CN112505199A - 基于代谢组学数据的稳定型冠心病预警方法及装置 - Google Patents
基于代谢组学数据的稳定型冠心病预警方法及装置 Download PDFInfo
- Publication number
- CN112505199A CN112505199A CN202110166437.2A CN202110166437A CN112505199A CN 112505199 A CN112505199 A CN 112505199A CN 202110166437 A CN202110166437 A CN 202110166437A CN 112505199 A CN112505199 A CN 112505199A
- Authority
- CN
- China
- Prior art keywords
- heart disease
- coronary heart
- early warning
- stable coronary
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/26—Conditioning of the fluid carrier; Flow patterns
- G01N30/28—Control of physical parameters of the fluid carrier
- G01N30/34—Control of physical parameters of the fluid carrier of fluid composition, e.g. gradient
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/62—Detectors specially adapted therefor
- G01N30/72—Mass spectrometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8624—Detection of slopes or peaks; baseline correction
- G01N30/8631—Peaks
- G01N30/8634—Peak quality criteria
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8693—Models, e.g. prediction of retention times, method development and validation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8696—Details of Software
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
- G01N2030/8809—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample
- G01N2030/8813—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample biological materials
- G01N2030/8822—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample biological materials involving blood
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2570/00—Omics, e.g. proteomics, glycomics or lipidomics; Methods of analysis focusing on the entire complement of classes of biological molecules or subsets thereof, i.e. focusing on proteomes, glycomes or lipidomes
Landscapes
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于代谢组学数据的稳定型冠心病预警方法及装置,其中该方法包括:加载稳定型冠心病预警模型,其中,稳定型冠心病预警模型是预先根据正常冠状动脉生物个体和稳定型冠心病生物个体的差异代谢物数据,对LightGBM模型进行机器学习得到的包含多种生物标志物的模型;根据稳定型冠心病预警模型,获取待诊断生物个体对应每种生物标志物的指标值;判断待诊断生物个体对应每种生物标志物的指标值是否超过预设正常取值范围;根据判断结果,输出待诊断生物个体的稳定型冠心病预警信息。本发明能够根据患者的代谢物数据对患者进行稳定型冠心病预警,实现无创预警。
Description
技术领域
本发明涉及机器学习应用领域,尤其涉及一种基于代谢组学数据的稳定型冠心病预警方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
冠心病(Coronary artery disease,CAD)又称冠状动脉粥样硬化性心脏病,是一种由基因和环境共同作用的代谢紊乱性疾病,已成为发达国家和发展中国家的首要致死原因之一。根据其临床症状、动脉阻塞和心肌损伤程度,CAD可分为不同的类别:稳定型冠心病(stable coronary artery disease,SCAD)、不稳定心绞痛(unstable angina pectoris,UA)和急性心肌梗死(acute myocardial infarction,AMI),其中UA和AMI又被称为稳定型冠心病(acute coronary syndrome,ACS)。动脉粥样硬化属于一种脂质驱动的动脉内膜炎症性疾病,由于高血脂、高胆固醇等危险因素使得氧化低密度脂蛋白(LDL)水平升高,导致动脉内膜损伤,内膜皮上的单核细胞吞噬脂质成为泡沫细胞,形成粥样硬化病变——脂质条纹,之后在多种生长因子、促炎症介质的作用下,产生病变,形成纤维斑块,当斑块不稳定时发生破裂,从而引起急性血栓。由于冠心病的动态性和复杂性,炎性不稳定斑块的形成、发展和移位的机制仍不清楚,因此识别CAD患者的冠状动脉斑块发生破裂的生物标志物对于预防其从稳定状态转变为不稳定状态以及防止血栓形成至关重要。CAD的发生与肥胖、胰岛素抵抗和糖尿病等代谢紊乱相关,因其代谢的复杂性使得冠心病的遗传学研究一直未能成功发挥潜力。
代谢组学是继基因组学、转录组学和蛋白质组学后出现的新的组学技术,已成为代谢过程研究、生物标志物识别以及揭示代谢机制的强有力工具,因此运用代谢组学手段深入挖掘冠心病的动态调控网络,探索关键信号通路基础,寻找分子标志物,建立冠心病的早期诊疗方法,对于降低冠心病的发生率和病死率具有重要意义。
随着代谢组学分析仪器和分析方法的进步,从生物样本中检测到的代谢物数量越来越多,数据量也日益庞大。因而,如何充分考虑稳定型冠心病患者的新陈代谢特征,确定一个根据代谢物数据对稳定型冠心病进行预警的模型,是目前亟待解决的技术问题。
发明内容
本发明实施例中提供了一种基于代谢组学数据的稳定型冠心病预警方法,用以解决现有技术无法实现基于代谢物数据对稳定型冠心病进行预警的技术问题,该方法包括:加载稳定型冠心病预警模型,其中,稳定型冠心病预警模型是预先根据正常冠状动脉生物个体和稳定型冠心病生物个体的差异代谢物数据,对LightGBM模型进行机器学习得到的包含多种生物标志物的模型;根据稳定型冠心病预警模型,获取待诊断生物个体对应每种生物标志物的指标值;判断待诊断生物个体对应每种生物标志物的指标值是否超过预设正常取值范围;根据判断结果,输出待诊断生物个体的稳定型冠心病预警信息。
本发明实施例中还提供了一种基于代谢组学数据的稳定型冠心病预警装置,用以解决现有技术无法实现基于代谢物数据对稳定型冠心病进行预警的技术问题,该装置包括:模型加载模块,用于加载稳定型冠心病预警模型,其中,稳定型冠心病预警模型是预先根据正常冠状动脉生物个体和稳定型冠心病生物个体的差异代谢物数据,对LightGBM模型进行机器学习得到的包含多种生物标志物的模型;指标值采集模块,用于根据稳定型冠心病预警模型,获取待诊断生物个体对应每种生物标志物的指标值;指标值检测模块,用于判断待诊断生物个体对应每种生物标志物的指标值是否超过预设正常取值范围;稳定型冠心病预警模块,用于根据判断结果,输出待诊断生物个体的稳定型冠心病预警信息。
本发明实施例中还提供了一种计算机设备,用以解决现有技术无法实现基于代谢物数据对稳定型冠心病进行预警的技术问题,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基于代谢组学数据的稳定型冠心病预警方法。
本发明实施例中还提供了一种计算机可读存储介质,用以解决现有技术无法实现基于代谢物数据对稳定型冠心病进行预警的技术问题,该计算机可读存储介质存储有执行上述基于代谢组学数据的稳定型冠心病预警方法的计算机程序。
本发明实施例中,首先加载一个预先通过机器学习训练得到的稳定型冠心病预测模型,根据稳定型冠心病预警模型,获取待诊断生物个体对应稳定型冠心病预警模型中每种生物标志物的指标值,并判断这些生物标志物的指标值是否超过预设的正常取值范围,根据判断结果,确定待诊断生物个体是否患有稳定型冠心病生物标志物,发出相应的预警信息。
通过本发明实施例,能够提供一种无创的稳定型冠心病预警方法,根据患者的代谢物数据对患者进行稳定型冠心病预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的一种基于代谢组学数据的稳定型冠心病预警方法流程图;
图2为本发明实施例中提供的一种机器学习流程图;
图3为本发明实施例中提供的一种代谢物数据获取流程图;
图4为本发明实施例中提供的一种稳定性冠心病预测模型的AUROC曲线图;
图5为本发明实施例中提供的一种基于代谢组学数据的稳定型冠心病预警结果示意图;
图6为本发明实施例中提供的一种基于代谢组学数据的稳定型冠心病预警装置示意图;
图7为本发明实施例中提供的一种可选的基于代谢组学数据的稳定型冠心病预警装置示意图;
图8为本发明实施例中提供的一种计算机设备示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明实施例中提供了一种基于代谢组学数据的稳定型冠心病预警方法,图1为本发明实施例中提供的一种基于代谢组学数据的稳定型冠心病预警方法流程图,如图1所示,该方法包括如下步骤:
S101,加载稳定型冠心病预警模型,其中,稳定型冠心病预警模型是预先根据正常冠状动脉生物个体和稳定型冠心病生物个体的差异代谢物数据,对LightGBM模型进行机器学习得到的包含多种生物标志物的模型。
需要说明的是,上述正常冠状动脉生物个体是指未患有稳定型冠心病的人群(即正常人群);上述稳定型冠心病生物个体是指患有稳定型冠心病的人群(即患者);本发明实施例中的代谢物数据是指对研究对象的血浆样本进行分析得到的各种生物代谢物的数据。通过分析正常冠状动脉生物个体和稳定性冠心病生物个体的代谢物数据,可以筛选出存在差异的一种或多种代谢物。
需要说明的是,本发明实施例中得到的稳定型冠心病预警模型包含如下生物标志物:哌啶、甲基哌啶、山梨醇、去硫生物素、分支酸、N-甲酰基犬尿氨酸、生物素、前酪氨酸、6-磷酸-2-脱氢-D-葡糖酸、维生素A、视黄酸、氯吡格雷羧酸、白三烯A4、7α-羟基胆固醇、4-磷酸泛醇-L-半胱氨酸、甘氨胆酸。
S102,根据稳定型冠心病预警模型,获取待诊断生物个体对应每种生物标志物的指标值。
需要说明的是,上述稳定型冠心病预测模型是指对机器学习模型进行训练,得到一个能够根据代谢物数据对稳定型冠心病进行预警的模型。本发明实施例中待诊断生物个体是指未知是否具有稳定性冠心病的人群。
在具体实施时,可以根据实验条件、生物样本差异以及适用条件,可以采用不同的机器学习算法,例如,线性回归、随机森林等。本发明实施例中选择LightGBM(LightGradient Boosting Machine)模型来进行机器学习训练,该模型具有更快的训练效率,低内存使用,更高的准确率,支持并行化学习,可处理大规模数据等优点。
S103,判断待诊断生物个体对应每种生物标志物的指标值是否超过预设正常取值范围。
在具体实施时,针对不同的生物标志物,可设定不同的正常取值范围,如果待诊断生物个体的某一生物标志物的指标值低于或高于该正常取值范围,则表明待诊断生物个体可能具有稳定型冠心病,及时发出预警信息。
S104,根据判断结果,输出待诊断生物个体的稳定型冠心病预警信息。
需要说明的是,本发明实施例中提供的基于代谢组学数据的稳定型冠心病预警方法,可以通过文字、语音等任意一种形式输出待诊断生物个体的稳定型冠心病预警信息。
如图2所示,本发明实施例中提供的基于代谢组学数据的稳定型冠心病预警方法,还可以通过如下步骤来实现稳定型冠心病预测模型的训练:
S201,获取正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据;
S202,根据正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据,筛选出差异代谢物数据;
S203,将筛选出的差异代谢物数据,按照预设比例划分为训练数据和测试数据;
S204,根据训练数据,对LightGBM模型进行训练,得到稳定型冠心病预警模型,并根据测试数据,对训练得到的稳定型冠心病预警模型进行验证,直到稳定型冠心病预警模型的准确率达到预设阈值。
在具体实施时,可将代谢组学数据样本中70%的数据作为训练数据样本,将30%的数据作为测试数据样本。
本发明实施例中提供的基于代谢组学数据的稳定型冠心病预警方法,在对LightGBM模型进行机器学习的过程中,可采用GridSearchCV算法和Hyperopt算法对模型参数进行调整。
在一个实施例中,如图3所示,上述S201可以通过如下步骤来实现:
S301,采集正常冠状动脉生物个体和稳定型冠心病生物个体的血浆样本;
S302,使用液相色谱-质谱联用分析方法,对正常冠状动脉生物个体和稳定型冠心病生物个体的血浆样本进行分析,得到正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据。
在具体实施时,上述S301可以使用液相色谱-质谱联用分析方法,对正常冠状动脉生物个体和稳定型冠心病生物个体的血浆样本进行分析,得到正常冠状动脉生物个体和稳定型冠心病生物个体的代谢组学数据。
在一个实施例中,本发明实施例中提供的基于代谢组学数据的稳定型冠心病预警方法,还可以包括如下步骤:采用Boruta算法确定稳定型冠心病预警模型中不同生物标志物的重要程度。
需要说明的是,Boruta的目标就是选择出所有与因变量相关的特征集合,而不是针对特定模型选择出可以使得模型cost function最小的特征集合。Boruta算法的意义在于可以更全面的理解因变量的影响因素,从而更好、更高效地进行特征选择。Boruta是python中的一个特征选择包,安装该包后输入差异代谢物相对丰度历史信息,可以得到适合建模的重要特征。其具体算法步骤为:(1)创建阴影特征 (shadow feature) : 对每个真实特征R,随机打乱顺序,得到阴影特征矩阵S,拼接到真实特征后面,构成新的特征矩阵N =[R, S];(2)用新的特征矩阵N作为输入,训练模型,得到真实特征和阴影特征;(3)取阴影特征的最大值,真实特征中大于该值的,记录一次命中;(4)使用(3)中记录的真实特征累计命中,标记特征重要或不重要;(5)删除不重要的特征,重复(1)~(4),直到所有特征都被标记。
本发明实施例中提供的基于代谢组学数据的稳定型冠心病预警方法,在具体实施时,可包括如下步骤:
一、代谢组学样本前处理:收集血液样本,并在一小时内离心取血浆,立即放入-80℃冰箱储存。样本前处理时精密吸取100 μl血浆至10 ml 玻璃管中,加入20μl混标,加入3ml MeOH: MTBE(1:1,V/V)沉淀蛋白,在2500 rpm下涡旋5 min,后4200 rpm,4℃条件下离心10 min,吸取上清液至另一个玻璃管。加入3 ml MTBE和1.2 ml H2O,2500 rpm涡旋15min,4200 rpm,4℃离心10min,将下层水相转移至2 ml EP管,用氮气吹干后,加入100 μLACN : H2O(2:98,V/V)复溶,复溶样品在2500 rpm下涡旋 5 min,在 4℃,12500条件下离心5 min,分取上清,经96孔板过滤后进样分析。
二、LC-HRMS分析条件:使用液相色谱-质谱联用分析方法进行代谢组学数据采集,其中色谱柱选择Waters ACQUITY UPLC HSS T3 色谱柱(2.1×100 mm,1.8 µm);进样量为10 μL;柱温为35℃;流速为0.25 ml/min。流动相A: H2O(0.1% formic acid);流动相B:ACN。流动相梯度如表1所示,质谱条件如表2所示。
表1 流动相梯度
Total time(min) | A(v%) | B(v%) |
0 | 98 | 2 |
9 | 40 | 60 |
18 | 40 | 60 |
20 | 0 | 100 |
30 | 0 | 100 |
表2 质谱条件
参数 | 数值 |
离子源 | ESI |
电离模式 | 正离子模式/负离子模式 |
扫描模式 | Full Scan |
扫描范围 | 70-1000 |
分辨率 | 70000 |
自动增益控制目标数 | 3e6 |
最大注入时间(ms) | 100 |
离子源温度(℃) | 350 ℃ |
鞘气流速(arb) | 40/45 |
喷雾电压(KV) | 3.5/-3.2 |
辅助气流速(arb) | 11/10 |
辅助气加热温度(℃) | 220 |
三、代谢组学数据处理及差异代谢物筛选:将LC-MS分析获得的原始数据导入Progenesis QI中进行峰识别、峰对齐、数据归一化,得到包含质荷比、保留时间、原始峰面积、归一化峰面积等信息的二维数据矩阵,采用QC样本进行数据质量评估。对于质控后的数据采用基于Mummichog算法的代谢通路映射的代谢组学处理方法,以适当的质荷比容差快速匹配代谢物数据库中分子量信息与检测到的离子信息,对代谢物进行高通量“暂定标注”并直接映射到基于KEGG数据库的代谢通路中,通过代谢通路的整体变化和代谢反应相关性,模块化地分析组间差异,从而高效率地发现并鉴定具有生物学意义的可靠生物标志物。将初步鉴定获得的差异代谢物运用LC-MS/MS技术进行代谢物结构鉴定,可获得标准品的代谢物进行标准品比对进一步确证结构。对于因丰度较低或二级数据库未收录且无法获得标准品而无法确定结构的代谢物,暂时采用初步鉴定结果。之后对最终得到的差异代谢物丰度信息建立模型进行预测。
四、基于LightGBM机器学习算法,构建预测模型及使用外部数据进行模型验证:
(1)采用Boruta算法进行特征选择。Boruta的目标就是选择出所有与因变量相关的特征集合,而不是针对特定模型选择出可以使得模型cost function最小的特征集合。Boruta算法的意义在于可以帮助我们更全面的理解因变量的影响因素,从而更好、更高效地进行特征选择。
(2)GridSearchCV(网格搜索)调整参数,即在指定的参数范围内,按步长依次调整参数,利用调整的参数训练学习器,从所有的参数中找到在验证集上精度最高的参数,这其实是一个循环和比较的过程。
(3)LightGBM建模;LightGBM是比Xgboost更强大、速度更快的模型,性能上有很大的提升,与传统算法相比具有的优点:更快的训练效率、低内存使用、更高的准确率、支持并行化学习、可处理大规模数据。
(4)选择该模型中重要特征,重新建模;
(5)采用Hyperopt对新模型进一步参数调优,Hyperopt是一种通过贝叶斯优化来调整参数的工具,该方法较快的速度,并有较好的效果。此外,Hyperopt结合MongoDB可以进行分布式调参,快速找到相对较优的参数;
(6)LightGBM 建模预测;
(7)重新获取一批从未参与建模的外部数据,将构建好的模型用于预测这批数据,通过AUROC来判断预测模型的好坏。
五、基于上述算法,获得针对正常人群的稳定性冠心病预测模型,模型所采用的标志物信息如表3所示。
表3 生物标志物信息
上述表3中,“*”代表已通过LC-MS2鉴定的代谢物;其它的为一级质谱初步鉴定。
图4示出了稳定性冠心病预测模型的AUROC曲线图,如图4所示,训练数据样本的AUROC为0.99883,测试数据样本的AUROC为0.91967。图5示出了从代谢组学数据中筛选出的多个稳定性冠心病标志物及其重要程度。
下面结合一个具体的例子,来对本发明实施例进行说明:
(一)临床入组标准:依据冠状动脉粥样硬化性心脏病的临床特点,将病人分为2组,包括: (1)稳定性CAD组(斑块稳定组),即stable CAD组,sCAD,N=92;(2)无动脉粥样硬化斑块的正常对照组,即normal coronary artery组,NCA,N=93。在临床信息收集的基础上,采集各组人群血液样本,离心得到血浆后进行代谢组学分析。
(1)研究对象:
入选标准:稳定性冠心病(陈旧心梗、PCI史、稳定性心绞痛或无临床缺血症状的“健康人”,同时冠脉CT/造影发现有冠脉狭窄病变>50%)。
排除标准:
1)根据国际通用心肌梗死定义诊断为2-5型心肌梗死;
2)严重心力衰竭/心源性休克(Killip>2级或NYHA>2级);
3)存在机械并发症(室间隔穿孔、游离壁破裂、乳头肌断裂等);
4)发病后曾发生心脏骤停和/或心肺复苏;
5)3月内口服或使用静脉任何抗生素≥1周;
6)3月内急性冠状动脉综合征(ACS)或冠状动脉血管重建(包括PCI和CABG);
7)3月内创伤或手术;
8)3月内脑血管病史(包括脑梗死或脑出血);
9)3月内上消化道或下消化道出血;
10)3月内明确感染(包括消化道、呼吸道、体表感染等);
11)慢性肠道疾病(如克劳恩病、溃疡性结肠炎等等);
12)任何肿瘤;
13)风湿免疫性疾病;
14)慢性肾脏疾病,包括肾脏移植术后。
(2)研究对象入选及病例信息收集过程
1)知情同意书;
2)入选/排除标准;
3)患者生活方式问卷临床资料;
4)在临床信息收集的基础上,采集各组人群的血液、新鲜或妥善冷冻的粪便,进行组学分析。
(3)本临床研究遵守《世界医学大会赫尔辛基宣言》和国家相关法规的要求实施,所有参与实验的临床患者均已签署本项目《知情同意书》。
(二)实施方法:
(1)临床样本采集及前处理:采集185名参与者(生物个体)的代谢组学数据。根据诊断指南和排除标准将采集的代谢组学数据分为以下两组:NCA组(N = 93),sCAD组(N =92)。
采集各个参与者在上午且空腹时间大于10小时条件下的血液样本,由医院完成相关临床常规生化指标检测,所有检测均按照国际标准方法进行。在检测后将样品收集在含有肝素钠的试管中,冷却至4℃,1小时内离心取血浆(1,350 rpm,离心12分钟),分成等分试样后保存于在-80℃冰箱。
对采集的数据进行代谢组学分析前的样本前处理,前处理步骤如下:
精密吸取100 μl血浆至10 ml 玻璃管中,加入20μl混标,加入3ml MeOH: MTBE(1:1,V/V)沉淀蛋白,在2500 rpm下涡旋5 min,后4200 rpm,4℃条件下离心10 min,吸取上清液至另一个玻璃管。加入3 ml MTBE和1.2 ml H2O,2500 rpm涡旋15min,4200 rpm,4℃离心10min,将下层水相转移至2 ml EP管,用氮气吹干后,加入100 μL ACN : H2O(2:98,V/V)复溶,复溶样品在2500 rpm下涡旋 5 min,在 4℃,12500条件下离心5 min,分取上清,经96孔板过滤后进样分析。
(2)LC-HRMS分析条件:使用液相色谱-质谱联用分析方法进行代谢组学数据采集,其中液相色谱系统选择Waters二维 ACQUITY UPLC 系统,包括二元超高压梯度泵、四元超高压梯度泵、在线脱气机、自动进样器、柱温箱、 4-40 °C 恒温箱、二极管阵列检测器和蒸发光散射检测器,并配有 EmpowerTM 工作站软件,色谱柱选择Waters ACQUITY UPLC HSST3 色谱柱(2.1×100 mm,1.8 µm);进样量为10 μL;柱温为35℃;流速为0.25 ml/min。流动相A: H2O(0.1% formic acid);流动相B: ACN。流动相梯度如表4所示。
表4 流动相梯度
Total time(min) | A(v%) | B(v%) |
0 | 98 | 2 |
9 | 40 | 60 |
18 | 40 | 60 |
20 | 0 | 100 |
30 | 0 | 100 |
液相分析后,采用Q-Orbitrap高分辨质谱仪(Q-Exactive型)在全扫描采集模式对所测样本进行质谱检测,其配有Xcalibur 3.0数据采集系统,详细参数设置如表5所示。
表5设置参数信息
参数 | 数值 |
离子源 | ESI |
电离模式 | 正离子模式/负离子模式 |
扫描模式 | Full Scan |
扫描范围 | 70-1000 |
分辨率 | 70000 |
自动增益控制目标数 | 3e6 |
最大注入时间(ms) | 100 |
离子源温度(℃) | 350 ℃ |
鞘气流速(arb) | 40/45 |
喷雾电压(KV) | 3.5/-3.2 |
辅助气流速(arb) | 11/10 |
辅助气加热温度(℃) | 220 |
(3)代谢组学数据处理及差异代谢物筛选:
将LC-MS分析获得的原始数据导入Progenesis QI中进行峰识别、峰对齐、数据归一化,得到包含质荷比、保留时间、原始峰面积、归一化峰面积等信息的二维数据矩阵,采用QC样本进行数据质量评估。对于质控后的数据采用基于Mummichog算法的代谢通路映射的代谢组学处理方法,设定适当的质核比容差(<5ppm)及加和离子形式后,对高分辨质谱数据获得的m/z(质荷比,即质子数/电荷数的比值)进行高通量暂定标注,获得代谢物信息,然后结合KEGG、UCSD BiGG等通路数据库进行通路分析与模块分析。最终获得显著变化的代谢通路9条,包括赖氨酸降解、花生四烯酸代谢、生物素代谢、缬氨酸,亮氨酸和异亮氨酸的代谢、苯丙氨酸代谢等,对通路中的代谢物进行t检验,获得显著变化的差异代谢物。将初步鉴定获得的差异代谢物运用 LC-MS/MS技术进行代谢物结构鉴定,可获得标准品的代谢物进行标准品比对进一步确证结构。对于因丰度较低或二级数据库未收录且无法获得标准品而无法确定结构的代谢物,暂时采用初步鉴定结果。最终获得了24个差异代谢物。
(4)采用机器学习的方法建立预测模型:采用LightGBM的机器学习方法建模及十乘十交叉验证的方法,将差异代谢物数据随机分成训练集和测试集。首先采用boruta算法进行特征选择。采用GridSearchCV(网格搜索)和Hyperopt不断调整参数,选择最优的参数。重新获取一批从未参与建模的外部数据,将构建好的模型用于预测这批数据,通过AUROC来判断预测模型的好坏。特征的重要性用其对模型的贡献度表示。所有的分析采用Python的Scikit-learn包。
由上可知,本发明实施例中提供的基于代谢组学数据的稳定型冠心病预警方法,针对目前冠心病诊断方法的敏感性、特异性差,具有侵入性和有创性,难以实现冠心病早期诊断的问题,应用LC-HRMS技术获取正常冠状动脉及稳定型冠心病患者的代谢组学数据,筛选差异代谢物后基于机器学习方法,从复杂、繁冗的生物大数据中筛选可用于预测及监测稳定型冠心病的生物标志物,能够提供一种无创的筛查与预警手段,弥补稳定型冠心病临床预警的空白。基于代谢组学生物大数据,利用机器学习方法筛选生物标志物,使筛选得到的生物标志物更加可靠。
基于同一发明构思,本发明实施例中还提供了一种基于代谢组学数据的稳定型冠心病预警装置,如下面的实施例。由于该装置解决问题的原理与基于代谢组学数据的稳定型冠心病预警方法相似,因此该装置的实施可以参见基于代谢组学数据的稳定型冠心病预警方法的实施,重复之处不再赘述。
图6为本发明实施例中提供的一种基于代谢组学数据的稳定型冠心病预警装置示意图,如图6所示,该装置包括:模型加载模块61、指标值采集模块62、指标值检测模块63和稳定型冠心病预警模块64。
其中,模型加载模块61,用于加载稳定型冠心病预警模型,其中,稳定型冠心病预警模型是预先根据正常冠状动脉生物个体和稳定型冠心病生物个体的差异代谢物数据,对LightGBM模型进行机器学习得到的包含多种生物标志物的模型;指标值采集模块62,用于根据稳定型冠心病预警模型,获取待诊断生物个体对应每种生物标志物的指标值;指标值检测模块63,用于判断待诊断生物个体对应每种生物标志物的指标值是否超过预设正常取值范围;稳定型冠心病预警模块64,用于根据判断结果,输出待诊断生物个体的稳定型冠心病预警信息。
在一个实施例中,如图7所示,本发明实施例中提供的基于代谢组学数据的稳定型冠心病预警装置还包括:代谢物数据获取模块65、差异代谢物数据筛选模块66、样本数据确定模块67和机器学习模块68。
其中,代谢物数据获取模块65,用于获取正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据;差异代谢物数据筛选模块66,用于根据正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据,筛选出差异代谢物数据;样本数据确定模块67,用于将筛选出的差异代谢物数据,按照预设比例划分为训练数据和测试数据;机器学习模块68,用于根据训练数据,对LightGBM模型进行训练,得到稳定型冠心病预警模型,并根据测试数据,对训练得到的稳定型冠心病预警模型进行验证,直到稳定型冠心病预警模型的准确率达到预设阈值。
在一个实施例中,本发明实施例中提供的基于代谢组学数据的稳定型冠心病预警装置中,代谢物数据获取模块65还用于采集正常冠状动脉生物个体和稳定型冠心病生物个体的血浆样本;使用液相色谱-质谱联用分析方法,对正常冠状动脉生物个体和稳定型冠心病生物个体的血浆样本进行分析,得到正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据。
在一个实施例中,本发明实施例中提供的基于代谢组学数据的稳定型冠心病预警装置中,机器学习模块68还用于在对LightGBM模型进行机器学习的过程中,采用GridSearchCV算法和Hyperopt算法对模型参数进行调整。
在一个实施例中,如图7所示,本发明实施例中提供的基于代谢组学数据的稳定型冠心病预警装置还包括:生物标志物分析模块69,用于采用Boruta算法确定稳定性冠心病预警模型中不同生物标志物的重要程度。
基于同一发明构思,本发明实施例中还提供了一种计算机设备,用以解决现有技术无法实现基于代谢物数据对稳定型冠心病进行预警的技术问题,图8为本发明实施例中提供的一种计算机设备示意图,如图8所示,该计算机设备80包括存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序,处理器802执行计算机程序时实现上述基于代谢组学数据的稳定型冠心病预警方法。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,用以解决现有技术无法实现基于代谢物数据对稳定型冠心病进行预警的技术问题,该计算机可读存储介质存储有执行上述基于代谢组学数据的稳定型冠心病预警方法的计算机程序。
综上所述,本发明实施例中提供了一种基于代谢组学数据的稳定型冠心病预警方法、装置、计算机设备及计算机可读存储介质,通过机器学习训练一个稳定型冠心病预测模型,在采集到待预测生物个体的代谢组学数据后,将采集的代谢组学数据,输入到预先训练好的稳定型冠心病预测模型中,输出待预测生物个体的稳定型冠心病生物标志物信息,能够提供一种无创的稳定型冠心病生物标志物筛选方法,从患者的代谢组学数据中筛选出能够表征患者是否具有稳定型冠心病的多种生化指标。
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 (10)
1.一种基于代谢组学数据的稳定型冠心病预警方法,其特征在于,包括:
加载稳定型冠心病预警模型,其中,所述稳定型冠心病预警模型是预先根据正常冠状动脉生物个体和稳定型冠心病生物个体的差异代谢物数据,对LightGBM模型进行机器学习得到的包含多种生物标志物的模型;
根据所述稳定型冠心病预警模型,获取待诊断生物个体对应每种生物标志物的指标值;
判断待诊断生物个体对应每种生物标志物的指标值是否超过预设正常取值范围;
根据判断结果,输出待诊断生物个体的稳定型冠心病预警信息。
2.如权利要求1所述的方法,其特征在于,所述稳定型冠心病预警模型中包含如下生物标志物:哌啶、甲基哌啶、山梨醇、去硫生物素、分支酸、N-甲酰基犬尿氨酸、生物素、前酪氨酸、6-磷酸-2-脱氢-D-葡糖酸、维生素A、视黄酸、氯吡格雷羧酸、白三烯A4、7α-羟基胆固醇、4-磷酸泛醇-L-半胱氨酸、甘氨胆酸。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
采用Boruta算法确定稳定型冠心病预警模型中不同生物标志物的重要程度。
4.如权利要求1所述的方法,其特征在于,在加载稳定型冠心病预警模型之前,所述方法还包括:
获取正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据;
根据正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据,筛选出差异代谢物数据;
将筛选出的差异代谢物数据,按照预设比例划分为训练数据和测试数据;
根据所述训练数据,对LightGBM模型进行训练,得到稳定型冠心病预警模型,并根据所述测试数据,对训练得到的稳定型冠心病预警模型进行验证,直到所述稳定型冠心病预警模型的准确率达到预设阈值。
5.如权利要求4所述的方法,其特征在于,在对LightGBM模型进行机器学习的过程中,采用GridSearchCV算法和Hyperopt算法对模型参数进行调整。
6.如权利要求4所述的方法,其特征在于,获取正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据,包括:
采集正常冠状动脉生物个体和稳定型冠心病生物个体的血浆样本;
使用液相色谱-质谱联用分析方法,对正常冠状动脉生物个体和稳定型冠心病生物个体的血浆样本进行分析,得到正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据。
7.一种基于代谢组学数据的稳定型冠心病预警装置,其特征在于,包括:
模型加载模块,用于加载稳定型冠心病预警模型,其中,所述稳定型冠心病预警模型是预先根据正常冠状动脉生物个体和稳定型冠心病生物个体的差异代谢物数据,对LightGBM模型进行机器学习得到的包含多种生物标志物的模型;
指标值采集模块,用于根据所述稳定型冠心病预警模型,获取待诊断生物个体对应每种生物标志物的指标值;
指标值检测模块,用于判断待诊断生物个体对应每种生物标志物的指标值是否超过预设正常取值范围;
稳定型冠心病预警模块,用于根据判断结果,输出待诊断生物个体的稳定型冠心病预警信息。
8.如权利要求7所述的装置,其特征在于,所述装置还包括:
代谢物数据获取模块,用于获取正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据;
差异代谢物数据筛选模块,用于根据正常冠状动脉生物个体和稳定型冠心病生物个体的代谢物数据,筛选出差异代谢物数据;
样本数据确定模块,用于将筛选出的差异代谢物数据,按照预设比例划分为训练数据和测试数据;
机器学习模块,用于根据所述训练数据,对LightGBM模型进行训练,得到稳定型冠心病预警模型,并根据所述测试数据,对训练得到的稳定型冠心病预警模型进行验证,直到所述稳定型冠心病预警模型的准确率达到预设阈值。
9.一种计算机设备,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6任一项所述基于代谢组学数据的稳定型冠心病预警方法。
10.一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6任一项所述基于代谢组学数据的稳定型冠心病预警方法的计算机程序。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166437.2A CN112505199A (zh) | 2021-02-05 | 2021-02-05 | 基于代谢组学数据的稳定型冠心病预警方法及装置 |
CN202280002121.2A CN114938659A (zh) | 2021-02-05 | 2022-01-30 | 基于代谢组学数据的心血管病发病风险评估标志物及应用 |
PCT/CN2022/075246 WO2022166935A1 (zh) | 2021-02-05 | 2022-01-30 | 基于代谢组学数据的心血管病发病风险评估标志物及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166437.2A CN112505199A (zh) | 2021-02-05 | 2021-02-05 | 基于代谢组学数据的稳定型冠心病预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112505199A true CN112505199A (zh) | 2021-03-16 |
Family
ID=74953171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110166437.2A Pending CN112505199A (zh) | 2021-02-05 | 2021-02-05 | 基于代谢组学数据的稳定型冠心病预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112505199A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643768A (zh) * | 2021-08-12 | 2021-11-12 | 上海鹿明生物科技有限公司 | 植物代谢物数据库的构建方法、装置、介质及终端 |
CN114636774A (zh) * | 2022-04-22 | 2022-06-17 | 苏州市疾病预防控制中心 | 一种预测青少年高血压患病风险的生物代谢标志物组合物 |
WO2022166935A1 (zh) * | 2021-02-05 | 2022-08-11 | 中国医学科学院阜外医院 | 基于代谢组学数据的心血管病发病风险评估标志物及应用 |
CN116430049A (zh) * | 2023-04-03 | 2023-07-14 | 汕头大学医学院 | 食管癌的代谢标志物及其应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108027354A (zh) * | 2015-08-20 | 2018-05-11 | 深圳华大生命科学研究院 | 冠心病的生物标志物 |
CN108693268A (zh) * | 2018-05-21 | 2018-10-23 | 百迈康生物医药科技(广州)有限公司 | 一种用于预测冠心病预后的代谢标记物组合及其试剂盒 |
CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
CN111710420A (zh) * | 2020-05-15 | 2020-09-25 | 深圳先进技术研究院 | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 |
CN111850108A (zh) * | 2020-06-05 | 2020-10-30 | 广东省人民医院 | 冠心病患者死亡风险相关的dna甲基化组合物及其筛选方法和用途 |
-
2021
- 2021-02-05 CN CN202110166437.2A patent/CN112505199A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108027354A (zh) * | 2015-08-20 | 2018-05-11 | 深圳华大生命科学研究院 | 冠心病的生物标志物 |
CN108693268A (zh) * | 2018-05-21 | 2018-10-23 | 百迈康生物医药科技(广州)有限公司 | 一种用于预测冠心病预后的代谢标记物组合及其试剂盒 |
CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
CN111710420A (zh) * | 2020-05-15 | 2020-09-25 | 深圳先进技术研究院 | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 |
CN111850108A (zh) * | 2020-06-05 | 2020-10-30 | 广东省人民医院 | 冠心病患者死亡风险相关的dna甲基化组合物及其筛选方法和用途 |
Non-Patent Citations (1)
Title |
---|
YONG FAN, MS,ET AL: "ComprehensiveMetabolomicCharacterization of Coronary Artery Diseases", 《JOURNAL OF THE AMERICAN COLLEGE OF CARDIOLOGY》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022166935A1 (zh) * | 2021-02-05 | 2022-08-11 | 中国医学科学院阜外医院 | 基于代谢组学数据的心血管病发病风险评估标志物及应用 |
CN113643768A (zh) * | 2021-08-12 | 2021-11-12 | 上海鹿明生物科技有限公司 | 植物代谢物数据库的构建方法、装置、介质及终端 |
CN113643768B (zh) * | 2021-08-12 | 2023-12-15 | 上海鹿明生物科技有限公司 | 植物代谢物数据库的构建方法、装置、介质及终端 |
CN114636774A (zh) * | 2022-04-22 | 2022-06-17 | 苏州市疾病预防控制中心 | 一种预测青少年高血压患病风险的生物代谢标志物组合物 |
CN114636774B (zh) * | 2022-04-22 | 2024-05-17 | 苏州市疾病预防控制中心 | 一种预测青少年高血压患病风险的生物代谢标志物组合物 |
CN116430049A (zh) * | 2023-04-03 | 2023-07-14 | 汕头大学医学院 | 食管癌的代谢标志物及其应用 |
CN116430049B (zh) * | 2023-04-03 | 2023-10-31 | 汕头大学医学院 | 食管癌的代谢标志物及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112505199A (zh) | 基于代谢组学数据的稳定型冠心病预警方法及装置 | |
Zhang et al. | Mass spectrometry‐based metabolomics: applications to biomarker and metabolic pathway research | |
Barderas et al. | Metabolomic profiling for identification of novel potential biomarkers in cardiovascular diseases | |
TWI690707B (zh) | 用於診斷冠狀動脈粥樣硬化症之以血液為主的生物標記 | |
Ciborowski et al. | Metabolomics with LC-QTOF-MS permits the prediction of disease stage in aortic abdominal aneurysm based on plasma metabolic fingerprint | |
US11940453B2 (en) | Ceramides and their use in diagnosing CVD | |
CN112509704A (zh) | 基于代谢组学数据的急性冠脉综合征预警方法及装置 | |
CN112509695A (zh) | 针对稳定型冠心病患者的急性冠脉综合征预警方法及装置 | |
Deidda et al. | Metabolomics, a promising approach to translational research in cardiology | |
US20050101023A1 (en) | Methods for diagnosing urinary tract and prostatic disorders | |
CN112881547B (zh) | 一种肝硬化及肝炎人群早期肝癌诊断标志物的筛选方法 | |
Tang et al. | Metabolomics workflow for lung cancer: Discovery of biomarkers | |
WO2015179952A1 (en) | A metabolite panel for improved screening and diagnostic testing of cystic fibrosis | |
Liang et al. | Serum metabolomics uncovering specific metabolite signatures of intra-and extrahepatic cholangiocarcinoma | |
Barco et al. | Plasma free metanephrines for diagnosis of neuroblastoma patients | |
Yang et al. | Multi-dimensional metabolomic profiling reveals dysregulated ornithine metabolism hallmarks associated with a severe acute pancreatitis phenotype | |
Zhou et al. | Clinical lipidomics analysis reveals biomarkers of lipid peroxidation in serum from patients with rheumatoid arthritis | |
Du et al. | Power normalization for mass spectrometry data analysis and analytical method assessment | |
WO2022166935A1 (zh) | 基于代谢组学数据的心血管病发病风险评估标志物及应用 | |
CN110068624B (zh) | 生物标志物用于预测血管再狭窄以及检测试剂盒 | |
US20050106104A1 (en) | Methods for diagnosing cardiovascular disorders | |
Julià et al. | Metabolomics in rheumatic diseases | |
US20120330558A1 (en) | Identification of biomarkers | |
US20170227528A1 (en) | Biomarker compositions specific to coronary heart disease patients and uses thereof | |
EP3171173A1 (en) | Method of diagnosis of a thoracic aortic aneurysm |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210316 |
|
WD01 | Invention patent application deemed withdrawn after publication |