CN110955961A - 一种免疫损伤分析方法 - Google Patents
一种免疫损伤分析方法 Download PDFInfo
- Publication number
- CN110955961A CN110955961A CN201911113300.XA CN201911113300A CN110955961A CN 110955961 A CN110955961 A CN 110955961A CN 201911113300 A CN201911113300 A CN 201911113300A CN 110955961 A CN110955961 A CN 110955961A
- Authority
- CN
- China
- Prior art keywords
- immune
- sample
- panel data
- injury
- data
- 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.)
- Granted
Links
- 230000006378 damage Effects 0.000 title claims abstract description 88
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 58
- 208000014674 injury Diseases 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 210000002865 immune cell Anatomy 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000003902 lesion Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims 1
- 230000032677 cell aging Effects 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 9
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 7
- 210000005259 peripheral blood Anatomy 0.000 abstract description 6
- 239000011886 peripheral blood Substances 0.000 abstract description 6
- 206010063493 Premature ageing Diseases 0.000 abstract description 3
- 208000032038 Premature aging Diseases 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 17
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 230000036039 immunity Effects 0.000 description 4
- 230000009758 senescence Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000001095 inductively coupled plasma mass spectrometry Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 210000001744 T-lymphocyte Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910021645 metal ion Inorganic materials 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种免疫损伤分析方法,其特征在于,包括:获取免疫细胞亚群的比率;根据所述免疫细胞亚群的比率建立免疫损伤模型的原始面板数据;对所述原始面板数据进行预处理,生成用于建模的特定免疫细胞亚群的面板数据;根据所述用于建模的特定免疫细胞亚群的面板数据建立免疫损伤模型;根据所述免疫损伤模型对样本的免疫损伤程度进行评分,解决依靠细胞衰老检测试剂盒判断免疫细胞衰老存在操作繁琐、实验条件苛刻、严格的试剂配比的问题,量化体检者外周血样本中的免疫细胞亚群比率对其免疫损伤程度,判断其是否存在免疫提前衰老。
Description
技术领域
本发明涉及生物信息及数据挖掘领域,尤其涉及一种免疫损伤分析方法。
背景技术
传统的免疫损伤分析方法是使用细胞衰老检测试剂盒,细胞衰老检测试剂盒内包含了细胞衰老检测所需的所有试剂和相关组份同时还需要对试剂配比,才可以提供细胞衰老检测实验分析方案,其操作过程过于繁琐,实验条件极为苛刻,一旦操作错误就需要进行重新操作。
当前,大数据、人工智能、区块链正加速向医疗领域渗透融合,治疗方法和医疗模式也在不断革新并获得拓展。以个体化、精准化、智能化医疗为特点的新医疗产业将全面启动,产品和服务的结合将逐渐成为主流,围绕重大难治性疾病的创新将更加密集,人们将在健康管理、疾病诊断和疾病治疗等方面获得更加优化和丰富的体验。
现阶段解决现有技术依靠细胞衰老检测试剂盒判断免疫细胞衰老存在操作繁琐、实验条件苛刻、严格的试剂配比,亟需简便快捷的免疫损伤分析方法的问题。
发明名称
本发明所要解决的是依靠数据挖掘技术判断免疫是否提前衰老的问题,提供了一种免疫损伤分析方法。
本发明为解决上述技术问题采用以下技术方案:
一种免疫损伤分析方法,其特征在于,包括:获取免疫细胞亚群的比率;根据所述免疫细胞亚群的比率建立免疫损伤模型的原始面板数据;对所述原始面板数据进行预处理,生成用于建模的特定免疫细胞亚群的面板数据;根据所述用于建模的特定免疫细胞亚群的面板数据建立免疫损伤模型;根据所述免疫损伤模型对样本的免疫损伤程度进行评分。
进一步地,在获取免疫细胞亚群的比率之前,包括采用CyTOF技术对外周血样本进行处理。
进一步地,根据所述原始面板数据进行预处理,生成用于建模的特定免疫细胞亚群的面板数据,包括:剔除所述原始面板数据中逐周期比率变化量的均值<0.1的所述免疫细胞亚群,生成透明数据;利用PCA算法对所述透明数据进行降维处理,得出逐周期变化不平稳的主成分PC;根据所述透明数据与所述主成分PC的Spearman秩相关系数,剔除相关性大于剔除范围的免疫细胞亚群,生成用于建模的特定免疫细胞亚群的面板数据。进一步地,所述剔除范围为0.6~1.0。
进一步地,根据所述用于建模的特定免疫细胞亚群的面板数据建立免疫损伤模型,包括:利用RBF核对用于建模的特定免疫细胞亚群的面板数据进行非线性映射,得到核矩阵W:
其中为RBF核的带宽;
进一步地,其特征在于,根据所述免疫损伤模型对样本的免疫损伤程度进行评分,还包括:确定一个基点x作为免疫损伤轨迹的起点,样本y的免疫损伤评分通过密度加权的L2范数计算:
根据所述样本的免疫损伤评分构成免疫损伤轨迹,M(x,.)和M(y,.)分别为基点x和样本y的累积转换矩阵。
进一步地,在确定一个基点x得到免疫损伤轨迹,得出样本的免疫轨迹分析之前,包括:输入预设样本;将所述预设样本定为基点x。
进一步地,所述样本为健康人的外周血。
进一步地,根据所述样本的免疫损伤评分构成免疫损伤轨迹,包括:根据所述的基点x,计算样本y中每个样本在不同时间点上与基点x的距离;所述样本y中每个样本在不同时间点上与基点x的距离为样本y在对应时间点上的免疫损伤评分;根据所述样本y,每个样本设置样本编号;根据样本编号及所述免疫损伤评分,建立二维空间的散点图;所述散点图以基点x为起点;根据所述免疫损伤评分从小到大连接所得的曲线为所述免疫损伤轨迹。
进一步地,所述样本y为样本库中除预设样本外的其它样本。
进一步地,所述样本库为多个样本组成的。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一所述的免疫损伤分析方法。
本发明实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有上述任一所述的免疫损伤分析方法的计算机程序。
本发明的有益效果如下:
1)本发明量化体检者外周血样本中的免疫细胞亚群比率对其免疫损伤程度,判断其是否存在免疫提前衰老的问题。
2)本发明解决依靠细胞衰老检测试剂盒判断免疫细胞衰老存在操作繁琐、实验条件苛刻、严格的试剂配比的问题。
3)本发明结合数据挖掘技术,简便快捷地判断机体的免疫水平是否提前衰老。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例提供的一种免疫损伤分析方法流程图;
图2是根据本发明实施例提供的一种免疫损伤分析方法中原始面板数据预处理过程的流程图;
图3是根据本发明实施例提供的一种免疫损伤分析方法中建立免疫损伤模型的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种免疫损伤分析方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种免疫损伤分析方法流程图,如图1所示,该方法包括步骤如下:
S102,获取免疫细胞亚群的比率;
S103,根据免疫细胞亚群的比率建立免疫损伤模型的原始面板数据;
S104,对原始面板数据进行预处理,生成用于建模的特定免疫细胞亚群的面板数据;
S105,根据用于建模的特定免疫细胞亚群的面板数据建立免疫损伤模型;
S106,根据免疫损伤模型对样本的免疫损伤程度进行评分。
具体地,利用CyTOF技术定期对实验设计进组的健康人外周血样本进行处理,获取相关免疫细胞亚群的比率,建立免疫损伤模型的原始面板数据;对原始面板数据进行预处理,生成用于建模的特定免疫细胞亚群的面板数据;根据用于建模的特定免疫细胞亚群的面板数据建立免疫损伤模型;根据免疫损伤模型对样本的免疫损伤程度进行评分,最后根据相关数据建立二维坐标形成免疫损伤轨迹,通过比对轨迹判断免疫是否提前衰老。
进一步地,在获取免疫细胞亚群的比率之前,包括采用CyTOF技术对样本进行处理。
具体地,CyTOF技术采用金属同位素标记的特异性抗体来标记细胞表面和内部的信号分子(蛋白),标记好的细胞通过流式被分离成单个细胞依次进入电感耦合等离子体质谱(ICP-MS),单细胞首先被等离子体炬离子化为一个独立的离子云,随后离子云中的各种标签金属离子被质谱精确检测出来,得到单细胞的质谱数据。最后数据被转换为标准的流式数据,进行多维度的数据分析,实现对细胞表型和信号网络的精细表征以及价值信息的有效挖掘。
需要说明的是,人体的免疫系统总共包含5类细胞,每一类细胞又分为很多子类,每个子类又有独特的标记物,比如CD3对应着TOTAL T cells,结合专业的软件及特定的标记,将用来建模的特定73个免疫细胞亚群选出,得出这73个免疫细胞亚群占有效细胞的比率。
进一步地,根据原始面板数据进行预处理,生成用于建模的特定免疫细胞亚群的面板数据,图2是根据本发明实施例提供的一种免疫损伤分析方法中原始面板数据预处理过程的流程图,如图2所示,包括:
S1041,剔除原始面板数据中逐周期比率变化量的均值<0.1的免疫细胞亚群,生成透明数据;
S1042,利用PCA算法对透明数据进行降维处理,得出逐周期变化不平稳的主成分PC;
S1043,根据透明数据与主成分PC的Spearman秩相关系数,剔除相关性大于剔除范围的免疫细胞亚群,生成用于建模的特定免疫细胞亚群的面板数据。
进一步地,剔除范围为0.6~1.0。
具体地,过滤后所有细胞亚群比率与PC的Spearman秩相关系数,对相关性大于0.6的亚群进行剔除,最终过滤出用于建模的特定免疫细胞亚群的面板数据。
进一步地,根据用于建模的特定免疫细胞亚群的面板数据建立免疫损伤模型,图3是根据本发明实施例提供的一种免疫损伤分析方法中建立免疫损伤模型的流程图,如图所示,包括:
S1051,利用RBF核对用于建模的特定免疫细胞亚群的面板数据进行非线性映射,得到核矩阵W:
其中为RBF核的带宽;
S1053,利用转换矩阵计算所有时间步长的累积转移概率,构建累积转化矩阵M:
具体地,采用CyTOF技术对实验进组的健康人外周血样本进行处理,建立特定免疫细胞亚群比率的原始面板数据;对免疫细胞亚群进行过滤:剔除逐周期变化不显著的细胞亚群,通过PCA算法对原始数据降维后得到主成分,过滤逐周期显著变化不平稳的主成分相关的细胞亚群;建立免疫损伤模型,对样本的免疫损伤程度进行轨迹分析:通过RBF核建立转换矩阵T,进而构建累积转换矩阵M,通过确定一个基点得到免疫损伤轨迹,并得出体检者的免疫评分。
采用轨迹分析的方式,通过CyTOF技术获得体检者的相关免疫细胞亚群比率,并筛选出与免疫损伤相关的特定细胞亚群,同时利用特定的免疫细胞亚群比率建立免疫损伤模型对体检者的免疫损伤程度进行量化,得出免疫损伤评分,发现其是否存在免疫提前衰老的问题。
进一步地,其特征在于,根据免疫损伤模型对样本的免疫损伤程度进行评分,还包括:
确定一个基点x作为免疫损伤轨迹的起点,样本y的免疫损伤评分通过密度加权的L2范数计算:
根据样本的免疫损伤评分构成免疫损伤轨迹,M(x,.)和M(y,.)分别为基点x和样本y的累积转换矩阵。
进一步地,在确定一个基点x得到免疫损伤轨迹,得出样本的免疫轨迹分析之前,包括:输入预设样本;将预设样本定为基点x。
进一步地,样本为免疫细胞亚群。
进一步地,根据样本的免疫损伤评分构成免疫损伤轨迹,包括:根据的基点x,计算样本y中每个样本在不同时间点上与基点x的距离;样本y中每个样本在不同时间点上与基点x的距离为样本y在对应时间点上的免疫损伤评分;根据样本y,每个样本设置样本编号;根据样本编号及免疫损伤评分,建立二维空间的散点图;散点图以基点x为起点;根据免疫损伤评分从小到大连接所得的曲线为免疫损伤轨迹。
进一步地,样本y为样本库中除预设样本外的其它样本。
进一步地,样本库为多个样本组成的。
具体地,通过之前的计算,利用所确定的基点样本x,可以算出每个样本y在不同时间点上相对于基点x的距离,该距离就是样本y在对应时间点上的免疫损伤评分,得出每个样本在所观测时间点上的免疫损伤评分,可以想象成二维空间的散点图,横坐标为样本编号,纵坐标为评分,将这些点以样本x为起点根据评分由小到大连接出来的曲线,就是免疫损伤轨迹。
发明实施例还提供一种计算机设备,用以解决现有技术依靠细胞衰老检测试剂盒判断免疫细胞衰老存在操作繁琐、实验条件苛刻、严格的试剂配比的问题,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述免疫损伤分析方法。
本发明实施例还提供一种计算机可读存储介质,用以解决现有技术依靠细胞衰老检测试剂盒判断免疫细胞衰老存在操作繁琐、实验条件苛刻、严格的试剂配比的问题,该计算机可读存储介质存储有执行上述免疫损伤分析方法的计算机程序。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,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,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种免疫损伤分析方法,其特征在于,包括:
获取免疫细胞亚群的比率:
根据所述免疫细胞亚群的比率建立免疫损伤模型的原始面板数据:
对所述原始面板数据进行预处理,生成用于建模的特定免疫细胞亚群的面板数据;
根据所述用于建模的特定免疫细胞亚群的面板数据建立免疫损伤模型;
根据所述免疫损伤模型对样本的免疫损伤程度进行评分。
2.根据权利要求1所述的方法,其特征在于,在获取免疫细胞亚群的比率之前,包括采用CyTOF技术对样本进行处理。
3.根据权利要求1所述的方法,其特征在于,根据所述原始面板数据进行预处理,生成用于建模的特定免疫细胞亚群的面板数据,包括:
剔除所述原始面板数据中逐周期比率变化量的均值<0.1的所述免疫细胞亚群,生成透明数据;利用PCA算法对所述透明数据进行降维处理,得出逐周期变化不平稳的主成分PC;
根据所述透明数据与所述主成分PC的Spearman秩相关系数,剔除相关性大于剔除范围的免疫细胞亚群,生成用于建模的特定免疫细胞亚群的面板数据。
4.根据权利要求3所述的方法,其特征在于,所述剔除范围为0.6~1.0。
7.根据权利要求6所述的一种免疫损伤分析方法,其特征在于,在确定一个基点x得到免疫损伤轨迹,得出样本的免疫轨迹分析之前,包括:输入预设样本;
将所述预设样本定为基点x。
8.根据权利要求1所述的一种免疫损伤轨迹方法,其特征在于,所述样本为免疫细胞亚群。
9.根据权利要求6所述的方法,其特征在于,根据所述样本的免疫损伤评分构成免疫损伤轨迹,包括:
根据所述的基点x,计算样本y中每个样本在不同时间点上与基点x的距离;
所述样本y中每个样本在不同时间点上与基点x的距离为样本y在对应时间点上的免疫损伤评分;
根据所述样本y,每个样本设置样本编号;
根据样本编号及所述免疫损伤评分,建立二维空间的散点图;
所述散点图以基点x为起点;
根据所述免疫损伤评分从小到大连接所得的曲线为所述免疫损伤轨迹。
10.根据权利要求6所述的方法,其特征在于,所述样本y为样本库中除预设样本外的其它样本。
11.根据权利要求10所述的方法,其特征在于,所述样本库为多个样本组成的。
12.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11任一所述的数据推送方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至11任一所述的数据推送方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113300.XA CN110955961B (zh) | 2019-11-14 | 2019-11-14 | 一种免疫损伤分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113300.XA CN110955961B (zh) | 2019-11-14 | 2019-11-14 | 一种免疫损伤分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110955961A true CN110955961A (zh) | 2020-04-03 |
CN110955961B CN110955961B (zh) | 2023-10-03 |
Family
ID=69977291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113300.XA Active CN110955961B (zh) | 2019-11-14 | 2019-11-14 | 一种免疫损伤分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110955961B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100062473A1 (en) * | 2006-06-15 | 2010-03-11 | Katsuiku Hirokawa | Immunity evaluation method, immunity evaluation apparatus, immunity evaluation program and data recording medium having the immunity evaluation program stored therein |
CA2971129A1 (en) * | 2015-01-22 | 2016-07-28 | The Board Of Trustees Of The Leland Stanford Junior University | Methods and systems for determining proportions of distinct cell subsets |
CN109979538A (zh) * | 2019-03-28 | 2019-07-05 | 广州基迪奥生物科技有限公司 | 一种基于10x单细胞转录组测序数据的分析方法 |
CN110412287A (zh) * | 2019-07-11 | 2019-11-05 | 上海宸安生物科技有限公司 | 一种基于单细胞的免疫细胞分型定量分析方法 |
-
2019
- 2019-11-14 CN CN201911113300.XA patent/CN110955961B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100062473A1 (en) * | 2006-06-15 | 2010-03-11 | Katsuiku Hirokawa | Immunity evaluation method, immunity evaluation apparatus, immunity evaluation program and data recording medium having the immunity evaluation program stored therein |
CA2971129A1 (en) * | 2015-01-22 | 2016-07-28 | The Board Of Trustees Of The Leland Stanford Junior University | Methods and systems for determining proportions of distinct cell subsets |
CN109979538A (zh) * | 2019-03-28 | 2019-07-05 | 广州基迪奥生物科技有限公司 | 一种基于10x单细胞转录组测序数据的分析方法 |
CN110412287A (zh) * | 2019-07-11 | 2019-11-05 | 上海宸安生物科技有限公司 | 一种基于单细胞的免疫细胞分型定量分析方法 |
Non-Patent Citations (2)
Title |
---|
GALON J,ET AL: "The Immune Score as a New Possible Approach for the Classification of Cancer", JOURNAL OF TRANSLATIONAL MEDICINE * |
曾文,秦雯: "慢性阻塞性肺疾病急性加重期患者T细胞免疫机制变化初探", 重庆医学 * |
Also Published As
Publication number | Publication date |
---|---|
CN110955961B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109952614B (zh) | 生物粒子的分类系统和方法 | |
De Luna et al. | Identification of philippine herbal medicine plant leaf using artificial neural network | |
CN109497990B (zh) | 一种基于典型相关分析的心电信号身份识别方法及系统 | |
CN110353673B (zh) | 一种基于标准互信息的脑电通道选择方法 | |
WO2024098649A1 (zh) | 一种基于生理唤醒识别的街道绿化品质检测方法 | |
CN109645990A (zh) | 一种癫痫患者脑电信号的计算机模式识别方法 | |
CN110109543B (zh) | 基于被试迁移的c-VEP识别方法 | |
CN103440471B (zh) | 基于低秩表示的人体行为识别方法 | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN101957913A (zh) | 一种基于信息融合技术的指纹识别方法及装置 | |
CN116612335B (zh) | 一种基于对比学习的少样本细粒度图像分类方法 | |
CN105893947A (zh) | 基于多局部相关特征学习的两视角人脸识别方法 | |
CN116579982A (zh) | 一种肺炎ct图像分割方法、装置及设备 | |
CN113641906A (zh) | 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质 | |
Danubianu | Step by step data preprocessing for data mining. A case study | |
CN114020593B (zh) | 一种基于轨迹聚类的异质流程日志采样方法与系统 | |
CN113554176B (zh) | 代谢特征谱推断方法、系统、计算机设备及存储介质 | |
CN111104897A (zh) | 儿童人脸识别模型的训练方法、装置以及存储介质 | |
CN117709454A (zh) | 一种基于生成式模板的无偏场景图构造方法、系统和设备 | |
CN116401311B (zh) | 一种基于gis的三维可视化数据管理系统及方法 | |
CN110347579B (zh) | 基于神经元输出行为模式的深度学习测试用例的选择方法 | |
CN110955961A (zh) | 一种免疫损伤分析方法 | |
CN116910753A (zh) | 一种恶意软件检测和模型构建方法、装置、设备及介质 | |
CN104463230B (zh) | 一种利用成对约束分块的高光谱遥感影像的波段选择方法 | |
CN113627522B (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for analyzing immune damage Granted publication date: 20231003 Pledgee: Guotou Taikang Trust Co.,Ltd. Pledgor: ZHEJIANG PLTTECH HEALTH TECHNOLOGY CO.,LTD. Registration number: Y2024980011422 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |