CN108267571A - 一种血液种属判别的方法 - Google Patents
一种血液种属判别的方法 Download PDFInfo
- Publication number
- CN108267571A CN108267571A CN201710002119.6A CN201710002119A CN108267571A CN 108267571 A CN108267571 A CN 108267571A CN 201710002119 A CN201710002119 A CN 201710002119A CN 108267571 A CN108267571 A CN 108267571A
- Authority
- CN
- China
- Prior art keywords
- blood
- fsc
- ssc
- blood sample
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000004369 blood Anatomy 0.000 title claims abstract description 86
- 239000008280 blood Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims description 11
- 210000000601 blood cell Anatomy 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 6
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 claims description 5
- 239000003146 anticoagulant agent Substances 0.000 claims description 5
- 229940127219 anticoagulant drug Drugs 0.000 claims description 5
- 241000282693 Cercopithecidae Species 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 239000002504 physiological saline solution Substances 0.000 claims description 3
- HTTJABKRGRZYRN-UHFFFAOYSA-N Heparin Chemical compound OC1C(NC(=O)C)C(O)OC(COS(O)(=O)=O)C1OC1C(OS(O)(=O)=O)C(O)C(OC2C(C(OS(O)(=O)=O)C(OC3C(C(O)C(O)C(O3)C(O)=O)OS(O)(=O)=O)C(CO)O2)NS(O)(=O)=O)C(C(O)=O)O1 HTTJABKRGRZYRN-UHFFFAOYSA-N 0.000 claims description 2
- 229960002897 heparin Drugs 0.000 claims description 2
- 229920000669 heparin Polymers 0.000 claims description 2
- NLJMYIDDQXHKNR-UHFFFAOYSA-K sodium citrate Chemical compound O.O.[Na+].[Na+].[Na+].[O-]C(=O)CC(O)(CC([O-])=O)C([O-])=O NLJMYIDDQXHKNR-UHFFFAOYSA-K 0.000 claims description 2
- 239000001509 sodium citrate Substances 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 abstract description 17
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010183 spectrum analysis Methods 0.000 abstract 1
- 241000894007 species Species 0.000 description 30
- 210000003743 erythrocyte Anatomy 0.000 description 17
- 239000010836 blood and blood product Substances 0.000 description 9
- 238000009825 accumulation Methods 0.000 description 8
- 229940125691 blood product Drugs 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 230000008676 import Effects 0.000 description 5
- 241000282560 Macaca mulatta Species 0.000 description 4
- 238000007710 freezing Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 210000002381 plasma Anatomy 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000010790 dilution Methods 0.000 description 3
- 239000012895 dilution Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000008174 sterile solution Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 208000030507 AIDS Diseases 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 102000004506 Blood Proteins Human genes 0.000 description 1
- 108010017384 Blood Proteins Proteins 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000008946 Fibrinogen Human genes 0.000 description 1
- 108010049003 Fibrinogen Proteins 0.000 description 1
- 102000006395 Globulins Human genes 0.000 description 1
- 108010044091 Globulins Proteins 0.000 description 1
- 102000004895 Lipoproteins Human genes 0.000 description 1
- 108090001030 Lipoproteins Proteins 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- 238000004164 analytical calibration Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000001772 blood platelet Anatomy 0.000 description 1
- 230000019522 cellular metabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940012952 fibrinogen Drugs 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/49—Blood
- G01N33/4915—Blood using flow cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1434—Optical arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1402—Data analysis by thresholding or gating operations performed on the acquired signals or stored data
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Hematology (AREA)
- Immunology (AREA)
- Ecology (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Biophysics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Dispersion Chemistry (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及血液检测技术领域,尤其涉及一种血液种属判别的方法。该方法利用不同物种血样中FSC和SSC的差异,建立了不同物种血样散射光谱的数据库,并采用SVM法进行数据分析,从而获得了鉴别血液种属的模型,根据该模型对血样种属进行分析,具有较高的成功率,且样品需求量小50μL的样品即可完成检测,鉴定方法快速。
Description
技术领域
本发明涉及血液检测技术领域,尤其涉及一种血液种属判别的方法。
背景技术
血液是在循环系统、心脏和血管腔内循环流动的一种组织,由血浆和血细胞组成。血浆内含血浆蛋白(白蛋白、球蛋白、纤维蛋白原)、脂蛋白等各种营养成分以及无机盐、氧、激素、酶、抗体和细胞代谢产物等。血细胞有红细胞、白细胞和血小板。中国血液制品行业发展迅速,当前,我国在血液制品产业上的监管日益严格,措施及整治方案频出。如《关于进一步加强人体血液、组织器官管理有关问题的通知》(卫药发(1996)27号)《艾滋病防治条例》第三十七条规定:进口人体血液、血浆、组织、器官、细胞、骨髓等,应当经过国务院卫生主管部门批准。《通知》中第一条规定:人体血液的采集、供应、加工生产和进出口均由卫生部统一归口管理;血液和血液制品的进出口没有卫生部的批件或证书,任何单位均不得经营,口岸药检所不得接受报验,海关不予放行。技术部门需对进出口物品的生物安全性做技术审核。
但是在国家管理和控制领域仍然存在一些问题。《中华人民共和国进出口动植物检疫条例》虽然涵盖了动物来源的血液样品的检疫要求,但没有给出相关的检测方法。而随着科技的发展,我国对我国的多样性的生物资源的保护也越来越重视。现阶段我国特有和稀有物种的血液制品存在着流失的可能。而进口的血液制品也存在一定隐患。此外没有管理控制的进口血液制品也有可能成为生物入侵途径,造成生物安全隐患。因此需要对我国的血液制品,特别是进出口血液制品做物种来源的分析。
目前可以应用与血液种属鉴定的方法,主要包括血液生化的方法、基于不同物种血液免疫原性的检测方法、基于不同物种基因组信息差异进行鉴定的方法。但这些方法检测的时效性较差,无法快速做出物种判定,检测周期长。目前也有人开发了基于拉曼光谱的检测技术,主要应用于血痕的物种来源检测,对于新鲜血液鉴定不适用。
可见,目前对于血液制品的物种来源并没有一种快速高效的检测手段。因此有必要开发一种快速高效的鉴别血液样品物种来源的方法。
发明内容
有鉴于此,本发明要解决的技术问题在于提供一种血液种属判别的方法,本发明提供的方法适用于新鲜血液的种属鉴定,样品需求量小,鉴定方法快速。
本发明提供了血液细胞散射光谱的数据库的构建方法为,将血液细胞的FSC、SSC、FSC/SSC经主元分析、SVM法聚类后,构得数据库。
本发明还提供了以本发明构建方法构得的数据库。
以本发明构建方法构得的数据库在血液种属判别中的应用。
本发明经统计分析发现,不同物种动物以及人类的血液中血细胞在大小、密度、粒度、细胞内容物等方面存在差异。本发明利用散射光谱技术识别不同物种血液细胞,特别是红细胞在细胞大小、细胞内容物折光率等方面的差别,并将这种差别应用于血液细胞种属来源的判定。
血液样品中细胞的散射类似于米氏散射数据,因此在对于血液细胞进行分析时可以选定一定波长的激光,并测定散射的角度等。这些反应在测试数据上表现为前向和侧向散射光信号的不同,即FSC(前向角散射)和SSC(侧向角散射)不同。对不同物种间血液的这种差异在进行较大样本量的分析后,可以建立数据库并利用数据库建立数学模型用于识别血液样品的不同物种差异,利用此差异可以实现血液样品的物种来源的鉴别。
对于血液样品的种属的预测分析,在本技术中使用的是血液样品分类的方法,具体的,使用基于主元分析的(PCA,Principle Component Analysis)的支持向量机(SVM,Support Vector Machine)的分类方法。SVM方法是用一种优化的学习模型,在生命信息识别上有广泛应用。对于多维数据的分析可以是被数据间的复杂关系而进行分类。在本技术中我们采用核函数RBF(Gaussian radial basis function)来定义数据的特征空间,并对模拟训练数据进行分类,也采用此方法对预测数据进行分析,从而评价SVM方法的准确性。主元分析可以简化多维数据的算法。本方法中的主元分析将原始数据转化产生了新的正交数据,这些新的主元数据可以用于血液种属分类。本技术使用软件Weka 3.6来进行主元分析和SVM分类等数据挖掘工作。
本发明实施例中,采用来源于大鼠、小鼠、恒河猴或人的样品进行实验,结果表明,经数据均一化处理后,四个物种的红细胞集群位置存在明显差异,四个物种在FSC的差异较大,SSC的差异稍小。集群最高FSC信号值人:1.2e5;猴:8.0e4;大鼠:6.5e4,小鼠:4.5e4。人的FSC仅有一个分布峰,而其他物种的红细胞存在2个分布峰,明显见于大鼠和小鼠的血液细胞。
本发明数据库的构建方法中,血样采自静脉。
检测前,对血样进行抗凝处理,并稀释。
血液样品的稀释不应该改变血液样品的渗透压,不应影响细胞的形态和大小。优选采用生理盐水(0.9%的NaCL无菌溶液)对血液样品进行稀释。
本发明发现不同物种血液样品的光谱数据可能受到血液样品的抗凝方式的影响。为了避免干扰,抗凝处理采用的抗凝剂选自柠檬酸钠、肝素或EDTA。优选为EDTA。
本发明发现,血液样品的新鲜度也会对血液样品的光谱数据造成影响。因此,本发明待测血样优选为新鲜采集的样品。采集到测试的时间间隔不超过24小时,低温储存(0℃~4℃)不超过72小时。
进一步的,血浆成分对于血液样品的透射光谱数值也会造成影响,血液样品的洗涤处理会干扰血液样品的透射光谱信息。因此本发明建立数据库采用未经洗涤处理的全血。
采用流式细胞仪对待测血样的FSC、SSC进行检测。方法为:使用标准微球在每次测试前调整电压,使得微珠的捕获信号达到固定值,检测波长为488nm。使得4个物种的红细胞在前向角散射信号(FSC)和侧向角散射信号(SSC)的数值落到适合位置,固定此电压值进行多样品数据信息采集。每个样品收集10000个细胞,采集记录FSC和SSC信息。
检测后,对不同物种血液细胞的FSC和SSC信息进行数学机器学习,并作分类。建立数学模型。
在一些实施方案中,上述鉴别不同物种血液样品的方法中,还包括应用标准质控品对检测仪器进行标定的步骤。
按照本发明,上述鉴别不同物种血液样品的方法中,所述标准质控品为仪器校准用标准微球。
本发明还提供了一种血液种属判别的方法,将待测血样中血细胞的FSC、SSC、FSC/SSC,与本发明构建的数据库进行比对,通过SVM法进行待测样品种属的判别。
一些实施例中,待测血样经流式细胞仪检测,获得FSC、SSC、FSC/SSC;所述流式细胞仪检测的波长为488mm。
一些实施例中,待测血样为全血样品,其添加抗凝剂后以生理盐水进行稀释。
一些实施例中,待测血样为新鲜血样,4℃保存时间不超过72h。
一些实施例中,所述抗凝剂为EDTA,所述稀释的比例为1:10。
一些实施例中,待测血样来自人类、猴、大鼠或小鼠。
一些实施例中,比对采用十折交互验证的方法。
比对结果中马修相关系数接近于1表示分类结果数据良好。
具体的,采用十折交互验证的方法来评价SVM的分类方法,分类方法的敏感性(Sn,sensitivity),特异性(Sp speficity),精确性(Acc Accurary)以及相关效率(MCCMatthews correlation coefficients),以及GC2(generalized squared correlation)等均表现出与χ2统计的良好相关性。
首先使用MCC测试二进制分类的质量,返回数据在-1和1之间,0表述随机相关,值越高表示越高的预测质量;当遇到预测出2个以上物种时,参与GC2预测,数值范围0到1,0表述预测效果差,非有效预测,而1表述为分类结果数据良好,分类准确。该数学模型可表述为:
本发明实施例中,对来源于大鼠、小鼠、恒河猴或人的4个物种血液样本的FSC-A,SSC-A和FSC-A/SSC-A分布数据采用主成分分析和支持向量机模型进行分类。结果表明随着主元的增加,累积解释方差逐渐增大,且三种FSC-A,SSC-A和FSC-A/SSC-A数据的前10个主元的累积解释方差均超过了90%。且来源于同一物种的血样更容易聚集,而不同物种的血样则彼此远离。利用已知血样,经支持向量机的物种分类结果如表1所示(参数c=100.0,g=1.0)。FSC-A及SSC-A的分布均表现出了较强的分类能力,两者结合更是达到了100.0%的成功率。这说明不同物种血红细胞的大小和密度差异可以通过光谱学表现出来。
本发明提供了一种血液种属的判别方法,该方法利用不同物种血样中FSC和SSC的差异,建立了不同物种血样散射光谱的数据库,并采用SVM法进行数据分析,从而获得了鉴别血液种属的模型,根据该模型对血样种属进行分析,具有较高的成功率,且样品需求量小50μL的样品即可完成检测,鉴定方法快速。
附图说明
图1-a示恒河猴的血液红细胞的FSC和SSC检测图;
图1-b示大鼠的血液红细胞的FSC和SSC检测图;
图1-c示人的血液红细胞的FSC和SSC检测图;
图1-d示小鼠的血液红细胞的FSC和SSC检测图;
图1-e示四个物种的红细胞FSC集群位置统计图;
图1-f示四个物种的红细胞SSC集群位置统计图;
图2-a示FSC-A前40个主元的解释方差和累积解释方差;
图2-b示血液样本FSC-A前2个主元的分布情况;
图2-c示SSC-A前40个主元的解释方差和累积解释方差;
图2-d示血液样本SSC-A前2个主元的分布情况;
图2-e示FSC-A/SSC-A前40个主元的解释方差和累积解释方差;
图2-f示血液样本FSC-A/SSC-A前2个主元的分布情况。
具体实施方式
本发明提供了一种血液种属判别的方法,本领域技术人员可以借鉴本文内容,适当改进工艺参数实现。特别需要指出的是,所有类似的替换和改动对本领域技术人员来说是显而易见的,它们都被视为包括在本发明。本发明的方法及应用已经通过较佳实施例进行了描述,相关人员明显能在不脱离本发明内容、精神和范围内对本文的方法和应用进行改动或适当变更与组合,来实现和应用本发明技术。
本发明采用的试材皆为普通市售品,皆可于市场购得。
下面结合实施例,进一步阐述本发明:
实施例1
取大鼠、小鼠、恒河猴和人的新鲜采集的血液,以EDTA进行抗凝处理后,以0.9%的NaCL无菌溶液进行10倍稀释。稀释后的样品,以波长为488nm进行流式细胞仪检测,每个样品收集10000个细胞,采集记录FSC和SSC信息。
四个物种血细胞的FSC和SSC的信号做均一化处理。在每个FSC和SSC的数值位置,计算四个物种血液细胞的平均数值和标准差出现频率。
图1(a-d)显示了四个物种(a,恒河猴;b,大鼠;c,人;d,小鼠)血液红细胞的FSC和SSC的典型图例。在FSC和SSC的展示图中,四个物种的红细胞集群位置存在明显差异,这种差异经过统计分析其均值显示为FSC统计值(e)和SSC统计值(f)。图e显示,四个物种在FSC的差异较大,SSC的差异稍小。集群最高FSC信号值人:1.2e5;猴:8.0e4;大鼠:6.5e4,小鼠:4.5e4。人的FSC仅有一个分布峰,而其他物种的红细胞存在2个分布峰,明显见于大鼠和小鼠的血液细胞。这种分布峰也在a-d的分布图中也可有看出。在SSC的统计图(f)中,四个物种的红细胞也表现出了差异性。
实施例2
实施例1中获得的对4个物种血液样本的FSC-A,SSC-A和FSC-A/SSC-A分布数据采用主成分分析和支持向量机模型进行分类。图2分别展示了三种数据前40个主元的解释方差和累积解释方差,用曲线和柱状表示(a,c,e);同时还有血液样本的前2个主元的分布情况(b,d,f)。a,c,e图像表明随着主元的增加,累积解释方差逐渐增大,且三种FSC-A,SSC-A和FSC-A/SSC-A数据的前10个主元的累积解释方差均超过了90%。同时,血液样本的第一和第二主元分布图(b,d,f)也表明来源于同一物种的血样更容易聚集,而不同物种的血样则彼此远离。
实施例3
取10份实施例1中制得的待测血样并作标记,每份50μL。测定FSC-A,SSC-A和FSC-A/SSC-A后,进行聚类分析。
采用十折交互验证的方法来评价SVM的分类方法,分类方法的敏感性(Sn,sensitivity),特异性(Sp speficity),精确性(Acc Accurary)以及相关效率(MCCMatthews correlation coefficients),以及GC2(generalized squared correlation)等均表现出与χ2统计的良好相关性。
首先使用MCC测试二进制分类的质量,返回数据在-1和1之间,0表述随机相关,值越高表示越高的预测质量;当遇到预测出2个以上物种时,参与GC2预测,数值范围0到1,0表述预测效果差,非有效预测,而1表述为分类结果数据良好,分类准确。该数学模型可表述为:
支持向量机的物种分类结果如表1所示(参数c=100.0,g=1.0)。
表1分类结果分析
FSC-A及SSC-A的分布均表现出了较强的分类能力,两者结合更是达到了100.0%的成功率。这说明不同物种血红细胞的大小和密度差异可以通过光谱学表现出来。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.血液细胞散射光谱数据库的构建方法,其特征在于,将血液细胞的FSC、SSC、FSC/SSC经主元分析、SVM法聚类后,构得数据库。
2.权利要求1所述构建方法构得的数据库。
3.权利要求1所述构建方法构得的数据库在血液种属判别中的应用。
4.一种血液种属判别的方法,其特征在于,将待测血样中血细胞的FSC、SSC、FSC/SSC,与权利要求2所述数据库进行比对,通过SVM法进行待测样品种属的判别。
5.根据权利要求4所述的方法,其特征在于,所述待测血样经流式细胞仪检测,获得FSC、SSC、FSC/SSC;所述流式细胞仪检测的波长为488mm。
6.根据权利要求5所述的方法,其特征在于,所述待测血样为全血样品,其添加抗凝剂后以生理盐水进行稀释。
7.根据权利要求6所述的方法,其特征在于,所述待测血样为新鲜血样,4℃保存时间不超过72h;所述抗凝剂为柠檬酸钠、肝素或EDTA;所述稀释的比例为1:10。
8.根据权利要求5所述的方法,其特征在于,所述比对采用十折交互验证的方法。
9.根据权利要求8所述的方法,其特征在于,所述比对结果中马修相关系数接近于1表示分类结果数据良好。
10.根据权利要求5~9任一项所述的方法,其特征在于,所述待测血样来自人类、猴、大鼠或小鼠。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710002119.6A CN108267571A (zh) | 2017-01-03 | 2017-01-03 | 一种血液种属判别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710002119.6A CN108267571A (zh) | 2017-01-03 | 2017-01-03 | 一种血液种属判别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108267571A true CN108267571A (zh) | 2018-07-10 |
Family
ID=62771459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710002119.6A Pending CN108267571A (zh) | 2017-01-03 | 2017-01-03 | 一种血液种属判别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108267571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110079607A (zh) * | 2019-04-04 | 2019-08-02 | 陕西师范大学 | 一种引物组、检测血液样品种属的方法及应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923648A (zh) * | 2009-06-15 | 2010-12-22 | 深圳迈瑞生物医疗电子股份有限公司 | 支持向量机的聚类方法与装置 |
CN104977260A (zh) * | 2014-04-08 | 2015-10-14 | 中国医学科学院医学实验动物研究所 | 一种不同物种血液样品光谱学鉴别技术 |
CN105628679A (zh) * | 2016-03-23 | 2016-06-01 | 中国科学院上海技术物理研究所 | 基于红外拉曼紫外荧光超连续谱的血液鉴别仪 |
CN105940301A (zh) * | 2014-04-17 | 2016-09-14 | 深圳迈瑞生物医疗电子股份有限公司 | 一种流式细胞分析仪及其多维数据分类方法、装置 |
CN107045637A (zh) * | 2016-12-16 | 2017-08-15 | 中国医学科学院生物医学工程研究所 | 一种基于光谱的血液物种识别仪及识别方法 |
-
2017
- 2017-01-03 CN CN201710002119.6A patent/CN108267571A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923648A (zh) * | 2009-06-15 | 2010-12-22 | 深圳迈瑞生物医疗电子股份有限公司 | 支持向量机的聚类方法与装置 |
CN104977260A (zh) * | 2014-04-08 | 2015-10-14 | 中国医学科学院医学实验动物研究所 | 一种不同物种血液样品光谱学鉴别技术 |
CN105940301A (zh) * | 2014-04-17 | 2016-09-14 | 深圳迈瑞生物医疗电子股份有限公司 | 一种流式细胞分析仪及其多维数据分类方法、装置 |
CN105628679A (zh) * | 2016-03-23 | 2016-06-01 | 中国科学院上海技术物理研究所 | 基于红外拉曼紫外荧光超连续谱的血液鉴别仪 |
CN107045637A (zh) * | 2016-12-16 | 2017-08-15 | 中国医学科学院生物医学工程研究所 | 一种基于光谱的血液物种识别仪及识别方法 |
Non-Patent Citations (4)
Title |
---|
HHL251592648: "《百度文库》", 19 October 2011 * |
万雄等: "近红外透射光谱的动物全血鉴别", 《光谱学与光谱分析》 * |
汪青等: "5 种水产动物血红细胞形态显微观察比较及进化分析", 《海洋科学》 * |
潘东升等主编: "《药物血液毒理学与检测方法》", 31 July 2016 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110079607A (zh) * | 2019-04-04 | 2019-08-02 | 陕西师范大学 | 一种引物组、检测血液样品种属的方法及应用 |
CN110079607B (zh) * | 2019-04-04 | 2022-08-02 | 陕西师范大学 | 一种引物组、检测血液样品种属的方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lussier et al. | Deep learning and artificial intelligence methods for Raman and surface-enhanced Raman scattering | |
CN101532954B (zh) | 一种用红外光谱结合聚类分析鉴定中药材的方法 | |
US11867690B2 (en) | Identification of functional cell states | |
CN106706546A (zh) | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 | |
CN105474013B (zh) | 用于分类支持的分析方法 | |
CN108663339A (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
WO2020105566A1 (ja) | 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法 | |
Sun et al. | Identification of meat species by combined laser-induced breakdown and Raman spectroscopies | |
JP6212454B2 (ja) | チーズの熟成度指標推定方法、チーズの熟成度指標推定装置、コンピュータが実行可能なプログラム、及びプロセスチーズの製造方法 | |
Fengou et al. | Estimation of the microbiological quality of meat using rapid and non-invasive spectroscopic sensors | |
KR102500220B1 (ko) | 3차원 굴절률 영상과 인공지능을 이용한 세포의 세부 분류 구분 방법 및 장치 | |
Saleh et al. | Palm oil classification using deep learning | |
Shirai et al. | Detection of fluorescence signals from ATP in the second derivative excitation–emission matrix of a pork meat surface for cleanliness evaluation | |
CN109342378B (zh) | 基于多模态成像技术的菌落生长状态检测装置及方法 | |
Ge et al. | Cell mechanics based computational classification of red blood cells via machine intelligence applied to morpho-rheological markers | |
Du et al. | Application of near-infrared spectroscopy and CNN-TCN for the identification of foreign fibers in cotton layers | |
CN106338488A (zh) | 一种转基因豆奶粉的快速无损鉴别方法 | |
CN108267571A (zh) | 一种血液种属判别的方法 | |
Fu et al. | Discrimination of pear varieties using three classification methods based on near-infrared spectroscopy | |
Hiraoka et al. | Identification of Rhus succedanea L. cultivars using elliptic Fourier descriptors based on fruit shape | |
Wang et al. | A new approach for unqualified salted sea cucumber identification: integration of image texture and machine learning under the pressure contact | |
Seo et al. | Usefulness of the DETECT program for assessing the internal structure of dimensionality in simulated data and results of the Korean nursing licensing examination | |
Unluturk et al. | Process neural network method: case study I: discrimination of sweet red peppers prepared by different methods | |
Vidhya et al. | Milk quality prediction using supervised machine learning technique | |
US20220196624A1 (en) | System and method for determining a gender of an embryo in an egg |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180710 |