CN110957010B - 一种免疫年龄模型学习方法 - Google Patents

一种免疫年龄模型学习方法 Download PDF

Info

Publication number
CN110957010B
CN110957010B CN201911113403.6A CN201911113403A CN110957010B CN 110957010 B CN110957010 B CN 110957010B CN 201911113403 A CN201911113403 A CN 201911113403A CN 110957010 B CN110957010 B CN 110957010B
Authority
CN
China
Prior art keywords
immune
model
pls
sample
age
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.)
Active
Application number
CN201911113403.6A
Other languages
English (en)
Other versions
CN110957010A (zh
Inventor
陈达
季庆华
李鹏
陈翔强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Plttech Health Technology Co ltd
Original Assignee
Zhejiang Plttech Health Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Plttech Health Technology Co ltd filed Critical Zhejiang Plttech Health Technology Co ltd
Priority to CN201911113403.6A priority Critical patent/CN110957010B/zh
Publication of CN110957010A publication Critical patent/CN110957010A/zh
Application granted granted Critical
Publication of CN110957010B publication Critical patent/CN110957010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种免疫年龄模型学习方法，其特征在于，包括：获取样本免疫细胞亚群比率；根据所述免疫细胞亚群比率构成特征矩阵X；特定细胞因子刺激检测相应的目的磷酸化蛋白表达水平得到多种组合建立响应矩阵Y；根据所述特征矩阵X及所述响应矩阵Y建立PLS模型；过滤所述PLS模型；根据样本因子得分的均值对自然年龄进行回归拟合，建立线性回归模型；根据所述线性回归模型量化样本的免疫年龄，用以量化免疫年龄，有助判断免疫系统的早期衰弱，从而有利尽早采取降低老年人患病和死亡风险的预防措施。

Description

一种免疫年龄模型学习方法
技术领域
本发明涉及生物信息、数据挖掘领域，尤其涉及一种免疫年龄模型学习方法。
背景技术
免疫系统由数百种不同的细胞类型构成，是人体抵御疾病的道防线。免疫系统的活跃水平需要细致的调控，太活跃会导致人身自身免疫缺陷病的产生，太不活跃会导致人体的免疫力下降，为各种病原体及肿瘤细胞等打开侵入人体的“入口”。随着人的衰老，免疫系统会变得越来越不活跃。然而，免疫系统的活跃状态并非与年龄是完全一一对应关系，其与遗传、环境等多种因素相关。实际上，免疫系统有自己特有的“年龄”，这一“免疫年龄”可以比生存年龄更加准确地衡量免疫系统的活跃状态。
然而，由于免疫系统的复杂性，免疫细胞的多样性，单一免疫细胞亚群无法准确指示整个免疫系统的状态。这就决定了要确定一个人的“免疫年龄”需要对免疫系统进行全方位单细胞检测分析。因此需要对一管样本同时进行几十个通道的标志物检测。
正常情况下随着年龄的增长，由于接触病原体次数的增多，淋巴细胞功能维持的下降，纯真性T细胞数量的减少，使得TCR的多样性分布下降，一般年轻个体中，TCR的多态性多为正态性分布，而老年个体中克隆性分布的比例却增加。
一般来说，CD8+TCR的多态性与年龄相关，随着年龄增加而下降；而CD4+TCR的多态性与年龄的变化无明显关系。在相同年龄下，TCR多态性表达下降表示T细胞亚群减少或消失，对某种新抗原的应答能力下降。
所以，准确、特异地定量化检测CDR3区T细胞多态性和克隆化程度可直接反映出T细胞的功能及免疫应答状态，在细胞免疫治疗中能够做到预测疗效、个性化调整治疗方案及准确地判断预后，还可用于抗病毒治疗或骨髓移植后的免疫重建，以及自身免疫性疾病的检测，包括I型糖尿病治疗的生物标志物等。
发明内容
本发明所要解决的是量化免疫年龄的问题，有助判断免疫系统的早期衰弱，从而有利尽早采取降低老年人患病和死亡风险的预防措施，提供了一种免疫年龄模型学习方法。
本发明为解决上述问题采用以下技术方案：
一种免疫年龄模型学习方法，其特征在于，包括：获取样本免疫细胞亚群比率；根据所述免疫细胞亚群比率构成特征矩阵X；特定细胞因子刺激检测相应的目的磷酸化蛋白表达水平得到多种组合建立响应矩阵Y；根据所述特征矩阵X及所述响应矩阵Y建立PLS模型；过滤所述PLS模型；根据样本因子得分的均值对自然年龄进行回归拟合，建立线性回归模型；根据所述线性回归模型量化样本的免疫年龄。
优选地，过滤所述PLS模型，包括利用交叉验证、Spectral聚类算法过滤PLS模型。
优选地，获取样本免疫细胞亚群比率，包括利用CyTOF技术对样本进行处理得到所述免疫细胞亚群比率。
优选地，所述样本为免疫细胞亚群。
优选地，根据所述特征矩阵X及所述响应矩阵Y建立PLS模型，包括：采用所述响应矩阵Y的每一列作为一组响应变量；利用PLS算法分别对所述特定矩阵X及所述一组响应变量进行建模，生成168个所述PLS模型，相关公式如下：
X＝TPT+E
Y＝UQT+F
，其中X为特征矩阵，Y为响应矩阵，矩阵T和U分别为X和Y的投影，P和Q分别是正交载荷矩阵，E和F为误差项。
优选地，在过滤所述PLS模型之前，包括：将每个PLS模型中前3个因子PV进行建模，每个PV为所述免疫细胞亚群的线性组合；根据3个因子的线性组合构成三维空间定义样本对特定细胞因子刺激检测相应的目的磷酸化蛋白表达水平。
优选地，过滤所述PLS模型，包括：对每个PLS模型进行10折交叉验证；将每个PLS模型按照拟合优度从高到低排列，剔除后10个PLS模型，生成剩余PLS模型；根据所述剩余PLS模型中因子PV1对应的组合系数求出相似矩阵：其中/>和/>分别为第k1和k2个响应变量对应的因子PVi和PVj的组合系数；利用Spectral聚类算法进行聚类，取出聚类结果中最大簇中对应的PLS模型。
优选地，根据样本因子得分的均值对自然年龄进行回归拟合，建立线性回归模型，包括：利用聚类结果中最大簇中对应的PLS模型中三个因子的系数分别取均值，得出三个因子对所述免疫细胞亚群的固定线性组合系数；计算出每个样本对应的三个因子得分组成新的特征矩阵Z：其中PVk为第k个因子PV，Subseti为免疫细胞亚群i的比率，/>为亚群Subseti对因子PVk的组合系数；利用特征矩阵Z对每个样本的自然年龄建立线性回归模型：/>
优选地，根据所述线性回归模型量化样本的免疫年龄，包括对比所述线性回归模型预测得到的免疫年龄与真实年龄，判断是否存在免疫提前衰老。
本发明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权利要求1至9任一所述的免疫年龄模型学习方法。
本发明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执行权利要求1至9任一所述的免疫年龄模型学习方法的计算机程序。
本发明意在解决结合免疫细胞亚群比例量化免疫年龄，利用有监督算法对信息进行处理，进一步提高模型的预测精度，结合监督学习解决高维数据处理过程中当特征数量达到一定数量后，增加特征不光不能提高分类精度反而导致分类精度的下降的问题。
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年龄模型学习方法流程图。
具体实施例
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，提供了一种免疫年龄模型学习方法实施例，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提供的一种免疫年龄模型学习方法流程图，如图1所示，该方法包括步骤如下：
S102，获取样本免疫细胞亚群比率；
S103，根据免疫细胞亚群比率构成特征矩阵X；
S104，特定细胞因子刺激检测相应的目的磷酸化蛋白表达水平得到多种组合建立响应矩阵Y；
S105，根据特征矩阵X及响应矩阵Y建立PLS模型；
S106，过滤PLS模型；
S107，根据样本因子得分的均值对自然年龄进行回归拟合，建立线性回归模型；
S108，根据线性回归模型量化样本的免疫年龄。
具体地，采用CyTOF技术对特定免疫细胞亚群进行处理，建立特定免疫细胞亚群比率的特征矩阵，通过特定细胞因子刺激检测相应的目的磷酸化蛋白表达水平得到多种组合建立响应矩阵，采用PLS算法建立多个模型，利用统计检验、Spectral聚类算法对模型进行过滤，利用每个样本因子得分的均值对自然年龄进行回归拟合，建立免疫年龄模型。利用免疫细胞亚群比率对其免疫年龄进行量化，与自然年龄对比以发现其是否存在免疫提前衰老的问题。
其中，所述特定细胞因子刺激检测相应的目的磷酸化蛋白表达水平得到多种组合建立响应矩阵Y，包括：根据特定细胞因子刺激检测相应的目的磷酸化蛋白表达水平得出多种组合，根据得出的多种组合则构成了响应矩阵Y。
优选地，过滤PLS模型，包括利用交叉验证、Spectral聚类算法过滤PLS模型。
需要说明的是，偏最小二乘回归(PLS回归)是一种统计学方法，与主成分回归有关系，但不是寻找响应变量和自变量之间最大方差的超平面，而是通过投影分别将预测变量和观测变量投影到一个新空间，来寻找一个线性回归模型。因为数据X和Y都会投影到新空间，PLS系列的方法都被称为双线性因子模型。偏最小二乘用于查找两个矩阵(X和Y)的基本关系，即一个在这两个空间对协方差结构建模的隐变量方法。偏最小二乘模型将试图找到X空间的多维方向来解释Y空间方差最大的多维方向。偏最小二乘回归特别适合当预测矩阵比观测的有更多变量，以及X的值中有多重共线性的时候。相比之下，标准的回归在这些情况下不见效，集多元线性回归分析、典型相关分析、主因子分析等方法于一体的偏最小二乘回归方法(PLS)更适用于FM分析，可以避免数据非正态分布、因子结构不确定性和模型不能识别等潜在问题。
优选地，获取样本免疫细胞亚群比率，包括利用CyTOF技术对样本进行处理得到免疫细胞亚群比率。
优选地，样本为免疫细胞亚群。
优选地，根据特征矩阵X及响应矩阵Y建立PLS模型，包括：采用响应矩阵Y的每一列作为一组响应变量；利用PLS算法分别对特定矩阵X及一组响应变量进行建模，生成168个PLS模型，相关公式如下：
X＝TPT+E
Y＝UQT+F
，其中X为特征矩阵，Y为响应矩阵；矩阵T和U分别为X和Y的投影；P和Q分别是正交载荷矩阵；E和F为误差项。
优选地，在过滤PLS模型之前，包括：将每个PLS模型中前3个因子PV进行建模，每个PV为免疫细胞亚群的线性组合；根据3个因子的线性组合构成三维空间定义样本对特定细胞因子刺激检测相应的目的磷酸化蛋白表达水平。
优选地，过滤PLS模型，包括：对每个PLS模型进行10折交叉验证；将每个PLS模型按照拟合优度从高到低排列，剔除后10个PLS模型，生成剩余PLS模型；根据剩余PLS模型中因子PV1对应的组合系数求出相似矩阵：其中/>和/>分别为第k1和k2个响应变量对应的因子PVi和PVj的组合系数；利用Spectral聚类算法进行聚类，取出聚类结果中最大簇中对应的PLS模型。
优选地，根据样本因子得分的均值对自然年龄进行回归拟合，建立线性回归模型，包括：利用聚类结果中最大簇中对应的PLS模型中三个因子的系数分别取均值，得出三个因子对免疫细胞亚群的固定线性组合系数；计算出每个样本对应的三个因子得分组成新的特征矩阵Z：其中PVk为第k个因子PV，Subseti为免疫细胞亚群i的比率，/>为亚群Subseti对因子PVk的组合系数；利用特征矩阵Z对每个样本的自然年龄建立线性回归模型：/>
优选地，根据线性回归模型量化样本的免疫年龄，包括对比线性回归模型预测得到的免疫年龄与真实年龄，判断是否存在免疫提前衰老。
本发明实施例还提供一种计算机设备，用以量化免疫年龄，有助判断免疫系统的早期衰弱，从而有利尽早采取降低老年人患病和死亡风险的预防措施，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年龄模型学习方法。
本发明实施例还提供一种计算机可读存储介质，用以量化免疫年龄，有助判断免疫系统的早期衰弱，从而有利尽早采取降低老年人患病和死亡风险的预防措施，该计算机可读存储介质存储有执行上述免疫年龄模型学习方法的计算机程序。
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 (9)

1.一种免疫年龄模型学习方法，其特征在于，包括：
获取样本免疫细胞亚群比率；
根据所述免疫细胞亚群比率构成特征矩阵X；
特定细胞因子刺激检测相应的目的磷酸化蛋白表达水平得到多种组合建立响应矩阵Y；
根据所述特征矩阵X及所述响应矩阵Y建立PLS模型；
过滤所述PLS模型；
根据样本因子得分的均值对自然年龄进行回归拟合，建立线性回归模型；
根据所述线性回归模型量化样本的免疫年龄；
过滤所述PLS模型，包括利用交叉验证、Spectral聚类算法过滤PLS模型；
根据样本因子得分的均值对自然年龄进行回归拟合，建立线性回归模型，包括：
利用聚类结果中最大簇中对应的PLS模型中三个因子的系数分别取均值，得出三个因子对所述免疫细胞亚群的固定线性组合系数；
计算出每个样本对应的三个因子得分组成新的特征矩阵Z：
其中PVk为第k个因子PV，subseti为免疫细胞亚群i的比率，为亚群Subseti对因子PVk的组合系数；
利用特征矩阵Z对每个样本的自然年龄建立线性回归模型：
2.根据权利要求1所述的一种免疫年龄模型学习方法，其特征在于，获取样本免疫细胞亚群比率，包括利用CyTOF技术对样本进行处理得到所述免疫细胞亚群比率。
3.根据权利要求2所述的一种免疫年龄模型学习方法，其特征在于，所述样本为免疫细胞亚群。
4.根据权利要求1所述的一种免疫年龄模型学习方法，其特征在于，根据所述特征矩阵X及所述响应矩阵Y建立PLS模型，包括：
采用所述响应矩阵Y的每一列作为一组响应变量；
利用PLS算法分别对所述特征矩阵X及所述一组响应变量进行建模，生成168个所述PLS模型，相关公式如下：
X＝TPT+E
Y＝UQT+F，
其中X为特征矩阵，Y为响应矩阵，矩阵T和U分别为X和Y的投影，P和Q分别是正交载荷矩阵，E和F为误差项。
5.根据权利要求1所述的一种免疫年龄模型学习方法，其特征在于，在过滤所述PLS模型之前，包括：
将每个PLS模型中前3个因子PV进行建模，每个PV为所述免疫细胞亚群的线性组合；
根据3个因子的线性组合构成三维空间定义样本对特定细胞因子刺激检测相应的目的磷酸化蛋白表达水平。
6.根据权利要求1所述的一种免疫年龄模型学习方法，其特征在于，过滤所述PLS模型，包括：
对每个PLS模型进行10折交叉验证；
将每个PLS模型按照拟合优度从高到低排列，剔除后10个PLS模型，生成剩余PLS模型；
根据所述剩余PLS模型中因子PV1对应的组合系数求出相似矩阵：
其中和/>分别为第k1和k2个响应变量对应的因子PVi和PVj的组合系数；利用Spectral聚类算法进行聚类，取出聚类结果中最大簇中对应的PLS模型。
7.根据权利要求1所述的一种免疫年龄模型学习方法，其特征在于，根据所述线性回归模型量化样本的免疫年龄，包括对比所述线性回归模型预测得到的免疫年龄与真实年龄，判断是否存在免疫提前衰老。
8.一种计算机设备，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7任一所述的免疫年龄模型学习方法。
9.一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7任一所述的免疫年龄模型学习方法的计算机程序。
CN201911113403.6A 2019-11-14 2019-11-14 一种免疫年龄模型学习方法 Active CN110957010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911113403.6A CN110957010B (zh) 2019-11-14 2019-11-14 一种免疫年龄模型学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911113403.6A CN110957010B (zh) 2019-11-14 2019-11-14 一种免疫年龄模型学习方法

Publications (2)

Publication Number Publication Date
CN110957010A CN110957010A (zh) 2020-04-03
CN110957010B true CN110957010B (zh) 2023-07-21

Family

ID=69977242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911113403.6A Active CN110957010B (zh) 2019-11-14 2019-11-14 一种免疫年龄模型学习方法

Country Status (1)

Country Link
CN (1) CN110957010B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113488173B (zh) * 2021-08-02 2022-07-29 广州瑞铂茵健康科技有限公司 一种人体免疫系统生理年龄的确定方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570325A (zh) * 2016-11-04 2017-04-19 西南大学 一种基于偏最小二乘法的乳腺细胞异常检测方法
CN109490544A (zh) * 2018-09-13 2019-03-19 浙江博真生物科技有限公司 一种用于检测人体免疫年龄的试剂盒及其应用
KR20190080835A (ko) * 2019-06-21 2019-07-08 한국과학기술원 T 림프구 계군을 이용한 면역 나이 측정 방법 및 장치
WO2019209874A2 (en) * 2018-04-24 2019-10-31 Healthtell Inc. Markers of immune wellness and methods of use thereof
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
CN110412286A (zh) * 2019-07-11 2019-11-05 上海宸安生物科技有限公司 一种利用质谱流式系统对肿瘤样本进行单细胞检测的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10289802B2 (en) * 2010-12-27 2019-05-14 The Board Of Trustees Of The Leland Stanford Junior University Spanning-tree progression analysis of density-normalized events (SPADE)
US20150118247A1 (en) * 2013-10-25 2015-04-30 Nodality, Inc. Methods and compositions for immunomodulation
US20150241445A1 (en) * 2014-02-24 2015-08-27 The Board Of Trustees Of The Leland Stanford Junior University Compositions and methods of prognosis and classification for recovery from surgical trauma

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570325A (zh) * 2016-11-04 2017-04-19 西南大学 一种基于偏最小二乘法的乳腺细胞异常检测方法
WO2019209874A2 (en) * 2018-04-24 2019-10-31 Healthtell Inc. Markers of immune wellness and methods of use thereof
CN109490544A (zh) * 2018-09-13 2019-03-19 浙江博真生物科技有限公司 一种用于检测人体免疫年龄的试剂盒及其应用
KR20190080835A (ko) * 2019-06-21 2019-07-08 한국과학기술원 T 림프구 계군을 이용한 면역 나이 측정 방법 및 장치
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
CN110412286A (zh) * 2019-07-11 2019-11-05 上海宸安生物科技有限公司 一种利用质谱流式系统对肿瘤样本进行单细胞检测的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A clinically meaningful metric of immune age derived from high-dimensional longitudinal monitoring;Ayelet Alpert 等;《Nature Medicine》;20190306;第25卷(第03期);487-495 *
Atlas of the Immune Cell Repertoire in Mouse Atherosclerosis Defined by Single-Cell RNA-Sequencing and Mass Cytometry;Holger Winkels 等;《Circulation Research》;20180608;第122卷(第12期);1675-1688 *
基于单细胞质谱流式技术研究慢性移植物抗宿主病患者的免疫图谱;高阳;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20190915(第（2019）09期);E060-342 *

Also Published As

Publication number Publication date
CN110957010A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN115276006B (zh) 一种用于电力集成系统的负荷预测的方法及系统
CN111612650B (zh) 一种基于dtw距离的电力用户分群方法及系统
US20040153249A1 (en) System, software and methods for biomarker identification
Squair et al. Prioritization of cell types responsive to biological perturbations in single-cell data with Augur
Teixeira et al. Learning influential genes on cancer gene expression data with stacked denoising autoencoders
CN107480441B (zh) 一种儿童脓毒性休克预后预测的建模方法及系统
CN110957010B (zh) 一种免疫年龄模型学习方法
Zhou et al. scAdapt: virtual adversarial domain adaptation network for single cell RNA-seq data classification across platforms and species
CN113355421A (zh) 肺癌早筛标志物、模型构建方法、检测装置以及计算机可读取介质
Papoutsoglou et al. Challenges in the multivariate analysis of mass cytometry data: the effect of randomization
CN115346602A (zh) 数据分析方法和装置
CN110942808A (zh) 一种基于基因大数据的预后预测方法及预测系统
CN113838519B (zh) 基于自适应基因交互正则化弹性网络模型的基因选择方法及系统
CN106650284B (zh) 一种疾病康复评价系统
Abu-Jamous et al. Identification of genes consistently co-expressed in multiple microarray datasets by a genome-wide Bi-CoPaM approach
CN115358448A (zh) 乡村资源环境综合承载力测算模型
Zhou et al. A novel Bayesian factor analysis method improves detection of genes and biological processes affected by perturbations in single-cell CRISPR screening
Gupta et al. Cytopath: Simulation based inference of differentiation trajectories from RNA velocity fields
Sun et al. Deep generative autoencoder for low-dimensional embeding extraction from single-cell RNAseq data
Liu et al. RISC: robust integration of single-cell RNA-seq datasets with different extents of cell cluster overlap
Zhao et al. Detecting regions of differential abundance between scRNA-seq datasets
Zhao et al. Detection of differentially abundant cell subpopulations discriminates biological states in scRNA-seq data
CN112599190B (zh) 一种基于混合分类器来识别耳聋相关基因的方法
Zhang et al. Signal recovery in single cell batch integration
CN117789828B (zh) 基于单细胞测序及深度学习技术的抗衰老靶点检测系统

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 Learning Method for Immune Age Model

Effective date of registration: 20230830

Granted publication date: 20230721

Pledgee: Zhejiang Hangzhou Yuhang Rural Commercial Bank Co.,Ltd. Science and Technology City Branch

Pledgor: ZHEJIANG PLTTECH HEALTH TECHNOLOGY CO.,LTD.

Registration number: Y2023980054407

PE01 Entry into force of the registration of the contract for pledge of patent right