CN108899086A

CN108899086A - 一种基于机器学习通过血液样本诊断骨关节炎亚型的系统

Info

Publication number: CN108899086A
Application number: CN201810597705.4A
Authority: CN
Inventors: 欧阳宏伟; 赵坤; 孙国飞; 吴兵兵; 林俊鑫; 安晟锐
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2018-06-11
Filing date: 2018-06-11
Publication date: 2018-11-27

Abstract

本发明涉及一种基于机器学习通过血液样本诊断骨关节炎亚型的系统，该系统包括：1)、收集模块；2)、骨关节炎与正常人群识别与鉴定模块，用于骨关节炎与正常人群识别与鉴定；3)、骨关节炎亚型识别与鉴定模块，用于骨关节炎亚型识别与鉴定。本发明建立一套基于机器学习支持向量机的方法通过血液样本精确诊断骨关节炎亚型的预测方法及系统工具，利用生物信息学的手段解析骨关节炎与正常人群的基因表达差异，对骨关节炎的患者进行分群，利用机器学习的方法建立骨关节炎患者以及骨关节炎亚型识别的诊断模型。该方法可实现骨关节炎患者的精确诊断，为随后的治疗方案提供借鉴参考。

Description

一种基于机器学习通过血液样本诊断骨关节炎亚型的系统

技术领域

本发明涉及生物信息学数据分析、机器学习等技术领域，具体涉及一种基于机器学习的方法通过血液样本精确诊断骨关节炎亚型的方法及系统。主要内容为通过分析正常人群与骨关节炎患者血液样本的测序数据，通过机器学习的方法建立诊断模型，以分辨正常人群与骨关节炎亚型患者的基因表达差异，达到精确诊断骨关节炎的目的。

背景技术

随着精准医疗计划的进展，高通量基因测序技术将在以后的疾病精确诊断、疾病亚型分类、精准监控疾病发生发展、精准指导用药、特异疾病相关基因组数据库建立等方面发挥越来越关键的作用。同时随着人工智能领域技术的发展，机器学习不需要人类总结经验、输入逻辑，人类只需要把大量数据输入给计算机，然后计算机就可以自己总结经验归纳逻辑，训练后得到一个模型，代替人类去做判断，常见的机器学习模型有决策树模型、Logistic回归、贝叶斯模型、支持向量机SVM、人工神经网络等。目前机器学习已广泛应用于疾病的诊断。

而在骨关节炎中已有证据表明其血液样本的测序信息与正常人群可以进行很好的区分，准确率达95％以上，同时对骨关节炎软骨组织进行RNA-seq测序分析发现，骨关节炎存在两个亚型，但由于软骨组织获取难度较大，该方法用于骨关节炎的诊断与分型存在一定的局限性。

为了克服现有技术的不足，本发明提出了一种通过收集正常人群与骨关节炎患者血液样本进行高通量测序并进行亚群解析，通过机器学习的方法建立诊断模型，以分辨正常人群与骨关节炎患者的基因表达差异，骨关节炎患者的亚型的基因表达差异，达到精确诊断骨关节炎的目的。

发明内容

本发明的目的是建立一套基于机器学习支持向量机的方法通过血液样本精确诊断骨关节炎亚型的预测方法及工具，利用生物信息学的手段解析骨关节炎与正常人群的基因表达差异，对骨关节炎的患者进行分群，利用机器学习的方法建立骨关节炎患者以及骨关节炎亚型识别的诊断模型。该方法可实现骨关节炎患者的精确诊断，为随后的治疗方案提供借鉴参考。

本发明采用的技术方案为：

本发明提供了一种基于机器学习的方法通过血液样本诊断骨关节炎亚型的系统，该系统包括：

1)、收集模块：用于收集骨关节炎患者与正常人群血液样本的测序数据；

2)、骨关节炎与正常人群识别与鉴定模块，用于骨关节炎与正常人群识别与鉴定，过程如下：

a.PCA主成分分析样本分布差异；

b.R软件的Limma包分析基因芯片；或者是DESeq2包分析RNA-Seq差异基因的表达情况；

c.分析差异基因特征；

d.利用机器学习支持向量机(support vector machine,SVM)的方法寻找特征性基因或用差异基因诊断骨关节炎，区别骨关节炎与正常人群；

3)、骨关节炎亚型识别与鉴定模块，用于骨关节炎亚型识别与鉴定，过程如下：

a.根据测序信息利用机器学习算法K-means聚类的方法对骨关节炎患者进行分群；

b.用R软件的Limma包分析基因芯片，或者是用DESeq2包分析RNA-Seq亚群与正常人群的差异基因表达情况；

c.分析差异基因特征；

d.利用深度神经网络的方法寻找特征性基因或用差异基因诊断骨关节炎亚型；

e.选择特征性基因用于骨关节炎分型，通过PCR方法测定基因表达量，鉴定骨关节炎亚型。

所述骨关节炎与正常人群识别与鉴定模块中，a过程中的PCA主成分分析，即对高维数据进行正交线性变换，将原始数据变换到一个新的坐标系下，在新坐标系下，第一维数据的方差最大，第二维次之，以此类推。经过PCA处理后的数据，仅仅使用该数据的前K维(K<＝数据总维度)，即可很好的反映该数据的特性；选用奇异值分解(SVD)分解方法来完成血液样本数据的主成分分析；

假设参与测试的被试数量为n，血液样本的测试数据特征数量为m，需要选取的主特征数量为k；将n个m维的样本数据表示为矩阵X∈R^n*m，X的第i行表示第i个被试的特征，X的第j列表示所有被试血液样本的第j维特征。

对X进行SVD分解，X＝UΣV^T，其中U是n*n的正交阵，V是m*m的正交阵，Σ是n*m的对角阵，每一个对角线元素δ_i叫做X的奇异值，且满足δ_i>δ_i+1。对X中的每一维数据x_i，与矩阵V相乘，即可得到经过线性变换后在新空间下的表示x′_i＝x_iV。

x′_i的前k维为x_i的前k维主特征，取k为2或3，并将所有数据在二维或三维空间上可视化，以便对样本数据分布差异进行定性分析。

所述骨关节炎与正常人群识别与鉴定模块中，C过程分析差异基因方法包括但不限于差异基因火山图、热图、差异基因基因本体论(Gene Ontology分析)或所有基因表达的GSEA分析中的一种或两种以上。

所述骨关节炎与正常人群识别与鉴定模块，d过程中支持向量机(SVM)的方法为使用支持学习向量机递归特征消除方法(support vector machine recursive featureelimination，SVM-RFE)寻找特征性基因。

具体地，SVM-RFE是基于SVM的特征选择方法。通过训练SVM模型，并对每个特征计算打分，将分数最小的特征去掉，剩下的特征继续迭代计算，训练SVM，打分，去掉最低分特征，直到最后留下特定数量的特征，作为最重要的特征。

假设参与测试的被试数量为n，血液样本的测试数据特征数量为m，需要选取的特征数量为k，x_i∈R^m，y_i∈{1,-1}分别是第i个样本的特征和类别，1表示正常样本，-1表示患病样本；

SVM方法通过寻找最优超平面，对所有样本进行分类，SVM本质为带有约束条件的优化问题，通过寻找超平面wx+b＝0，求解下面优化问题：

s.t.y_i(wx_i+b)>1-ξ_i

ξ_i≥0,i＝1,2,…,n

使用上述SVM分类方法，进行特征选择。

定义候选特征集S＝{s₁,s₂,…,s_m}

对该特征集训练SVM模型，得到参数W₁，计算参数W₁中每个元素的得分c_i＝‖w_i‖²,i＝1,2,…,m，对所有m个参数，进行排序，并取得分最小的参数对应的维度1_min，在候选特征集S中将对应特征丢弃S＝{s₁,s₂,…,s_m}-s_{1_min}，作为新的候选特征集。

在新的候选特征集上继续重复上述操作m-k，最终候选特征集S中保留k个特征，特征集S中的特征即为需要寻找的最重要的特征。

所述骨关节炎亚型识别与鉴定模块中，所述K-means聚类的方法是一种经典的无监督学习的分类方法，通过设定要生成的类别数量K和聚类时使用的度量距离，即可对无标签的数据集进行分类。

使用K-Means聚类方法对骨关节炎患者进行分群的方法如下：

设样本总量为N，每个样本的特征维度为M，则样本数据集为{X₁,X₂,…,X_N},X_i∈R^M；

1)设定类别数量K和距离度量函数D(X_i,X_j)；

2)随机设置K个点作为K个类别的中心

3)对每个样本X_i，寻找与X_i距离最近的中心点并将该样本的类别标签label(X_i)设为j；

4)对所有属于同一标签的样本，计算所有样本的均值，并作为新的类别中心，

5)重复3)和4)，直至所有的类别中心不再发生变化，或迭代次数达到上限。

在上述过程结束后，每个样本都会有一个样本标签，所有相同标签的样本属于同一类。从而实现对无标签的数据进行分类的目的。

所述骨关节炎亚型识别与鉴定模块中，c过程：分析差异基因方法包括但不限于差异基因火山图、热图、差异基因基因本体论(Gene Ontology分析)或所有基因表达的GSEA分析中的一种或两种以上。

所述骨关节炎亚型识别与鉴定模块中，d过程：

深度神经网络主要通过模拟生物神经结构，来创建网络模型，并且通过梯度下降和反向传播算法进行模型的优化，相比于传统的机器学习方法，深度神经网络能够自动学习特征，并且实现端到端的学习。具体方法为：

设有N个样本，每个样本特征维度为M，共K个类别，并且每个样本都有对应的类别标签，则组成数据集其中X_i是样本的特征，y_i是样本对应的标签。神经网络模型F由多个全连接层和非线性激活函数构成，并且在最后一层输出K个值，每个值表示当前样本该类别的概率。

在训练时，分类的目标函数为交叉熵，

经过多次迭代直至模型收敛。

在实际使用时，输入样本特征，使用训练好的模型正向传播计算，得到该样本对应每一种类别的概率，取概率最大的类别作为该样本的实际类别。

以三层全连接神经网络为例，网络结构如下表所示。

层数	操作	通道数	激活函数
				0	输入	M	--
1	全连接	64	ReLU
				2	全连接	128	ReLU
3	输出	K	SoftMax

所述骨关节炎亚型识别与鉴定模块中，e过程：

PCR(聚合酶链式反应)是一种用于放大扩增特定的DNA片段的分子生物学技术，利用DNA在体外摄氏95°高温时变性会变成单链，低温(经常是60℃左右)时引物与单链按碱基互补配对的原则结合，再调温度至DNA聚合酶最适反应温度(72℃左右)，DNA聚合酶沿着磷酸到五碳糖(5'-3')的方向合成互补链。可用于扩增特定基因，方便鉴定基因的表达量。

本发明的优点在于：

本发明建立一套基于机器学习支持向量机的方法通过血液样本精确诊断骨关节炎亚型的预测方法及系统工具，利用生物信息学的手段解析骨关节炎与正常人群的基因表达差异，对骨关节炎的患者进行分群，利用机器学习的方法建立骨关节炎患者以及骨关节炎亚型识别的诊断模型。该方法可实现骨关节炎患者的精确诊断，为随后的治疗方案提供借鉴参考。

附图说明

图1.预测工具使用示意图；

图2.骨关节炎患者与正常人群血液样本的主成分分析图；

图3.骨关节炎患者与正常人群血液样本的差异基因表达热图；

图4.骨关节炎患者与正常人群血液样本的差异基因GO分析；

图5.通过SVM机器学习的方法诊断OA准确率ROC图；

图6.K-means聚类分析骨关节炎亚群共表达矩阵图和剪影图；

图7.骨关节炎亚型与正常人群的GSEA分析结果；

图8.通过SVM机器学习的方法诊断OA亚型准确率ROC图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例1

来自GEO数据库106位OA患者的33位正常人的PBMC的数据分析

数据下载于GEO数据库GSE48556，来源于骨关节炎患者与正常人群的外周血单个核细胞(peripheral blood mononuclear cell，PBMC)基因芯片测序数据。

按照图1的分析策略进行分析，将来自139个临床样本的基因表达量利用R语言的limma程序包进行主成分分析、获得差异表达基因、聚类。主成分分析(PCA)结果显示来自106例骨关节炎临床病人可明显分为两群(图2)。进一步比较骨关节炎患者和正常人群的样本，可得到1502个组织间差异表达(adj.P.Val<0.05)，并通过热图将差异表达基因进行可视化(图3)。对差异基因进行基因本体论分析(gene ontology)与GSEA分析，表明骨关节炎临床病人的基因主要参与代谢反应，也与凋亡等相关(图4)，通过SVM交叉验证机器学习的方法建立骨关节炎与正常人群的诊断模型，准确率均值在为95％以上(图5)。利用R语言的SC3程序包对骨关节炎患者进行k-means聚类分析，发现骨关节炎患者可分为两群(图6)，利用GSEA分析进行KEGG信号通路发现第一群主要与代谢、炎症相关，第二群主要与抗原呈递反应、适应性免疫相关(图7)，通过SCM交叉验证建立骨关节炎亚型诊断模型，发现准确率均值在99％以上(图8)。

Claims

1.一种基于机器学习的方法通过血液样本诊断骨关节炎亚型的系统，其特征在于：该系统包括：

a.PCA主成分分析样本分布差异；

c.分析差异基因特征；

d.利用机器学习支持向量机的方法寻找特征性基因或用差异基因诊断骨关节炎，区别骨关节炎与正常人群，选择最优基因组；

c.分析差异基因特征；

2.根据权利要求1所述的一种基于机器学习的方法通过血液样本诊断骨关节炎亚型的系统，其特征在于：所述骨关节炎与正常人群识别与鉴定模块中，c过程分析差异基因方法包括但不限于差异基因火山图、热图、差异基因基因本体论或所有基因表达的GSEA分析中的一种或两种以上。

3.根据权利要求1所述的一种基于机器学习的方法通过血液样本诊断骨关节炎亚型的系统，其特征在于：所述骨关节炎与正常人群识别与鉴定模块，d过程中支持向量机的方法为使用支持学习向量机递归特征消除方法寻找特征性基因。

4.根据权利要求1所述的一种基于机器学习的方法通过血液样本诊断骨关节炎亚型的系统，其特征在于：所述骨关节炎亚型识别与鉴定模块中，c过程：分析差异基因方法包括但不限于差异基因火山图、热图、差异基因基因本体论或所有基因表达的GSEA分析中的一种或两种以上。

5.根据权利要求1所述的一种基于机器学习的方法通过血液样本诊断骨关节炎亚型的系统，其特征在于：所述骨关节炎亚型识别与鉴定模块中，d过程中深度神经网络主要通过模拟生物神经结构，来创建网络模型，并且通过梯度下降和反向传播算法进行模型的优化。