CN104142395B - 一种免疫层析试条动态定量测试方法 - Google Patents

Abstract

本发明公开了一种免疫层析试条动态定量测试方法，包括如下步骤：(A)构建免疫层析试条动态显色机理方程；(B)确定粒子群算法目标函数；(C)初始化粒子群算法的种群大小、粒子速度和粒子位置；(D)计算每个粒子的适应度目标函数值；(E)采用差分进化算法对局部最优解进行变异和交叉操作；(F)计算经变异和交叉算子后粒子的适应度值，并与原局部最优解的适应度值进行比较，更新局部最优和粒子群的最优解；(G)根据算法的迭代次数和粒子的多样性参数选取马尔可夫链的状态转移矩阵；(H)计算粒子的新速度和新位置；(I)满足终止条件，迭代循环结束，取得测量最终结果。本发明的测试方法能够实现免疫层析试条的动态定量测试。

Description

一种免疫层析试条动态定量测试方法

技术领域

本发明属于免疫层析试条定量测试技术领域，具体涉及一种基于粒子群算法的免疫层析试条动态定量测试方法。

背景技术

免疫测定是基于抗原抗体特异性反应的一种快速，准确可用于现场和实验室检测标本中微量物质的技术。随着免疫测定在医学检验中的广泛应用，不断有新方法和新技术的出现，主要是在免疫层析技术的基础上，利用新型的示踪物对样本进行标记，从而实现浓度的定量检测。免疫层析测定法由于符合现代医学倡导的“床边检验”的发展潮流，具有特异性强，操作方法简单、效率高、灵敏度高及特异性强等特点而成为最常用的一种侧流免疫层析快速检测方法。

目前研究者们已高度重视免疫层析试条定量测试的研究，但研究者们一直关注静态的定量测试方法，本专利通过人工智能算法与搭建好的模型来实现免疫层析试条的动态定量测试方法。

发明内容

本发明的目的在于克服现有技术缺陷，提供一种免疫层析试条动态定量测试方法。

本发明的技术方案如下：

一种免疫层析试条动态定量测试方法，包括如下步骤：

(A)构建免疫层析试条动态显色机理方程，具体为下述方程：

$\left\{\begin{array}{c}{x}_1(k+1)=x_1\left(k\right)-k_1{x}_1\left(k\right)x_2\left(k\right)+k_2{x}_3\left(k\right)-k_3{x}_1\left(k\right)x_4\left(k\right)+k_4{x}_5\left(k\right)\\ x_2(k+1)=x_2\left(k\right)-k_1{x}_1\left(k\right)x_2\left(k\right)+k_2{x}_3\left(k\right)-k_7{x}_1\left(k\right)x_3\left(k\right)+k_8{x}_6\left(k\right)\\ x_3(k+1)=x_3\left(k\right)+k_1{x}_1\left(k\right)x_2\left(k\right)-k_2{x}_3\left(k\right)-k_5{x}_3\left(k\right)x_4\left(k\right)+k_6{x}_6\left(k\right)\\ x_4(k+1)=x_4\left(k\right)-k_3{x}_1\left(k\right)x_4\left(k\right)+k_4{x}_5\left(k\right)-k_5{x}_3\left(k\right)x_4\left(k\right)+k_6{x}_6\left(k\right)\\ x_5(k+1)=x_5\left(k\right)+k_3{x}_1\left(k\right)x_4\left(k\right)-k_4{x}_5\left(k\right)-k_7{x}_2\left(k\right)x_5\left(k\right)+k_8{x}_6\left(k\right)\\ x_6(k+1)=x_6\left(k\right)+k_5{x}_3\left(k\right)x_4\left(k\right)-k_6{x}_6\left(k\right)+k_7{x}_2\left(k\right)x_5\left(k\right)-k_8{x}_6\left(k\right)\end{array}\right.---\left(1\right)$

y(k)＝k₉(x₃(k)+x₆(k))(2)，

其中x(k+1)代表免疫层析试条中各物质在k+1时刻的浓度，x₁(k)～x₆(k)分别代表免疫层析试条中的待测物、标记物、待测物与标记物的复合物、特异性抗体、特异性抗体与待测物的复合物、待测物与标记物及特异性抗体形成的复合物在k时刻时的浓度；k₁～k₈为免疫层析试条系统中各反应的速率；k₉为比例系数；y(k)为免疫层析试条检测线上的测量特征值；

(B)确定粒子群算法目标函数，具体为下述方程：

$J=\underset{k=1}{\overset{s}{\mathrm{\Σ}}}\left|\right|z_k-{\hat{y}}_k\left|\right|---\left(3\right)$

其中z_k为实际测量得到的免疫层析试条检测线上的特征值，为粒子群算法估计x₁在初始时刻的浓度值带入方程(1)和方程(2)得到的y(k)，s为测量得到特征值的数量长度；

(C)初始化粒子群算法的种群大小、粒子速度v_i和粒子位置x_i，其中粒子x_i对应方程(1)中x₁在初始时刻的浓度值，模式m＝1；

(D)根据方程(3)计算每个粒子的适应度目标函数值，并用表示粒子的局部最优；

(E)采用差分进化算法对局部最优解进行变异和交叉操作；

(F)计算经变异和交叉算子后粒子的适应度值，并与原局部最优解的适应度值进行比较，更新局部最优和粒子群的最优解；

(G)根据算法的迭代次数和粒子的多样性参数选取马尔可夫链的状态转移矩阵，如果迭代次数k小于0.6-0.8倍的最大迭代次数，且粒子的多样性小于设定值则马尔可夫链的状态转移矩阵选取为如下方程所示：

${\mathrm{\Π}}^{\left(k\right)}=\left[\begin{array}{cc}\mathrm{\ρ}& 1-\mathrm{\ρ}\\ \mathrm{\ρ}& 1-\mathrm{\ρ}\end{array}\right](\mathrm{\ρ}\∈[\mathrm{0.05,0.2}\left]\right)---\left(6\right);$

(H)根据下述方程计算粒子的新速度和新位置：

v_i(k+1)＝ω(ξ(k))v_i(k)+c₁(ξ(k))r₁(k)(p_i(k)-x_i(k))

+c₂(ξ(k))r₂(k)(p_g(k)-x_i(k))(7)

x_i(k+1)＝x_i(k)+v_i(k+1)(8)

其中ω(ξ(k))，c₁(ξ(k))和c₂(ξ(k))是惯性权因子和加速因子，ξ(k)为在一个非齐次马尔科夫链的有限状态空间中取值，具有如方程(6)所示的状态转移矩阵；

(I)满足终止条件，迭代循环结束，取得测量最终结果。

在本发明的一个优选实施方案中，所述步骤(E)具体如下：

(a)利用差分进化算法中的变异算子对进行变异得到V_i，即如下述方程所示：

(b)利用差分进化算法中交叉算子对V_i和进行交叉得到Y_li，即如下述方程所示：

进一步优选的，所述步骤(F)具体如下：计算Y_li粒子的适应度目标函数值，如果f(Y_li)的目标函数值比的小，则用Y_li替代更新粒子群的最优解p_g。

本发明的有益效果是：本发明的测试方法够精确得出待测液的浓度，实现免疫层析试条的动态定量测试，可为现场测定如临床免疫测定、食品安全检测、环境监测、工农业生产、公共安全等提供一种新的、有效的快速准确的检测手段，将产生极大的社会、经济效益。

附图说明

图1为本发明的工作流程图；

图2为本发明的目标函数收敛过程图；

图3为本发明的测试结果图。

具体实施方式

以下通过具体实施方式结合附图对本发明的技术方案进行进一步的说明和描述。

如图1所示，一种免疫层析试条动态定量测试方法，包括如下步骤：

(A)构建免疫层析试条动态显色机理方程，具体为下述方程：

$\left\{\begin{array}{c}{x}_1(k+1)=x_1\left(k\right)-k_1{x}_1\left(k\right)x_2\left(k\right)+k_2{x}_3\left(k\right)-k_3{x}_1\left(k\right)x_4\left(k\right)+k_4{x}_5\left(k\right)\\ x_2(k+1)=x_2\left(k\right)-k_1{x}_1\left(k\right)x_2\left(k\right)+k_2{x}_3\left(k\right)-k_7{x}_1\left(k\right)x_3\left(k\right)+k_8{x}_6\left(k\right)\\ x_3(k+1)=x_3\left(k\right)+k_1{x}_1\left(k\right)x_2\left(k\right)-k_2{x}_3\left(k\right)-k_5{x}_3\left(k\right)x_4\left(k\right)+k_6{x}_6\left(k\right)\\ x_4(k+1)=x_4\left(k\right)-k_3{x}_1\left(k\right)x_4\left(k\right)+k_4{x}_5\left(k\right)-k_5{x}_3\left(k\right)x_4\left(k\right)+k_6{x}_6\left(k\right)\\ x_5(k+1)=x_5\left(k\right)+k_3{x}_1\left(k\right)x_4\left(k\right)-k_4{x}_5\left(k\right)-k_7{x}_2\left(k\right)x_5\left(k\right)+k_8{x}_6\left(k\right)\\ x_6(k+1)=x_6\left(k\right)+k_5{x}_3\left(k\right)x_4\left(k\right)-k_6{x}_6\left(k\right)+k_7{x}_2\left(k\right)x_5\left(k\right)-k_8{x}_6\left(k\right)\end{array}\right.---\left(1\right)$

y(k)＝k₉(x₃(k)+x₆(k))(2)，

其中x(k+1)代表免疫层析试条中各物质在k+1时刻的浓度，x₁(k)～x₆(k)分别代表免疫层析试条中的待测物、标记物、待测物与标记物的复合物、特异性抗体、特异性抗体与待测物的复合物、待测物与标记物及特异性抗体形成的复合物在k时刻时的浓度；k₁～k₈为免疫层析试条系统中各反应的速率；k₉为比例系数；y(k)为免疫层析试条检测线上的测量特征值；

(B)确定粒子群算法目标函数，具体为下述方程：

$J=\underset{k=1}{\overset{s}{\mathrm{\Σ}}}\left|\right|z_k-{\hat{y}}_k\left|\right|---\left(3\right)$

其中z_k为实际测量得到的免疫层析试条检测线上的特征值，为粒子群算法估计x₁在初始时刻的浓度值带入方程(1)和方程(2)得到的y(k)，s为测量得到特征值的数量长度；

(C)初始化粒子群算法的种群大小、粒子速度v_i和粒子位置x_i，其中粒子x_i对应方程(1)中x₁在初始时刻的浓度值，模式m＝1；

(D)根据方程(3)计算每个粒子的适应度目标函数值，并用表示粒子的局部最优；

(E)采用差分进化算法对局部最优解进行变异和交叉操作，具体如下：

(a)利用差分进化算法中的变异算子对进行变异得到V_i，即如下述方程所示：

(b)利用差分进化算法中交叉算子对V_i和进行交叉得到Y_li，即如下述方程所示：

(F)计算经变异和交叉算子后粒子的适应度值，并与原局部最优解的适应度值进行比较，更新局部最优和粒子群的最优解：具体如下：计算Y_li粒子的适应度目标函数值，如果f(Y_li)的目标函数值比的小，则用Y_li替代更新粒子群的最优解p_g；

(G)根据算法的迭代次数和粒子的多样性参数选取马尔可夫链的状态转移矩阵，具体如下：如果迭代次数k小于0.6-0.8倍的最大迭代次数，且粒子的多样性小于设定值则马尔可夫链的状态转移矩阵选取为如下方程所示：

${\mathrm{\Π}}^{\left(k\right)}=\left[\begin{array}{cc}\mathrm{\ρ}& 1-\mathrm{\ρ}\\ \mathrm{\ρ}& 1-\mathrm{\ρ}\end{array}\right](\mathrm{\ρ}\∈[\mathrm{0.05,0.2}\left]\right)---\left(6\right);$

(H)根据下述方程计算粒子的新速度和新位置：

v_i(k+1)＝ω(ξ(k))v_i(k)+c₁(ξ(k))r₁(k)(p_i(k)-x_i(k))

+c₂(ξ(k))r₂(k)(p_g(k)-x_i(k))(7)

x_i(k+1)＝x_i(k)+v_i(k+1)(8)

其中ω(ξ(k))，c₁(ξ(k))和c₂(ξ(k))是惯性权因子和加速因子，ξ(k)为在一个非齐次马尔科夫链的有限状态空间中取值，具有如方程(6)所示的状态转移矩阵；

(I)满足终止条件，迭代循环结束，取得测量最终结果。

根据三次不同浓度的待测液浓度(实验1：待测液浓度为5<单位：无量纲>；实验2：待测液浓度3.5；实验3：待测液浓度2)的纳米金免疫层析试条检测线显色过程测得的特征值数据，利用上述免疫层析试条动态定量测试方法：

1、首先设置新型粒子群算法的初始值，包括新型粒子群算法的参数，种群大小，粒子速度v_i和粒子位置x_i，马尔可夫链的状态转移矩阵；

2、设置差分进化算法的参数，方程(4)变异算子和方程(5)交叉算子；

3、设置方程(1)中k₁～k₉，x₂(0)～x₆(0)的值，同时任意给定x₁(0)的初始值；

4、算法运行，结果如下：

迭代过程中，本发明的粒子群算法目标函数收敛过程如图2所示，测试结果如图3所示，从图中可以看出本专利提出的方法能够精确得出待测液的浓度。

以上所述，仅为本发明的较佳实施例而已，故不能依此限定本发明实施的范围，即依本发明专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明涵盖的范围内。

Claims (3)

1.一种免疫层析试条动态定量测试方法，其特征在于：包括如下步骤：

(A)构建免疫层析试条动态显色机理方程，具体为下述方程：

y(k)＝k₉(x₃(k)+x₆(k))(2)，

其中x(k+1)代表免疫层析试条中各物质在k+1时刻的浓度，x₁(k)～x₆(k)分别代表免疫层析试条中的待测物、标记物、待测物与标记物的复合物、特异性抗体、特异性抗体与待测物的复合物、待测物与标记物及特异性抗体形成的复合物在k时刻时的浓度；k₁～k₈为免疫层析试条系统中各反应的速率；k₉为比例系数；y(k)为免疫层析试条检测线上的测量特征值；

(B)确定粒子群算法目标函数，具体为下述方程：

其中z_k为实际测量得到的免疫层析试条检测线上的特征值，为粒子群算法估计x₁在初始时刻的浓度值带入方程(1)和方程(2)得到的y(k)，s为测量得到特征值的数量长度；

(C)初始化粒子群算法的种群大小、粒子速度v_i和粒子位置x_i，其中粒子x_i对应方程(1)中x₁在初始时刻的浓度值，模式m＝1；

(D)根据方程(3)计算每个粒子的适应度目标函数值，并用X_lbi表示粒子的局部最优；

(E)采用差分进化算法对局部最优解进行变异和交叉操作；

(F)计算经变异和交叉算子后粒子的适应度值，并与原局部最优解的适应度值进行比较，更新局部最优和粒子群的最优解；

(G)根据算法的迭代次数和粒子的多样性参数选取马尔可夫链的状态转移矩阵，如果迭代次数k小于0.6倍的最大迭代次数，且粒子的多样性小于设定值则马尔可夫链的状态转移矩阵选取为如下方程所示：

(H)根据下述方程计算粒子的新速度和新位置：

v_i(k+1)＝ω(ξ(k))v_i(k)+c₁(ξ(k))r₁(k)(p_i(k)-x_i(k))+c₂(ξ(k))r₂(k)(p_g(k)-x_i(k))(7)

x_i(k+1)＝x_i(k)+v_i(k+1)(8)

其中ω(ξ(k))，c₁(ξ(k))和c₂(ξ(k))是惯性权因子和加速因子，ξ(k)为在一个非齐次马尔科夫链的有限状态空间中取值，具有如方程(6)所示的状态转移矩阵；

(I)满足终止条件，迭代循环结束，取得测量最终结果。

2.如权利要求1所述的一种免疫层析试条动态定量测试方法，其特征在于：所述步骤(E)具体如下：

(a)利用差分进化算法中的变异算子对X_lbi进行变异得到V_i，即如下述方程所示：

(b)利用差分进化算法中交叉算子对V_i和X_lbi进行交叉得到Y_li，即如下述方程所示：

3.如权利要求2所述的一种免疫层析试条动态定量测试方法，其特征在于：所述步骤(F)具体如下：计算Y_li粒子的适应度目标函数值，如果f(Y_li)的目标函数值比f(X_lbi)的小，则用Y_li替代X_lbi更新粒子群的最优解p_g。