CN111402960A - 一种基于大数据的白血病基因融合筛选系统及方法 - Google Patents

一种基于大数据的白血病基因融合筛选系统及方法 Download PDF

Info

Publication number
CN111402960A
CN111402960A CN202010159864.3A CN202010159864A CN111402960A CN 111402960 A CN111402960 A CN 111402960A CN 202010159864 A CN202010159864 A CN 202010159864A CN 111402960 A CN111402960 A CN 111402960A
Authority
CN
China
Prior art keywords
gene
screening
information
module
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.)
Withdrawn
Application number
CN202010159864.3A
Other languages
English (en)
Inventor
朱娟
周英
付菊花
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.)
Third Xiangya Hospital of Central South University
Original Assignee
Third Xiangya Hospital of Central South University
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 Third Xiangya Hospital of Central South University filed Critical Third Xiangya Hospital of Central South University
Priority to CN202010159864.3A priority Critical patent/CN111402960A/zh
Publication of CN111402960A publication Critical patent/CN111402960A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
    • 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
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • 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
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本发明属于基因工程技术领域，公开了一种基于大数据的白血病基因融合筛选系统及方法，基于大数据的白血病基因融合筛选系统包括：基因融合模块、文件维护模块、实验管理模块、主控模块、数据提取模块、数据分析模块、图像分析模块、筛选模块、可视化操作模块、报告生成模块、数据管理模块、显示模块；基于大数据的白血病基因融合筛选方法包括进行基因数据的融合；确定基因的筛选标准；对基因数据、图像进行分析；对分析后的基因信息进行筛选；生成基因筛选报告，对基因筛选报告进行存储和管理。本发明通过对基因的融合实现对全部基因的收集，方便筛选；对基因的图像信息和数据信息进行分别分析，能够实现分析、筛选准确性的提高。

Description

一种基于大数据的白血病基因融合筛选系统及方法
技术领域
本发明属于基因工程技术领域，尤其涉及一种基于大数据的白血病基因融合筛选系统及方法。
背景技术
目前，慢性淋巴细胞白血病(chronic lymphocytic leukemia，CLL)是一类在生物学行为和临床进程上存在很大异质性的恶性B淋巴细胞性白血病。多种分子指标，如免疫球蛋白重链可变区域突变状态、细胞遗传学异常、ZAP-70和CD38的表达与其预后直接相关。MYD88在固有免疫中起到关键作用并影响B细胞的新陈代谢。MYD88基因的突变，以位于TIR域的L265P突变最为常见。含有这种MYD88突变的慢性淋巴细胞白血病患者有比较明显的NF-KB信号通路基因的表达，他们的临床表现也出现得更早。另外，MYD88基因的突变往往与药物的抵抗和慢淋患者的预后有一定的相关性。因此，检测CLL患者MYD88p.L265P基因突变对指导临床判断预后和指导用药尤为重要。随着技术的发展，基因突变检测的方法也日新月异，但是针对白血病的基因融合筛选系统缺少准确可靠的检测体系，检测效率低。
通过上述分析，现有技术存在的问题及缺陷为：现有的针对白血病的基因融合筛选系统缺少准确可靠的检测体系，检测效率低。
发明内容
针对现有技术存在的问题，本发明提供了一种基于大数据的白血病基因融合筛选系统及方法。
本发明是这样实现的，一种基于大数据的白血病基因融合筛选方法包括以下步骤：
第一步，通过基因融合程序进行基因数据的融合，所述融合方法包括：
选定数据库；所述数据库包括预先存储本地的基因数据库和云服务器共享的公共基因数据库；
将选定数据库内的基因数据和基因图像导入融合数据库；
对融合数据库内的基因信息进行融合；
第二步，所述第一步进行基因数据的融合后，通过文件维护程序对单个基因形成的文件进行维护；所述维护方法包括：
对原始文件中的各个重点位置进行注释分析；
对数据库文件的浏览与常规操作进行管理；
对整个数据库文件的搜索与过滤以及基础数据的保存；
第三步，通过实验管理程序对实验进行设计，确定基因的筛选标准；通过数据提取程序进行融合后的基因信息的提取；所述提取方法包括：读取融合数据库中的基因信息，包括图像信息和数据信息；
对所述基因的筛选标准进行分类，确定提取类别；
提取融合数据库中的全部基因的图像信息，并对全部基因进行提取类别对应信息的提取；
第四步，通过数据分析程序对第三步提取的基因数据进行分析，接收提取的基因信息的数据源，所述基因信息为结构化信息；
第五步，结合基因的筛选标准从多个所述数据源中训练生成用于分析数据源的基因标准库；
第六步，使用基因标准库从每个数据源中提取至少两个具有逻辑关系的维度及对应的维度值；
第七步，分析提取维度与基因筛选标准是否一致；获取有关基因信息的第1信息和表示所述第1信息的时间观测点的第2信息相互对应起来的M个以上的第3信息的时序数据信息，其中，M为3以上的自然数；
利用所述时序数据信息中包含的N个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，将计算出的所述时间差的集合作为第1集合而生成，其中，N是3以上的自然数；
对于计算出所述时间差的绝对值的所述第3信息的各组，计算出表示在第1时刻的所述第1信息的值和从所述第1时刻起经过了规定时间的第2时刻的所述第1信息的值之间的相关关系的自相关系数，将计算出的所述自相关系数的集合作为第2集合而生成；
基于所述第1集合和所述第2集合，计算出表示所述时间差的集合和所述自相关系数的集合之间的关系的自相关函数；
基于所述自相关函数，时序地分析所述第1信息；
输出有关分析结果的第4信息；
第八步，通过图像分析程序对提取的基因图像进行分析；
第九步，通过筛选程序对分析后的基因信息进行筛选；对基因融合筛选过程进行可视化管理；
第十步，通过报告生成程序生成基因筛选报告；通过云服务器对基因筛选报告进行存储和管理，并通过显示模块进行显示。
进一步，所述八步对提取的基因图像进行分析的方法为：
(1)针对采集到的图像信息，进行图像表面平整区域的识别；
(2)若识别到平整区域，则对识别出的平整区域进行勾画；若未识别到平整区域，则返回“(1)”；
(3)计算所勾画出的平整区域的灰度数值；
(4)针对所采集到的图像对所勾画出的平整区域进行抠除处理；
(5)返回“(1)”；直至计算出的平整的区域的灰度数值最大，停止定位；
(6)获取定位处对象的至少第一图像和第二图像，所述第一图像和医学图像为对所述目标对象的不同组成成分具有不同加权；
(7)分别处理第一图像和第二图像并获得对应的第一参数和第二参数；输出所述第一参数和第二参数。
进一步，所述第一图像为T1图像，所述第二图像为T2图像；所述目标对象为基因。
进一步，所述第一图像为对目标对象的表征结构的组成成分加权成像，所述第二图像为对目标对象的表征病理的组成成分加权成像。
进一步，所述表征病理的获取方法为：
获取健康档案信息中用户区分不同用户的唯一身份标识信息，根据所述唯一身份标识信息得到家族成员信息，查询所述家族成员信息的个人用药信息以及就医记录，根据所述家族成员信息的个人用药信息以及就医记录判断是否存在家族病史，若是，则将所述家族病史添加至医疗数据。
本发明的另一目的在于提供一种基于大数据的白血病基因融合筛选系统，包括：
基因融合模块，与主控模块连接，用于通过基因融合程序进行基因数据的融合；
文件维护模块，与主控模块连接，用于通过文件维护程序对单个基因形成的文件进行维护；
实验管理模块，与主控模块连接，用于通过实验管理程序对实验进行设计，确定基因的筛选标准；
主控模块，与基因融合模块、文件维护模块、实验管理模块、数据提取模块、数据分析模块、图像分析模块、筛选模块、可视化操作模块、报告生成模块、数据管理模块、显示模块连接，用于通过主控机对各个模块的工作进行协调控制；
数据提取模块，与主控模块连接，用于通过数据提取程序进行融合后的基因信息的提取；
数据分析模块，与主控模块连接，用于通过数据分析程序对提取的基因数据进行分析；
图像分析模块，与主控模块连接，用于通过图像分析程序对提取的基因图像进行分析；
筛选模块，与主控模块连接，用于通过筛选程序对分析后的基因信息进行筛选；
可视化操作模块，与主控模块连接，用于对基因融合筛选过程进行可视化管理；
报告生成模块，与主控模块连接，用于通过报告生成程序生成基因筛选报告。
进一步，所述基于大数据的白血病基因融合筛选进一步系统包括：
数据管理模块，与主控模块连接，用于通过云服务器对基因筛选报告进行存储和管理。
进一步，所述基于大数据的白血病基因融合筛选进一步系统包括：
显示模块，与主控模块连接，用于通过显示器进行筛选进度、筛选报告的查看。
本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述基于大数据的白血病基因融合筛选方法。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的基于大数据的白血病基因融合筛选方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过对基因的融合实现对全部基因的收集，方便筛选；对基因的图像信息和数据信息进行分别分析，能够实现分析、筛选准确性的提高；云服务器对生成报告进行存储和管理，能够实现基因信息的更新。本发明提供的是一种汇集大数据存储、管理、利用为一体的综合性解决方案，利用云计算等技术手段，实现对大数据的管理与利用，并实现对生物组学大数据的在线、可视化、自由定制流程与工具的深度挖掘、分析与利用。
附图说明
图1是本发明实施例提供的基于大数据的白血病基因融合筛选系统的结构框图。
图2是本发明实施例提供的基于大数据的白血病基因融合筛选方法的流程图。
图3是本发明实施例提供的进行基因数据的融合的方法的流程图。
图4是本发明实施例提供的对单个基因形成的文件进行维护的方法的流程图。
图5是本发明实施例提供的对提取的基因数据进行分析的方法的流程图。
图6是本发明实施例提供的对提取的基因图像进行分析的方法的流程图。
图1中：1、基因融合模块；2、文件维护模块；3、实验管理模块；4、主控模块；5、数据提取模块；6、数据分析模块；7、图像分析模块；8、筛选模块；9、可视化操作模块；10、报告生成模块；11、数据管理模块；12、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于大数据的白血病基因融合筛选系统及方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于大数据的白血病基因融合筛选系统包括：
基因融合模块1、文件维护模块2、实验管理模块3、主控模块4、数据提取模块5、数据分析模块6、图像分析模块7、筛选模块8、可视化操作模块9、报告生成模块10、数据管理模块11、显示模块12。
基因融合模块1，与主控模块4连接，用于通过基因融合程序进行基因数据的融合。
文件维护模块2，与主控模块4连接，用于通过文件维护程序对单个基因形成的文件进行维护。
实验管理模块3，与主控模块4连接，用于通过实验管理程序对实验进行设计，确定基因的筛选标准。
主控模块4，与基因融合模块1、文件维护模块2、实验管理模块3、数据提取模块5、数据分析模块6、图像分析模块7、筛选模块8、可视化操作模块9、报告生成模块10、数据管理模块11、显示模块12连接，用于通过主控机对各个模块的工作进行协调控制。
数据提取模块5，与主控模块4连接，用于通过数据提取程序进行融合后的基因信息的提取。
数据分析模块6，与主控模块4连接，用于通过数据分析程序对提取的基因数据进行分析。
图像分析模块7，与主控模块4连接，用于通过图像分析程序对提取的基因图像进行分析。
筛选模块8，与主控模块4连接，用于通过筛选程序对分析后的基因信息进行筛选。
可视化操作模块9，与主控模块4连接，用于对基因融合筛选过程进行可视化管理。
报告生成模块10，与主控模块4连接，用于通过报告生成程序生成基因筛选报告。
数据管理模块11，与主控模块4连接，用于通过云服务器对基因筛选报告进行存储和管理。
显示模块12，与主控模块4连接，用于通过显示器进行筛选进度、筛选报告的查看。
如图2所示，本发明实施例提供的基于大数据的白血病基因融合筛选方法包括以下步骤：
S101，通过基因融合程序进行基因数据的融合，通过文件维护程序对单个基因形成的文件进行维护。
S102，通过实验管理程序对实验进行设计，确定基因的筛选标准。通过数据提取程序进行融合后的基因信息的提取。
S103，通过数据分析程序对提取的基因数据进行分析，通过图像分析程序对提取的基因图像进行分析。
S104，通过筛选程序对分析后的基因信息进行筛选。对基因融合筛选过程进行可视化管理。
S105，通过报告生成程序生成基因筛选报告。通过云服务器对基因筛选报告进行存储和管理，并通过显示模块进行显示。
如图3所示，本发明实施例提供的进行基因数据的融合的方法包括以下步骤：
S201，选定数据库。所述数据库包括预先存储本地的基因数据库和云服务器共享的公共基因数据库。
S202，将选定数据库内的基因数据和基因图像导入融合数据库。
S203，对融合数据库内的基因信息进行融合。
如图4所示，本发明实施例提供的对单个基因形成的文件进行维护的方法包括以下步骤：
S301，对原始文件中的各个重点位置进行注释分析。
S302，对数据库文件的浏览与常规操作进行管理。
S303，对整个数据库文件的搜索与过滤以及基础数据的保存。
如图5所示，本发明实施例提供的对提取的基因数据进行分析的方法为：
S401，接收提取的基因信息的数据源，所述基因信息为结构化信息。
S402，结合基因的筛选标准从多个所述数据源中训练生成用于分析数据源的基因标准库。
S403，使用基因标准库从每个数据源中提取至少两个具有逻辑关系的维度及对应的维度值。
S404，分析提取维度与基因筛选标准是否一致。
如图6所示，本发明实施例提供的对提取的基因图像进行分析的方法为：
S501，针对采集到的图像信息，进行图像表面平整区域的识别。
S502，若识别到平整区域，则对识别出的平整区域进行勾画。若未识别到平整区域，则返回S501。
S503，计算所勾画出的平整区域的灰度数值。
S504，针对所采集到的图像对所勾画出的平整区域进行抠除处理。
S505，返回S501。直至计算出的平整的区域的灰度数值最大，停止定位。
S506，获取定位处对象的至少第一图像和第二图像，所述第一图像和医学图像为对所述目标对象的不同组成成分具有不同加权。
S507，分别处理第一图像和第二图像并获得对应的第一参数和第二参数。输出所述第一参数和第二参数。
本发明工作时，通过基因融合程序进行基因数据的融合，通过文件维护程序对单个基因形成的文件进行维护；通过实验管理程序对实验进行设计，确定基因的筛选标准；通过数据提取程序进行融合后的基因信息的提取；通过数据分析程序对提取的基因数据进行分析，通过图像分析程序对提取的基因图像进行分析；通过筛选程序对分析后的基因信息进行筛选；对基因融合筛选过程进行可视化管理；通过报告生成程序生成基因筛选报告；通过云服务器对基因筛选报告进行存储和管理，并通过显示模块进行显示，实现对白血病基因的融合、筛选。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的白血病基因融合筛选方法，其特征在于，所述基于大数据的白血病基因融合筛选方法包括以下步骤：
第一步，通过基因融合程序进行基因数据的融合，所述融合方法包括：
选定数据库；所述数据库包括预先存储本地的基因数据库和云服务器共享的公共基因数据库；
将选定数据库内的基因数据和基因图像导入融合数据库；
对融合数据库内的基因信息进行融合；
第二步，所述第一步进行基因数据的融合后，通过文件维护程序对单个基因形成的文件进行维护；所述维护方法包括：
对原始文件中的各个重点位置进行注释分析；
对数据库文件的浏览与常规操作进行管理；
对整个数据库文件的搜索与过滤以及基础数据的保存；
第三步，通过实验管理程序对实验进行设计，确定基因的筛选标准；通过数据提取程序进行融合后的基因信息的提取；所述提取方法包括：读取融合数据库中的基因信息，包括图像信息和数据信息；
对所述基因的筛选标准进行分类，确定提取类别；
提取融合数据库中的全部基因的图像信息，并对全部基因进行提取类别对应信息的提取；
第四步，通过数据分析程序对第三步提取的基因数据进行分析，接收提取的基因信息的数据源，所述基因信息为结构化信息；
第五步，结合基因的筛选标准从多个所述数据源中训练生成用于分析数据源的基因标准库；
第六步，使用基因标准库从每个数据源中提取至少两个具有逻辑关系的维度及对应的维度值；
第七步，分析提取维度与基因筛选标准是否一致；获取有关基因信息的第1信息和表示所述第1信息的时间观测点的第2信息相互对应起来的M个以上的第3信息的时序数据信息，其中，M为3以上的自然数；
利用所述时序数据信息中包含的N个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，将计算出的所述时间差的集合作为第1集合而生成，其中，N是3以上的自然数；
对于计算出所述时间差的绝对值的所述第3信息的各组，计算出表示在第1时刻的所述第1信息的值和从所述第1时刻起经过了规定时间的第2时刻的所述第1信息的值之间的相关关系的自相关系数，将计算出的所述自相关系数的集合作为第2集合而生成；
基于所述第1集合和所述第2集合，计算出表示所述时间差的集合和所述自相关系数的集合之间的关系的自相关函数；
基于所述自相关函数，时序地分析所述第1信息；
输出有关分析结果的第4信息；
第八步，通过图像分析程序对提取的基因图像进行分析；
第九步，通过筛选程序对分析后的基因信息进行筛选；对基因融合筛选过程进行可视化管理；
第十步，通过报告生成程序生成基因筛选报告；通过云服务器对基因筛选报告进行存储和管理，并通过显示模块进行显示。
2.如权利要求1所述的基于大数据的白血病基因融合筛选方法，其特征在于，所述八步对提取的基因图像进行分析的方法为：
(1)针对采集到的图像信息，进行图像表面平整区域的识别；
(2)若识别到平整区域，则对识别出的平整区域进行勾画；若未识别到平整区域，则返回步骤(1)；
(3)计算所勾画出的平整区域的灰度数值；
(4)针对所采集到的图像对所勾画出的平整区域进行抠除处理；
(5)返回步骤(1)；直至计算出的平整的区域的灰度数值最大，停止定位；
(6)获取定位处对象的至少第一图像和第二图像，所述第一图像和医学图像为对所述目标对象的不同组成成分具有不同加权；
(7)分别处理第一图像和第二图像并获得对应的第一参数和第二参数；输出所述第一参数和第二参数。
3.如权利要求2所述的基于大数据的白血病基因融合筛选方法，其特征在于，所述第一图像为T1图像，所述第二图像为T2图像；所述目标对象为基因。
4.如权利要求2所述的基于大数据的白血病基因融合筛选方法，其特征在于，所述第一图像为对目标对象的表征结构的组成成分加权成像，所述第二图像为对目标对象的表征病理的组成成分加权成像。
5.如权利要求4所述的基于大数据的白血病基因融合筛选方法，其特征在于，所述表征病理的获取方法为：
获取健康档案信息中用户区分不同用户的唯一身份标识信息，根据所述唯一身份标识信息得到家族成员信息，查询所述家族成员信息的个人用药信息以及就医记录，根据所述家族成员信息的个人用药信息以及就医记录判断是否存在家族病史，若是，则将所述家族病史添加至医疗数据。
6.一种基于大数据的白血病基因融合筛选系统，其特征在于，所述基于大数据的白血病基因融合筛选系统包括：
基因融合模块，与主控模块连接，用于通过基因融合程序进行基因数据的融合；
文件维护模块，与主控模块连接，用于通过文件维护程序对单个基因形成的文件进行维护；
实验管理模块，与主控模块连接，用于通过实验管理程序对实验进行设计，确定基因的筛选标准；
主控模块，与基因融合模块、文件维护模块、实验管理模块、数据提取模块、数据分析模块、图像分析模块、筛选模块、可视化操作模块、报告生成模块、数据管理模块、显示模块连接，用于通过主控机对各个模块的工作进行协调控制；
数据提取模块，与主控模块连接，用于通过数据提取程序进行融合后的基因信息的提取；
数据分析模块，与主控模块连接，用于通过数据分析程序对提取的基因数据进行分析；
图像分析模块，与主控模块连接，用于通过图像分析程序对提取的基因图像进行分析；
筛选模块，与主控模块连接，用于通过筛选程序对分析后的基因信息进行筛选；
可视化操作模块，与主控模块连接，用于对基因融合筛选过程进行可视化管理；
报告生成模块，与主控模块连接，用于通过报告生成程序生成基因筛选报告。
7.如权利要求6所述的基于大数据的白血病基因融合筛选系统，其特征在于，所述基于大数据的白血病基因融合筛选进一步系统包括：
数据管理模块，与主控模块连接，用于通过云服务器对基因筛选报告进行存储和管理。
8.如权利要求6所述的基于大数据的白血病基因融合筛选系统，其特征在于，所述基于大数据的白血病基因融合筛选进一步系统包括：
显示模块，与主控模块连接，用于通过显示器进行筛选进度、筛选报告的查看。
9.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～5任意一项所述基于大数据的白血病基因融合筛选方法。
10.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～5任意一项所述的基于大数据的白血病基因融合筛选方法。
CN202010159864.3A 2020-03-10 2020-03-10 一种基于大数据的白血病基因融合筛选系统及方法 Withdrawn CN111402960A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010159864.3A CN111402960A (zh) 2020-03-10 2020-03-10 一种基于大数据的白血病基因融合筛选系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010159864.3A CN111402960A (zh) 2020-03-10 2020-03-10 一种基于大数据的白血病基因融合筛选系统及方法

Publications (1)

Publication Number Publication Date
CN111402960A true CN111402960A (zh) 2020-07-10

Family

ID=71430592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010159864.3A Withdrawn CN111402960A (zh) 2020-03-10 2020-03-10 一种基于大数据的白血病基因融合筛选系统及方法

Country Status (1)

Country Link
CN (1) CN111402960A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095623A (zh) * 2014-05-13 2015-11-25 中国人民解放军总医院 疾病生物标志物的筛选分析方法、平台、服务器及系统
CN107978345A (zh) * 2017-12-21 2018-05-01 扬州医联生物科技有限公司 基于基因序列分析的健康数据分析报告生成系统和方法
CN109585019A (zh) * 2018-11-22 2019-04-05 广州市金圻睿生物科技有限责任公司 基因检测管理系统、方法及装置、计算机存储介质
CN109637584A (zh) * 2019-01-24 2019-04-16 上海海云生物科技有限公司 肿瘤基因诊断辅助决策系统
CN109754856A (zh) * 2018-12-07 2019-05-14 北京荣之联科技股份有限公司 自动生成基因检测报告的方法及装置、电子设备
CN110021346A (zh) * 2018-01-09 2019-07-16 上海交通大学医学院附属瑞金医院 基于RNAseq数据的基因融合与突变检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095623A (zh) * 2014-05-13 2015-11-25 中国人民解放军总医院 疾病生物标志物的筛选分析方法、平台、服务器及系统
CN107978345A (zh) * 2017-12-21 2018-05-01 扬州医联生物科技有限公司 基于基因序列分析的健康数据分析报告生成系统和方法
CN110021346A (zh) * 2018-01-09 2019-07-16 上海交通大学医学院附属瑞金医院 基于RNAseq数据的基因融合与突变检测方法及系统
CN109585019A (zh) * 2018-11-22 2019-04-05 广州市金圻睿生物科技有限责任公司 基因检测管理系统、方法及装置、计算机存储介质
CN109754856A (zh) * 2018-12-07 2019-05-14 北京荣之联科技股份有限公司 自动生成基因检测报告的方法及装置、电子设备
CN109637584A (zh) * 2019-01-24 2019-04-16 上海海云生物科技有限公司 肿瘤基因诊断辅助决策系统

Similar Documents

Publication Publication Date Title
Kehl et al. Natural language processing to ascertain cancer outcomes from medical oncologist notes
CN112035453A (zh) 基于gbdt高阶特征组合的推荐方法、装置及存储介质
CN112732915A (zh) 情感分类方法、装置、电子设备及存储介质
CN112380859A (zh) 舆情信息的推荐方法、装置、电子设备及计算机存储介质
CN104350475A (zh) 可视化的代码审阅
CN109408829B (zh) 文章可读性确定方法、装置、设备和介质
CN110741376A (zh) 用于不同自然语言的自动文档分析
Bůžková Linear regression in genetic association studies
Jeon et al. A doc2vec and local outlier factor approach to measuring the novelty of patents
CN103886092A (zh) 一种提供终端故障问题解决方案的方法及装置
CN109299252A (zh) 基于机器学习的股票评论的观点极性分类方法和装置
Ferreira et al. Exploiting disjointness axioms to improve semantic similarity measures
CN113032403A (zh) 数据洞察方法、装置、电子设备及存储介质
Pan et al. Gene Aging Nexus: a web database and data mining platform for microarray data on aging
CN109035025A (zh) 评价股票评论可靠性的方法和装置
CN115034315A (zh) 基于人工智能的业务处理方法、装置、计算机设备及介质
Istrate et al. A large dataset of software mentions in the biomedical literature
Lu et al. R Companion for Sampling: Design and Analysis
CN111402960A (zh) 一种基于大数据的白血病基因融合筛选系统及方法
CN116385081A (zh) 一种推荐物品的方法、装置、设备及存储介质
Kulshrestha et al. Comparison and interpretability of machine learning models to predict severity of chest injury
CN114446393B (zh) 用于预测肝癌特征类型的方法、电子设备和计算机存储介质
CN109300030A (zh) 实现股票投资推荐的方法和装置
Petousis et al. Evaluating the impact of uncertainty on risk prediction: Towards more robust prediction models
Yu et al. A supervised approach to detect protein complex by combining biological and topological properties

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200710

WW01 Invention patent application withdrawn after publication