一种计算机设备的结构框图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

ADMET是指基于药物的吸收、分配、代谢、排泄和毒性的药物动力学方法。其中，A为Absorption的缩写，是指药物从作用部位进入体循环的过程；D为Distribution的缩写，是指药物吸收后通过细胞膜屏障向各组织、器官或者体液进行转运的过程；M为Metabolism（Biotransformation）的缩写，是指药物在体内受酶系统或者肠道菌丛的作用而发生结构转化的过程；E为Excretion的缩写，是指药物以原型或者代谢产物的形式排出体外的过程；T为Toxicity的缩写，是指药物对机体的毒性。也就是说，ADMET就是对药物的吸收、分布、代谢、排泄和毒性进行全面的研究。

其中，ADME是药物代谢动力学（Pharmacokinetics,PK）的研究内容，其作用为药物筛选（Drug screening）、药物设计（Drug design）、药物合成（Drug synthesis）、评价制剂（Drug formulation/Biopharmaceutics）和中草药研究（TCM herbs research）。

ADMET性质是指药物在人体内的吸收、分布、代谢、排泄和毒性等性质。如果在药物开发的早期阶段就能依据化合物的ADMET性质对先导化合物进行有针对性的选取和优化改造，这对提高药物研发的成功率以及减少药物研发后期过程中的资金浪费问题，是非常必要的。

据此，为了实现对药物ADMET性质的早期准确预测，从而降低药物研发成本，提高药物研发成功率，本发明提供了一种基于药物动力学模型的药物性质预测方法和系统，以至少部分解决现有药物性质预测准确性较差的技术问题，为药物研发中的早期药物性质预测提供支持，为降低药物研发成本，提供药物研发成功率提供了可能性。

请参考图1，图1为本发明所提供的基于药物动力学模型的药物性质预测方法的流程图之一。

在一种具体实施方式中，本发明所提供的基于药物动力学模型的药物性质预测方法包括以下步骤：

S101：获取待预测药物的原始文件，并将所述原始文件转换为预设文件。上述预设文件是指符合模型输入要求格式的文件，该预设文件一般为结构文件，在实际场景中，原始文件可以是数据文件，例如表格数据文件，也可以是结构文件，在所述原始文件为数据文件的情况下，提取所述数据文件的结构数据名称，并以所述结构数据名称作为所述预设文件；在所述原始文件为结构文件的情况下，将所述结构文件作为所述预设文件。

S102：将所述预设文件输入预先训练的药物性质预测模型，以得到所述待预测药物的药物性质；其中，所述药物性质预测模型是根据描述符样本训练得到的，所述描述符样本为原始文件样本构成的数据集通过SMILES结构数据计算得到的。

具体地，当原始文件为表格数据文件时，文件中需要有药物信息的SMILES结构信息以及数据标签target，设置其SMILES结构信息名称即可调用训练好的药物性质预测模型（又可称为ADMET模型）进行药物性质的预测，结果将会给出对于该药物标签的预测结果以及为某个药物性质的可能性。

当原始文件为结构文件时，文件中仅需要提供药物的结构数据即可调用训练好的ADEMT模型进行药物性质的预测，结果将会给出该药物的SMILES结构信息及某个药物性质的可能性。

在上述具体实施方式中，本发明所提供的基于药物动力学模型的药物性质预测方法，通过获取待预测药物的原始文件，并将所述原始文件转换为预设文件；将所述预设文件输入预先训练的药物性质预测模型，以得到所述待预测药物的药物性质；其中，所述药物性质预测模型是根据描述符样本训练得到的，所述描述符样本为原始文件样本构成的数据集通过SMILES结构数据计算得到的。该方法能够契合药物性质预测的特点，利用预先训练的药物性质预测模型，快速准确地输出药物性质。从而解决了现有药物性质预测准确性较差的技术问题。

在一些实施例中，如图2所示，所述药物性质预测模型的训练过程具体包括以下步骤：

S201：获取原始文件样本，并生成数据集；

S202：提取所述数据集的SMILES结构数据；也就是通过进行数据预处理，对原始csv文件数据集提取其SMILES结构数据。

S203：基于所述SMILES结构数据计算描述符，得到与各所述原始文件样本对应的描述符样本，利用数据集的SMILES结构数据计算Mordred描述符。

S204：将所述描述符样本划分为训练集和测试集。

S205：基于所述训练集和自动机器学习模型进行批量训练，以得到所述药物性质预测模型；对描述符的数据划训练集与测试集并使用AutoGluon自动机器学习进行批量训练模型。

S206：基于所述测试集对训练得到的所述药物性质预测模型进行评估。

在一些实施例中，所述基于所述SMILES结构数据计算描述符，得到与各所述原始文件样本对应的描述符样本，具体包括：

对原始文件形成的数据集进行预处理，得到处理后的数据集；

基于处理后的数据集的SMILES结构数据计算Mordred描述符，以得到所述描述符样本。

在一个具体使用场景中，在对原始csv文件数据集进行预处理后，利用其SMILES结构信息计算Mordred描述符。SMILES,全称是Simplified Molecular Input Line EntrySystem,是一种用于输入和表示分子反应的线性符号,是一种ASCII编码。Mordred描述符是基于RDKit使用里面的工具建的一个扩展版的描述符库，扩展准备了1826个分子描述符计算函数。性能基准测试结果表明，Mordred的速度至少是著名的PaDEL-Descriptor的两倍，并且它可以计算大分子的描述符。

在一些实施例中，基于所述训练集和自动机器学习模型进行批量训练，以得到所述药物性质预测模型，具体包括：

将所述训练集分别输入不同维度的自动机器学习模型中分别训练，以得到多个药物性质预测子模型；

多个药物性质预测子模型构成所述药物性质预测模型。

其中，不同维度的自动机器学习模型，包括以下至少两者：

CatBoost模型、RandomForestGini模型、RandomForestEntr模型、LightGBM模型、XGBoost模型、WeightedEnsemble_L2模型、LightGBMXT模型、ExtraTreesGini模型、ExtraTreesEntr模型、LightGBMLarge模型、NeuralNetFastAI模型、NeuralNetTorch模型、KNeighborsUnif模型和KNeighborsDist模型。

在一个具体使用场景中，使用AutoGluon自动机器学习的相关工具将数据集的百分之八十划分为训练集，百分之二十划分为测试集，对于训练集使用CatBoost模型、RandomForestGini模型、RandomForestEntr模型、LightGBM模型、XGBoost模型、WeightedEnsemble_L2模型、LightGBMXT模型、ExtraTreesGini模型、ExtraTreesEntr模型、LightGBMLarge模型、NeuralNetFastAI模型、NeuralNetTorch模型、KNeighborsUnif模型、KNeighborsDist模型，一共十四种模型进行模型的训练，训练后得到模型并对测试集进行预测评估，保存其模型评估结果及模型。

本发明提供的方法可以AutoGluon为基础，Auto Gluon是亚马逊公司推出的开源代码库，支持易使用和易扩展的AutoML，并专注于涵盖图像、文本或表格数据的深度学习和实际应用。AutoGluon适用于机器学习初学者和专家，能够通过几行代码即可快速地为数据构建深度学习原型方案，利用自动超参数微调、模型选择/架构搜索和数据处理，无需专家知识即可自动使用深度学习SOTA方法，轻松地提升现有定制模型和数据管道，或者根据用例自定义AutoGluon。

为使本领域的技术人员更好地理解本发明的技术方案，下面结合实施例对本发明提供的药物性质预测方法进行举例描述，该实施例利用AutoGluon自动机器学习和多种药物特征数据集构建ADMET模型，揭示药物性质的方法。以下实施例仅用于说明本发明而非用于限制本发明的范围。

如图3所示，在该使用场景中，本发明包括以下步骤：

S1：数据来源：本发明的数据来源于医疗领域内首个面向疗法的统一机器学习开源框架——Therapeutics Data Commons（TDC）。其中ADMET的数据集包括Absorption、Lipophilicity_AstraZeneca、Distribution、PPBR_AZ,VDss_Lombardo、Metabolism、CYP_1A2_Veith、CYP2C9_Veith、CYP2C9_Substrate_CarbonMangels、CYP2D6_Substrate_CarbonMangels、CYP3A4_Substrate_CarbonMangels、Execretion、Clearance_Hepatocyte_AZ、Clearance_Microsome_AZ、Tox、hERG、AMES、DILI、Skin Reaction、LD50_Zhu、Carcinogens_Lagunin、ToxCast、Tox21、ClinTox等四十六个数据集。

下面将以Absorption中的数据集为例对该方法进行详细的说明。

S2：数据预处理：Absorption中一共有7组数据集，数据集的列名分别为：Drug_ID,Drug,Y,Group.其中Drug_ID为药物数据的名称，Drug为药物数据名称对应的SMILES结构信息，Y为作为标签表示此药物是否为该特性，利用Group为数据进行训练集和预测集的划分。本发明主要利用数据集中的SMILES结构信息及Y标签。对Absorption中的数据集进行批量处理，设置循环将表格依次读入，将数据集中的Drug列与Y列提取为新的表data1。

S3：计算描述符：在进行模型训练之前要对所获得的结构数据进行计算描述符。描述符选用的是Mordred描述符。Mordred描述符是基于RDKit使用里面的工具建的一个扩展版的描述符库，扩展准备了1826个分子描述符计算函数。性能基准测试结果表明，Mordred的速度至少是著名的PaDEL-Descriptor的两倍，并且它可以计算大分子的描述符。依次读取data1中Drug的SMILES结构数据，调用RDkit中的chem.MolFromSmiles()将SMILES结构数据转换为mol数据，再将mol数据利用Mordred中的calc()进行描述符的计算。在计算Mordred描述符时还可以选择是否忽略3D描述符，对于描述符中计算出错的特征填充为NAN。对于所得到的1826个分子描述符与data1数据进行拼接得到新的数据data2。将data2中的NAN数据填充为0。这样就得到了可以用于模型训练的数据data2。

S4：模型训练：对于数据data2使用AutoGluon自动机器学习进行模型的训练。如图4所示，AutoGluon是亚马逊公司推出的开源代码库，支持易使用和易扩展的AutoML，并专注于涵盖图像、文本或表格数据的深度学习和实际应用。

对于数据data2首先将Y列置为target，对数据进行批量处理，将数据中的Drug列删除得到数据集data。取data中80%的数据作为训练集trainData，data中20%的数据作为测试集testData。对于训练集数据进行模型训练，模型选择CatBoost模型、RandomForestGini模型、RandomForestEntr模型、LightGBM模型、XGBoost模型、WeightedEnsemble_L2模型、LightGBMXT模型、ExtraTreesGini模型、ExtraTreesEntr模型、LightGBMLarge模型、NeuralNetFastAI模型、NeuralNetTorch模型、KNeighborsUnif模型、KNeighborsDist模型，一共十四种模型进行训练。当训练数据属于"NR-PPAR-gamma","NR-ER-LBD","SR-HSE","NR-Aromatase","SR-ARE","NR-ER","CYP2C9 substrate","SR-p53","SR-ATAD5"时使用f1作为评估指标。利用测试集数据testData调用predictor.feature_importance可获得其特征重要性。再对测试集进行预测评估，保存其模型评估结果及模型。

对于数据来源中开源ADMET数据进行上述处理后即可得到完整的ADMET模型。

S5：药物性质预测：进行药物性质预测可以对两种数据进行处理，表格数据文件，文件中需要有药物信息的SMILES结构信息以及数据标签target，设置其SMILES结构信息名称即可调用训练好的ADMET模型进行药物性质的预测，结果将会给出对于该药物标签的预测结果以及为某个药物性质的可能性。结构数据文件，文件中仅需要提供药物的结构数据即可调用训练好的ADEMT模型进行药物性质的预测，结果将会给出该药物的SMILES结构信息及某个药物性质的可能性。

在上述具体实施方式中，本发明所提供的一种基于药物动力学模型的药物性质预测方法，通过获取待预测药物的原始文件，并将所述原始文件转换为预设文件；将所述预设文件输入预先训练的药物性质预测模型，以得到所述待预测药物的药物性质；其中，所述药物性质预测模型是根据描述符样本训练得到的，所述描述符样本为原始文件样本构成的数据集通过SMILES结构数据计算得到的。该方法能够契合药物性质预测的特点，利用预先训练的药物性质预测模型，快速准确地输出药物性质。从而解决了现有药物性质预测准确性较差的技术问题。

进一步地，本发明提供药物性质预测模型构建方法，利用AutoGluon自动机器学习和多种药物特征数据集构建ADMET模型，用于预测药物性质，其数据来源于医疗领域内首个面向疗法的统一机器学习开源框架——Therapeutics Data Commons（TDC）。利用开源代码库AutoGluon进行模型训练，模型选取上使用十四种模型，对数据集结构信息进行描述符的计算后再进行模型训练，使得模型具有良好的可解释性，并且能够得知数据集对于哪个特征最为敏感。对于十四种模型进行评估挑选出效果最好的模型进行药物性质预测，对于使用者只需要提供数据集，即可进行药物性质预测，得到特征重要性以及结果集，无需专家知识，使得训练得到的药物性质预测模型具有十分良好的复用性。

除了上述方法，本发明还提供一种基于药物动力学模型的药物性质预测系统，如图4所示，所述系统包括：

原始文件获取单元401，用于获取待预测药物的原始文件，并将所述原始文件转换为预设文件；

药物性质预测单元402，用于将所述预设文件输入预先训练的药物性质预测模型，以得到所述待预测药物的药物性质；

其中，所述药物性质预测模型是根据描述符样本训练得到的，所述描述符样本为原始文件样本构成的数据集通过SMILES结构数据计算得到的。

在一些实施例中，获取待预测药物的原始文件，并将所述原始文件转换为预设文件，具体包括：

在所述原始文件为数据文件的情况下，提取所述数据文件的结构数据名称，并以所述结构数据名称作为所述预设文件；

在所述原始文件为结构文件的情况下，将所述结构文件作为所述预设文件。

在一些实施例中，所述药物性质预测模型的训练过程，具体包括：

获取原始文件样本，并生成数据集；

提取所述数据集的SMILES结构数据；

基于所述SMILES结构数据计算描述符，得到与各所述原始文件样本对应的描述符样本；

将所述描述符样本划分为训练集和测试集；

基于所述训练集和自动机器学习模型进行批量训练，以得到所述药物性质预测模型；

基于所述测试集对训练得到的所述药物性质预测模型进行评估。

在一些实施例中，所述基于所述SMILES结构数据计算描述符，得到与各所述原始文件样本对应的描述符样本，具体包括：

对原始文件形成的数据集进行预处理，得到处理后的数据集；

基于处理后的数据集的SMILES结构数据计算Mordred描述符，以得到所述描述符样本。

在一些实施例中，基于所述训练集和自动机器学习模型进行批量训练，以得到所述药物性质预测模型，具体包括：

将所述训练集分别输入不同维度的自动机器学习模型中分别训练，以得到多个药物性质预测子模型；

多个药物性质预测子模型构成所述药物性质预测模型。

在一些实施例中，不同维度的自动机器学习模型，包括以下至少两者：

CatBoost模型、RandomForestGini模型、RandomForestEntr模型、LightGBM模型、XGBoost模型、WeightedEnsemble_L2模型、LightGBMXT模型、ExtraTreesGini模型、ExtraTreesEntr模型、LightGBMLarge模型、NeuralNetFastAI模型、NeuralNetTorch模型、KNeighborsUnif模型和KNeighborsDist模型。

在上述具体实施方式中，本发明所提供的一种基于药物动力学模型的药物性质预测系统，通过获取待预测药物的原始文件，并将所述原始文件转换为预设文件；将所述预设文件输入预先训练的药物性质预测模型，以得到所述待预测药物的药物性质；其中，所述药物性质预测模型是根据描述符样本训练得到的，所述描述符样本为原始文件样本构成的数据集通过SMILES结构数据计算得到的。该系统能够契合药物性质预测的特点，利用预先训练的药物性质预测模型，快速准确地输出药物性质。从而解决了现有药物性质预测准确性较差的技术问题。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，所述一个或多个程序指令用于被一种砝码检定系统执行如上所述的方法。

本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述方法。

在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器（Digital Signal Processor，简称DSP）、专用集成电路（Application Specific Integrated Circuit，简称ASIC）、现场可编程门阵列（FieldProgrammable Gate Array，简称FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。

存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。

其中，非易失性存储器可以是只读存储器（Read-Only Memory，简称ROM）、可编程只读存储器（Programmable ROM，简称PROM）、可擦除可编程只读存储器（Erasable PROM，简称EPROM）、电可擦除可编程只读存储器（Electrically EPROM，简称EEPROM）或闪存。

易失性存储器可以是随机存取存储器（Random Access Memory，简称RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（Static RAM，简称SRAM）、动态随机存取存储器（Dynamic RAM，简称DRAM）、同步动态随机存取存储器（Synchronous DRAM，简称SDRAM）、双倍数据速率同步动态随机存取存储器（Double Data RateSDRAM，简称DDRSDRAM）、增强型同步动态随机存取存储器（EnhancedSDRAM，简称ESDRAM）、同步连接动态随机存取存储器（Synchlink DRAM，简称SLDRAM）和直接内存总线随机存取存储器（DirectRambus RAM，简称DRRAM）。

本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。