CN112534513A - 疾病评价指标算出方法、装置、系统、及程序、以及用于算出疾病评价指标的模型制成方法 - Google Patents
疾病评价指标算出方法、装置、系统、及程序、以及用于算出疾病评价指标的模型制成方法 Download PDFInfo
- Publication number
- CN112534513A CN112534513A CN201980051821.9A CN201980051821A CN112534513A CN 112534513 A CN112534513 A CN 112534513A CN 201980051821 A CN201980051821 A CN 201980051821A CN 112534513 A CN112534513 A CN 112534513A
- Authority
- CN
- China
- Prior art keywords
- disease
- data
- bacterial flora
- intestinal bacterial
- related 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
- 201000010099 disease Diseases 0.000 title claims abstract description 188
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 title claims description 68
- 238000004364 calculation method Methods 0.000 title claims description 30
- 230000000968 intestinal effect Effects 0.000 claims abstract description 159
- 230000001580 bacterial effect Effects 0.000 claims abstract description 138
- 241000894006 Bacteria Species 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 description 64
- 208000006673 asthma Diseases 0.000 description 36
- 230000004044 response Effects 0.000 description 32
- 238000004458 analytical method Methods 0.000 description 31
- 108020004414 DNA Proteins 0.000 description 16
- 235000005911 diet Nutrition 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000000378 dietary effect Effects 0.000 description 10
- 210000003608 fece Anatomy 0.000 description 8
- 230000037213 diet Effects 0.000 description 7
- 235000013372 meat Nutrition 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 108091028043 Nucleic acid sequence Proteins 0.000 description 5
- 238000007481 next generation sequencing Methods 0.000 description 5
- 241000894007 species Species 0.000 description 5
- 206010003645 Atopy Diseases 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000037361 pathway Effects 0.000 description 4
- 238000011529 RT qPCR Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 235000005686 eating Nutrition 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012916 structural analysis Methods 0.000 description 3
- 238000007400 DNA extraction Methods 0.000 description 2
- 241000566145 Otus Species 0.000 description 2
- 235000008429 bread Nutrition 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 235000020247 cow milk Nutrition 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000021061 dietary behavior Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 108091008146 restriction endonucleases Proteins 0.000 description 2
- 238000004626 scanning electron microscopy Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 208000006820 Arthralgia Diseases 0.000 description 1
- 208000020084 Bone disease Diseases 0.000 description 1
- 206010012438 Dermatitis atopic Diseases 0.000 description 1
- 208000018522 Gastrointestinal disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000003251 Pruritus Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 201000008937 atopic dermatitis Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 208000010643 digestive system disease Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 208000018685 gastrointestinal system disease Diseases 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007803 itching Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 201000011061 large intestine cancer Diseases 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 235000013406 prebiotics Nutrition 0.000 description 1
- 239000006041 probiotic Substances 0.000 description 1
- 235000018291 probiotics Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003753 real-time PCR Methods 0.000 description 1
- 238000007894 restriction fragment length polymorphism technique Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
- C12Q1/689—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms for bacteria
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Organic Chemistry (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biochemistry (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Food Science & Technology (AREA)
- Optics & Photonics (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Medicinal Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Toxicology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明旨在提供关于算出使用肠内细菌丛的疾病评价指标的技术。输入使用者期望研究的1个或多个疾病,从数据库提取以下列数据作为内部因子的关联模型:作为预先解析使用者的便的结果的使用者的肠内细菌丛、使用者的属性、以及多个受试者的属性、作为解析受试者的便的结果的受试者的肠内细菌丛、及疾病,使用使用者的肠内细菌丛、使用者的属性、及关联模型而算出对于上述疾病的风险。
Description
【技术领域】
本发明的实施方式涉及算出使用肠内细菌丛的疾病评价指标的技术,特别涉及提出采便、并且,对于回答属性等的问卷的受试者,提供表示对于特定的疾病的风险的评价报告的技术。
【背景技术】
肠内细菌丛是由超数百至千种这样的庞大的数的细菌构成的极其复杂的生态系,在培养肠内细菌丛、观察、鉴定、解析的作业中需要莫大的劳力和时间。近年,由分子生物学的方法解决这些问题变得可能。在此方法中,使用检测细菌的基因、特别16SrRNA的基因(16SrDNA)的序列的差异的技术。
通过使用这样的技术,进行对于肠内细菌丛和特定的疾病的关系的研究。在非专利文献1中,使向多数的受试者提出用采便试剂盒采集的大便,再者,还使提供年龄或BMI(Body Mass Index)的信息,为了使用肠内细菌丛的信息而评价疾病的罹患,进行由多重逻辑回归分析评价特定的菌组和年龄或BMI的关系的研究。
另外,在非专利文献2中,记载了使用肠内细菌丛的信息的结构方程式的建模。此结构方程式建模不以评价疾病作为目的,而以评价菌丛的解析方法(Next GenerationSequencing等)作为目的进行研究。
【现有技术文献】
【非专利文献】
非专利文献1:Lahti et al.,Tipping elements in the human intestinalecosystem,nature NATURE COMMUNICATIONS 5,Article number:4344(2014),Published:8July 2014.https://www.nature.com/articles/ncomms5344
非专利文献2:Wu et al.,Comparative analysis of microbiome measurementplatforms using latent variable structural equation modeling,BMCBioinformatics 2013 14:79,Published 5March 2013,http://www.biomedcentral.com/1471-2105/14/79
【发明的概要】
【发明要解决的课题】
这样,对于用于使用肠内细菌丛的信息评价疾病的风险的模型而尚未进行向实用化的研究。因此,即使费力提出用采便试剂盒采集的大便,即使有希望对于特定的疾病的风险的评价的者(以下,称为使用者),也无法提供从使用者自身的肠内细菌丛的信息来评价使用者成为某些疾病的风险这样的服务。
本发明是关注于这样的课题而通过锐意研究完成的,其目的在于提供关于算出使用肠内细菌丛的疾病评价指标的技术。
【用于解决课题的手段】
为了解决上述课题,第1发明是利用计算机的模型制成方法,其为用于算出疾病评价指标的模型制成方法,其包括:接受1个或多个疾病的输入,从收纳作为解析多个受试者的便的结果的肠内细菌丛相关数据的第1数据库和收纳上述受试者的属性相关数据及疾病相关数据的第2数据库提取健康的人及罹患上述疾病的人的上述属性相关数据、上述肠内细菌丛相关数据、及上述疾病相关数据,制成以上述属性相关数据、上述肠内细菌丛相关数据、及上述疾病相关数据作为内部因子的关联模型。
第2发明是以上述肠内细菌丛相关数据作为1个或多个上述内部因子的第1发明中记载的利用计算机的模型制成方法。
第3发明是上述关联模型是结构方程式模型的第1发明中记载的利用计算机的模型制成方法。
第4发明是上述第2数据库还收纳上述受试者的生活相关数据及环境相关数据,除了上述受试者的属性相关数据之外,还向上述内部因子加上述受试者的生活相关数据及环境相关数据的第1发明中记载的利用计算机的模型制成方法。
第5发明是在制成上述关联模型时,选定与上述疾病相关的上述肠内细菌丛相关数据,以上述选定的肠内细菌丛相关数据作为观测变量,推定成为上述关联模型的上述内部因子的上述肠内细菌丛相关数据的第1发明中记载的利用计算机的模型制成方法。
第6发明是在制成上述关联模型时,使用疾病风险系数表的第1发明中记载的利用计算机的模型制成方法。
第7发明是在指定的属性之时,上述疾病风险系数表是关于指定的肠内细菌丛和指定的疾病-健康状态的路径的第6发明中记载的利用计算机的模型制成方法。
第8发明是用于算出疾病评价指标的模型制成程序,其为使计算机执行下列步骤的模型制成程序:接受1个或多个疾病的输入的输入步骤,从收纳作为解析多个受试者的便的结果的肠内细菌丛相关数据的第1数据库和收纳上述受试者的属性相关数据及疾病相关数据的第2数据库提取健康的人及罹患上述疾病的人的上述属性相关数据、上述肠内细菌丛相关数据、及上述疾病相关数据的步骤,制成以上述属性相关数据、上述肠内细菌丛相关数据、及上述疾病相关数据作为内部因子的关联模型的制成步骤。
第9发明是利用计算机的疾病评价指标算出方法,其包括:接受使用者期望研究的1个或多个疾病的输入,从数据库提取以作为预先解析上述使用者的便的结果的上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、以及多个受试者的属性相关数据、作为解析上述受试者的便的结果的上述受试者的肠内细菌丛相关数据、及上述疾病相关数据作为内部因子的关联模型,使用上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、及上述关联模型而算出对于上述疾病的风险。
第10发明是以上述肠内细菌丛相关数据作为1个或多个上述内部因子的第9发明中记载的利用计算机的疾病评价指标算出方法。
第11发明是上述关联模型是结构方程式模型的第9发明中记载的利用计算机的疾病评价指标算出方法。
第12发明是上述内部因子除了上述受试者的属性相关数据之外,还具有上述受试者的生活相关数据及环境相关数据的第9发明中记载的利用计算机的疾病评价指标算出方法。
第13发明是疾病评价指标算出装置,其具备:输入使用者期望研究的1个或多个疾病的输入部,从数据库提取以作为预先解析上述使用者的便的结果的上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、以及多个受试者的属性相关数据、作为解析上述受试者的便的结果的上述受试者的肠内细菌丛相关数据、及上述疾病相关数据作为内部因子的关联模型的提取部,使用上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、及上述关联模型而算出对于上述疾病的风险的算出部。
第14发明是疾病评价指标算出系统,其具备:输入使用者期望研究的1个或多个疾病的输入部,从第1数据库提取作为预先解析上述使用者的便的结果的上述使用者的肠内细菌丛相关数据,及从第2数据库提取上述使用者的属性相关数据的第1提取部,从上述第1数据库提取作为解析含健康的人及罹患上述疾病的人的多个受试者的便的结果的上述受试者的肠内细菌丛相关数据,及从上述第2数据库提取上述受试者的属性相关数据及疾病相关数据的第2提取部,制成以上述受试者的属性相关数据、上述受试者的肠内细菌丛相关数据、及上述疾病相关数据作为内部因子的关联模型的制成部,使用上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、及上述关联模型而算出对于上述疾病的风险的算出部。
第15发明是使计算机执行下列步骤的疾病评价指标算出程序:接受使用者期望研究的1个或多个疾病的输入的输入步骤,从第1数据库提取作为预先解析上述使用者的便的结果的上述使用者的肠内细菌丛相关数据,及从第2数据库提取上述使用者的属性相关数据的第1提取步骤,从上述第1数据库提取作为解析含健康的人及罹患上述疾病的人的多个受试者的便的结果的上述受试者的肠内细菌丛相关数据,及从上述第2数据库提取上述受试者的属性相关数据及疾病相关数据的第2提取步骤,制成以上述受试者的属性相关数据、上述受试者的肠内细菌丛相关数据、及上述疾病相关数据作为内部因子的关联模型的制成步骤,使用上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、及上述关联模型而算出对于上述疾病的风险的算出步骤。
【发明的效果】
根据本发明,可提供关于算出使用肠内细菌丛的疾病评价指标的技术。
【附图的简单的说明】
【图1】是本发明的实施方式涉及的疾病评价指标算出系统的整体概略图。
【图2】是本实施方式涉及的肠内细菌丛解析装置200及肠内细菌丛DB300的概略构成图。
【图3】是本实施方式涉及的评价模型的概念图。
【图4】是本实施方式涉及的问卷内容的说明图。
【图5】是本实施方式涉及的各集团的说明图。
【图6】是实施例1涉及的评价模型的概略图。
【图7】是实施例1涉及的评价模型制成的流程图。
【图8】是实施例1涉及的协方差结构分析的情况的模型的概略说明图。
【图9】是实施例1涉及的评价模型制成流程图的一部分的说明图。
【图10】是显示实施例1涉及的评价模型的具体例的图。
【图11】是显示实施例2涉及的评价模型的具体例的图。
【具体实施方式】
参照附图而对本发明的实施方式进行说明。再者,在各图中共同的部分附相同的符号,重复的说明省略。
【疾病评价指标算出系统】
图1是本发明的实施方式涉及的疾病评价指标算出系统的整体概略图。疾病评价指标算出系统具备:从多数的受试者及评价希望者(使用者)提出的采便试剂盒制成肠内细菌丛数据库(DB)的阶段、制成使用者希望评价的1个或多个疾病(特定的疾病)的评价模型的阶段、及算出对于特定的疾病的风险的评价指标的阶段。
【肠内细菌丛DB制成阶段】
在肠内细菌丛DB制成阶段,数千人以上这样的多数的受试者在厕所排泄各自的大便,将其用采便试剂盒采集。接下来,接受采便试剂盒的提取业者向肠内细菌DNA提取装置100输入采便试剂盒,输出关于肠内细菌丛的DNA溶液。
接受DNA溶液的解析业者向肠内细菌丛解析装置200输入DNA溶液,对肠内细菌丛进行解析。解析业者将解析结果数据收纳在肠内细菌丛DB300。再者,分提取业者和解析业者而说明,但也可为相同的事业者进行提取作业和解析作业。
图2是肠内细菌丛解析装置200及肠内细菌丛DB300的概略构成图。在本实施方式中,肠内细菌丛解析装置200为了准备2种从DNA溶液解析肠内细菌丛的方法,具备NGS解析装置210及T-RFLP解析装置220。但是,也可具备此2种之中至少一方而进行解析。
在NGS解析装置210中,输入预先进行试剂调整分注操作的DNA溶液,通过用第二代测序仪(Next Generation Sequencer)解析,输出关于肠内细菌丛的DNA序列,收纳在肠内细菌丛(DNA序列)DB310。即,在NGS中,可进行由序列的细菌分类,对每次菌分类的细菌的相对量进行解析。
在T-RFLP解析装置220中,输入实施试剂分注和调整的DNA溶液,通过毛细管测序仪用T-RFLP(末端限制片段长度多态性,Terminal-Restriction Fragment LengthPolymorphism)解析,输出关于肠内细菌丛的DNA指纹,收纳在肠内细菌丛(DNA指纹)DB320。即,在T-RFLP中,可进行由DNA片段长的细菌分类(OTU),对每个OTU的细菌的相对量进行解析。OTU称为操作的分类单位(Operational Taxonomic Unit),分类为“A193”等的组,但不知实际的菌属的名字。再者,“A193”的“A”是限制性内切酶“Alu I”的简称。由此限制性内切酶切断DNA。
肠内细菌丛DB300具备肠内细菌丛(DNA序列)DB310及肠内细菌丛(DNA指纹)DB320。此2种DB(310及320)各自收纳上述的2种解析装置(210及220)的解析结果。再者,在2种解析装置的一方(210或220)含在肠内细菌丛解析装置200中时,对应的DB(310或320)含在肠内细菌丛DB300中即可。由这样的数据库结构,即使是在用数千人以上这样的多数的受试者的肠内细菌丛不同的方法解析时,也可作为一个数据库对待。进而,肠内细菌丛DB300使各受试者的ID(识别编号)信息和该受试者的肠内细菌丛相关。
接下来,提出采便试剂盒的多数的受试者记入问卷,向问卷回收业者提出。问卷回收业者将问卷结果收纳在问卷DB400。其中,在问卷回收的初期阶段,由于收纳在问卷DB400的问卷结果少,也可以外部的问卷DB作为问卷DB400利用。同样地,由于收纳在肠内细菌丛DB300的数据也少,也可以外部的肠内细菌丛DB作为肠内细菌丛DB300利用。
【评价模型制成阶段】
在评价模型制成阶段,首先,评价模型制成业者选定要评价的属性和疾病。模型制成装置500具备:接受选定的属性及疾病的输入的输入部,从问卷DB400提取与这些属性及疾病相关的受试者的ID信息,还从肠内细菌丛DB300提取对应的ID信息的肠内细菌丛的提取部,由后述的制成方法制成评价模型的制成部。模型制成装置500将制成的评价模型收纳在评价模型DB600。
【疾病评价指标算出阶段】
在疾病评价指标算出阶段,评价业者提出用采便试剂盒采集的大便,并且,对于希望对于特定的疾病的风险的评价的者(以下,称为使用者),委托在肠内细菌丛DB制成阶段说明的采便试剂盒的提出、及在评价模型制成阶段说明的问卷的记入。使用者的采便试剂盒及问卷进行与多数的受试者的采便试剂盒及问卷同样的处理,收纳在肠内细菌丛DB300及问卷DB400。再者,向疾病评价指标算出装置700输入使用者希望评价的疾病(特定的疾病)、及使用者的ID信息。
疾病评价指标算出装置700具备:接受输入信息的输入部,提取与输入信息相关的信息的提取部,算出评价指标的算出部,输出评价报告的输出部。输入部接受特定的疾病及使用者的ID信息的输入。提取部从外部的问卷DB400及肠内细菌丛DB300提取与使用者的ID信息相关的信息(使用者的要因、及肠内细菌丛),从评价模型DB600提取关于特定的疾病的评价模型。进而,疾病评价指标算出装置700向特定的疾病的评价模型输入提取的使用者的要因(属性或生活习惯等)及肠内细菌丛,算出对于特定的疾病的风险的评价指标。基于算出的评价指标,输出评价报告。再者,进行分各阶段的业者而说明,但也可为相同的事业者进行全部阶段。
图3是用于对收纳在评价模型DB600的评价模型的一例进行说明的概念图。评价模型是由确认与特定的疾病一定以上的相关的观测变量和与观测变量相关的潜在变量(以下,称为因子)构建的统计解析模型。再者,在此评价模型中,要因(主要的原因)也作为因子对等待。
观测变量用实线的长方形表示,因子用椭圆形表示。各观测变量是图1的肠内细菌丛DB300或问卷DB400的信息的一部分。
评价模型的主要部具备作为观测变量的属性(性别-年龄)610-1、以及作为因子的要因1(肠内细菌丛)620-1、要因2(生活-环境等)620-2及因子(疾病等)620-3。属性(性别-年龄)610-1是问卷DB400的信息的一部分。箭头的方向定义“施加影响的方向”。另外,从要因1(肠内细菌丛)620-1向因子(疾病等)620-3的粗箭头成为一方向,但也可构建双方向的评价模型。
接下来,对因子详细地进行说明。被虚线包围的长方形630-1表示要因1(肠内细菌丛)620-1的详细。要因1(肠内细菌丛)620-1可分解为肠内细菌丛因子620-1’及多个“OTU或菌属(菌种)”610-2。多个“OTU或菌属(菌种)”610-2是观测变量,图1的肠内细菌丛DB300的信息的一部分。
被虚线包围的长方形630-2表示要因2(生活-环境等)620-2的详细。要因2(生活-环境等)620-2可分解为环境要因620-2’-1、生活环境(问卷)610-3及家庭环境(问卷)610-4、以及饮食生活要因620-2’-2、饮食行动(问卷)610-5及饮食意识(问卷)610-6。生活环境(问卷)610-3及家庭环境(问卷)610-4、以及饮食行动(问卷)610-5及饮食意识(问卷)610-6是观测变量,图1的问卷DB400的信息的一部分。
被虚线包围的长方形630-3表示因子(疾病等)620-3的详细。因子(疾病等)620-3可分解为疾病-健康状态因子620-3’、疾病(问卷)610-7及健康状态(问卷)610-8。疾病(问卷)610-7及健康状态(问卷)610-8是观测变量,图1的问卷DB400的信息的一部分。
在此图中概念性地表示,在将使用者分配在用属性(性别-年龄)610-1、以及各问卷610-3~610-8分割的集团,保有该集团的要因1(肠内细菌丛)620-1时,可算出对于使用者希望评价的疾病(特定的疾病)的风险是高还是低。其中,对于特定的疾病的风险是指现在罹患或者将来罹患特定的疾病的概率(还含可能性)。
即,作为确认到与特定的疾病一定以上的相关的观测变量,选择“OTU或菌属(菌种)”610-2、以及属性(性别-年龄)610-1、生活环境(问卷)610-3、家庭环境(问卷)610-4、饮食行动(问卷)610-5、饮食意识(问卷)610-6、疾病(问卷)610-7、及健康状态(问卷)610-8,由与这些观测变量相关的因子构建评价模型。
其中,对于属性610-1而男女不同地分割进行统计解析的母集团,以性别及年龄作为观测变量使用。另外,作为肠内细菌丛因子620-1’的观测变量,使用OTU或菌属(菌种)名610-2。这是由于,在由T-RFLP得知DNA指纹时,使用OTU,在由NGS得知DNA序列时,使用菌属(菌种)名。
图4是本实施方式涉及的问卷内容的说明图。问卷的构成概念是“属性”、“生活-家庭环境(生活方式)”、“饮食意识”、“饮食行动”、“心理负荷(应激)”、“施药”、“疾病-未病(健康状态)”,对应于这些各询问项目是一个或多个。另外,在“7-3身体状况”中,作为从身体状况判断的健康状态、例如关于特应性皮肤炎的,含发痒或皮肤发红这样的项目、或者,可自身测定的血压等。其中,为了说明的简略化,“疾病-未病(健康状态)”也可称为“疾病”,“生活-家庭环境(生活方式)”、“饮食意识”、“饮食行动”、“心理负荷(应激)”及“施药”也可综合称为“生活及环境”。
图5是本实施方式涉及的各集团的说明图。由由全体受试者构成的母集团、不关于疾病的健康母集团、关于特应反应的集团、关于特应反应及哮喘的集团、关于哮喘的集团构成。
【实施例】
【实施例1:在从属性和肠内细菌丛评价疾病风险时】
在实施例1中,对于在图3中说明的评价模型的主要部之中,使用作为观测变量的属性(性别-年龄)、以及作为因子的要因1(肠内细菌丛)及因子(疾病等)来评价疾病风险的情况进行说明。
图6是实施例1涉及的评价模型的概略图。实施例1的评价模型是用于算出对于疾病“特应反应”或“哮喘”的风险的评价指标的模型。观测变量“性别”及“年龄”从受试者提出的问卷提取,观测变量“A58”、“A131”等从受试者提出的采便试剂盒提取。另外,观测变量“特应反应”及“哮喘”是使用者希望评价的疾病。通过使用此评价模型,可算出使用者成为“特应反应”及“哮喘”的风险的评价指标。
实施例1的评价模型的内部因子是“属性”、“肠内细菌丛”及“疾病-健康状态”。这些内部因子彼此的关系以作为关联模型评价模型的概略构成表现。在本申请中,作为统计学评价这样的观测变量、内部因子彼此的多样的关系性的分析方法,采用协方差结构分析。图6中所示的观测变量和内部因子的关系、及内部因子彼此的关系以结构方程式模型(SEM;Structural Equation Modeling)表现,生成评价模型。
另外,内部因子和观测变量的关系变得如以下一样。内部因子“属性”的观测变量是“性别”及“年龄”,内部因子“肠内细菌丛”的观测变量是“A58”、“A131”等的OTU,再者,内部因子“疾病-健康状态”的观测变量是“特应反应”及“哮喘”。再者,为了说明的简略化,内部因子“疾病-健康状态”也可称为内部因子“疾病”。
图7是实施例1涉及的评价模型制成的流程图。其中,作为疾病的一例对于“特应反应”及“哮喘”进行说明,但对于其他疾病、例如,“心脏病”、“大肠癌”、“胃肠病”、“肝脏病”、“肾脏病”、“糖尿病”、“高血压”、“脂质异常”、“低体重(BMI)”、“肥胖(BMI)”、“骨病”、“关节痛”、“抑郁”等而也可同样地制成评价模型。
首先,作为疾病,选择“特应反应”及“哮喘”(S100)。作为在评价中使用的属性,选择使用“性别”及“年龄”的(S110)。
接下来,选定与疾病“特应反应”关系强的OTU(S120)。此选定也可基于例如逻辑回归分析进行。其中,在将与指定的疾病关系强的OTU由逻辑回归分析选定时,在指定的属性之时,使用由指定的肠内细菌丛和指定的疾病-健康状态的路径、该路径的系数、比值比、及p值(显著概率)构成的疾病风险系数表。
接下来,以选定的OTU作为观测变量,推定评价模型的内部因子“肠内细菌丛”(S130)。此推定可基于例如因子分析进行,或者也可基于主成分分析、主坐标分析等其他分析方法。另外,对于疾病“哮喘”而也进行同样的处理(S120及S130)。
与S120平行(不管时间的前后)而由疾病风险系数表选定与疾病“特应反应”相关的作为评价模型的内部因子的属性(S140)。进而,对于选定的属性,推定评价模型的内部因子“属性”(S150)。此推定可基于例如因子分析,或者也可基于主成分分析、主坐标分析等其他分析方法。另外,对于疾病“哮喘”而也进行同样的处理(S140及S150)。
由在S130中推定的评价模型的内部因子“肠内细菌丛”及在S140中推定的内部因子“属性”、及内部因子“疾病-健康状态”实施SEM解析(S160)。
进而,求出图8中所示的结构方程式的参数α、β、γ,制成评价模型(S170)。
图9是实施例1涉及的评价模型制成流程图的一部分(S120)的说明图。关于特定的疾病,对于从疾病风险系数表选定OTU的步骤进行说明。
首先,(1)决定疾病。在这里作为“特应反应”及“哮喘”。(2)从系数表选定OTU。这里记载“A58”、“A131”、“A477”及“A498”等,但实际上各OTU的维度成为40~100维左右。
接下来,(3)从图5中说明的各集团选定母集团。(4)作为指定的属性,选择“年龄”。其中,图5的各集团预分为仅男性,仅女性,及整体,为了构建每个母集团的评价模型,选择“年龄”。(5)实施SEM解析,(6)确认各路径的计数和模型的拟合度、即,当指定的阈值以上时结束。
图10是实施例1涉及的特应反应及哮喘的情况的评价模型的具体例。各路径的箭头的方向表示施加影响的方向,各路径的数值越接近于1,正的相关度越高,即,作为施加影响的要素显示高。一方面,中黑的三角形是负的数值,表示是负的相关。
根据图10的评价模型的具体例,对于疾病“特应反应”及“哮喘”,在某受试者“年龄”高,多保有属于“A131”的菌时,由于“年龄”和“疾病因子”有正的相关,可评价为“年龄”越高越难患上“特应反应”及“哮喘”。但是,由于“A131”和“肠内细菌丛A”有正的相关,是指“肠内细菌丛A”高。进而,由于“特应反应”及“哮喘”和“疾病因子”有正的相关,并且,“肠内细菌丛A”和“疾病因子”有负的相关,可评价为“肠内细菌丛A”高则难患上“特应反应”及“哮喘”。
再者,还留意到从“年龄”至“疾病因子”的路径有直接的路径和经由“肠内细菌丛A”的间接的路径。当由直接的路径时,如上所述,“年龄”越大,越难患上“特应反应”及“哮喘”。一方面,当由间接的路径时,当年龄增大时,“肠内细菌丛A”也少许变高,难患上“特应反应”及“哮喘”。这样,当还考虑间接的路径时,可评价为“年龄”越高越难患上“特应反应”及“哮喘”这样的影响实际小。
使用3种评价模型的拟合度指标,GFI是(拟合优度指数,Goodness of Fit Index)的简称、AGFI是(调整的GFI,Adjusted GFI)的简称、RMSEA是(近似均方根误差,Root MeanSquare Error of Approximation)的简称。GFI及AGFI的值越接近于1,表示向数据的拟合(以下,称为拟合度)越好。一方面,RMSEA的值越小,表示拟合度越好。另外,在评价模型中,也可使用作为误差的不均的指标的误差分散。
图10的评价模型的拟合度指标是GFI是0.9788、AGFI是0.9735、RMSEA是0.1096,表示此评价模型的拟合度高。
【效果】
根据实施例1,可制成从属性和肠内细菌丛评价疾病风险的评价模型。即,可制成评价从图3的要因1(肠内细菌丛)620-1向因子(疾病等)620-3的粗箭头的关联性的模型。另外,如图6中说明的一样,为了使观测变量、内部因子彼此的多样的关系性模型化,可如图10中说明的一样制成能判断直接的路径及间接的路径的两方的评价模型。
进而,使用者通过用采便试剂盒采集大便、提出,进一步回答问卷,当自身的大便多保有“A131”时,可接受受年龄的影响小,“肠内细菌丛A”高,难患上“特应反应”及“哮喘”这样的评价。
进而,疾病评价指标算出装置700从希望成为“特应反应”及“哮喘”的风险的评价的使用者接受使用者ID信息,从问卷DB400及肠内细菌丛DB300提取与使用者的ID信息相关的信息(使用者的属性、及肠内细菌丛的信息),从评价模型DB600提取关于使用者希望评价的疾病“特应反应”及“哮喘”的评价模型。进而,疾病评价指标算出装置700向图10的评价模型输入提取的使用者的属性(此时,年龄)及肠内细菌丛的信息(此时,多保有“A131”),可算出对于“特应反应”及“哮喘”的风险的评价指标。再者,基于算出的评价指标,输出评价报告。
使用者通过阅读评价报告,可理解由于使用者自身的肠内细菌丛中多含向肠内细菌丛A(因子)的因子负荷量大的“A131”,受年龄的影响小(即使年龄变大,将来)对于“特应反应”及“哮喘”的风险低。
接下来,叙述涉及疾病评价指标算出系统事业者的效果。当使用者的肠内细菌丛中多含“A131”使对于“特应反应”及“哮喘”的风险降低时,当摄取“A131”中所含的实际存在的菌时,评价报告提示降低对于“特应反应”及“哮喘”的风险的可能性。基于此可能性,事业者可进行益生菌的设计、探讨、及提议。
【实施例2:在从属性以及生活及环境和肠内细菌丛评价疾病风险时】
在实施例2中,对于使用向实施例1加图3中说明的要因2(生活-环境等),即图3中说明的评价模型的主要部全部来评价疾病风险的情况进行说明。实施例2的疾病评价指标算出系统700也与图1的整体概略图相同。在制成评价模型时,使用要因2(生活-环境等)的点是与实施例1不同的点。
图11是显示实施例2涉及的评价模型的具体例的图。实施例2特有的评价模型的内部因子作为图3的要因2(生活-环境等),使用“饮食生活”。内部因子“饮食生活”的观测变量是“牛乳”、“面包”、“肉”等。
向评价模型加观测变量“牛乳”、“面包”、“肉”等通过向问卷信息追加图4中说明的问卷的构成概念“饮食行动”的各询问项目而成为可能。另外,通过增加各询问项目的数而进行更详细的评价变得可能。
根据图11的评价模型的具体例,除了实施例1的解释之外,在某受试者食“肉”的频度高时,表示“饮食生活”因子高。这是指“肠内细菌丛A”因子降低,“肠内细菌丛B”因子增加,再者,“疾病因子”的增加。此“疾病因子”提示使成为“特应反应”及“哮喘”的风险增加。另外,通过此“饮食生活”因子高,“肠内细菌丛B”因子变高,可评价为进一步提示该高的“肠内细菌丛B”因子提高“疾病因子”的可能性。
图11的评价模型的拟合度指标是,GFI是0.9265,AGFI是0.9048,RMSEA是0.0738。因此,表示此评价模型的拟合度高。
【效果】
根据实施例2,可制成从属性及生活-环境等和肠内细菌丛评价疾病风险的评价模型。在图11的情况中,可制成从“年龄”、“肠内细菌丛A”、“肠内细菌丛B”、“饮食生活”评价成为“特应反应”及“哮喘”的风险的评价模型。
进而,疾病评价指标算出装置700从希望成为“特应反应”及“哮喘”的风险的评价的使用者接受使用者ID信息,从问卷DB400及肠内细菌丛DB300提取与使用者的ID信息相关的信息(使用者的属性及关于“饮食生活”的问卷结果,以及肠内细菌丛的信息),从评价模型DB600提取关于使用者希望评价的疾病“特应反应”及“哮喘”的评价模型。进而,疾病评价指标算出装置700向“特应反应”及“哮喘”的评价模型输入提取的使用者的要因“年龄、饮食生活”及肠内细菌丛的信息,可算出对于“特应反应”及“哮喘”的风险的评价指标。再者,基于算出的评价指标,输出评价报告。
使用者通过阅读评价报告,除了实施例1的评价之外,由于食“肉”的频度高,“肠内细菌丛A”因子降低,处于“肠内细菌丛B”因子增加的倾向,提示使成为“特应反应”及“哮喘”的风险增加。另外理解,可通过食“肉”的频度高,“肠内细菌丛B”因子变高,进一步提示提高成为“特应反应”及“哮喘”的风险的可能性这样的详细的评价。
接下来,叙述涉及疾病评价指标算出系统事业者的效果。当使用者的食“肉”的频度高,食“蔬菜”的频度低使对于“特应反应”及“哮喘”的风险增加时,抑制食“肉”的频度,另外,当多摄取“蔬菜”时,评价报告提示降低对于“特应反应”及“哮喘”的风险的可能性。基于这样的可能性,事业者可进行益生元的设计、探讨、及提议。
以上、对于本发明的实施例(含变形例)进行了说明,但在这些中,也可组合2个以上的实施例而实施。或者,这些中,也可部分实施1个实施例。再者,在这些中,也可部分组合2个以上的实施例而实施。
另外,本发明不以任何方式限于上述发明的实施例的说明。不脱离专利权利要求的记载,在本领域技术人员可容易地想到的范围内各种变形实施方式也包括在此发明中。
例如,作为实施例的肠内细菌丛解析装置200,也可使用qPCR等的其他解析装置。在qPCR解析装置的情况中,输入实施试剂分注和调整的DNA溶液,通过用实时定量PCR(quantitative Polymerase Chain Reaction)解析,输出关于肠内细菌丛的指标菌组,收纳在肠内细菌丛DB300内的肠内细菌丛(指标菌组)DB。
另外,在实施例中,作为解析关联模型的方法,使用了协方差结构分析,但也可使用路径解析等的其他解析方法。
【符号的说明】
100:肠内细菌DNA提取装置
200:肠内细菌丛解析装置
300:肠内细菌丛DB
400:问卷DB
500:模型制成装置
600:评价模型DB
700:疾病评价指标算出装置
Claims (15)
1.利用计算机的模型制成方法,其为用于算出疾病评价指标的模型制成方法,其包括:
接受1个或多个疾病的输入,
从收纳作为解析多个受试者的便的结果的肠内细菌丛相关数据的第1数据库和收纳上述受试者的属性相关数据及疾病相关数据的第2数据库提取健康的人及罹患上述疾病的人的上述属性相关数据、上述肠内细菌丛相关数据、及上述疾病相关数据,
制成以上述属性相关数据、上述肠内细菌丛相关数据、及上述疾病相关数据作为内部因子的关联模型。
2.权利要求1所述的利用计算机的模型制成方法,其中以上述肠内细菌丛相关数据作为1个或多个上述内部因子。
3.权利要求1所述的利用计算机的模型制成方法,其中上述关联模型是结构方程式模型。
4.权利要求1所述的利用计算机的模型制成方法,其中
上述第2数据库还收纳上述受试者的生活相关数据及环境相关数据,
除了上述受试者的属性相关数据之外,还向上述内部因子加上述受试者的生活相关数据及环境相关数据。
5.权利要求1所述的利用计算机的模型制成方法,其中在制成上述关联模型时,
选定与上述疾病相关的上述肠内细菌丛相关数据,
以上述选定的肠内细菌丛相关数据作为观测变量,推定成为上述关联模型的上述内部因子的上述肠内细菌丛相关数据。
6.权利要求1所述的利用计算机的模型制成方法,其中在制成上述关联模型时,使用疾病风险系数表。
7.权利要求6所述的利用计算机的模型制成方法,其中在指定的属性之时,上述疾病风险系数表是关于指定的肠内细菌丛和指定的疾病-健康状态的路径。
8.用于算出疾病评价指标的模型制成程序,其使计算机执行:
输入步骤,其接受1个或多个疾病的输入,
提取步骤,其从收纳作为解析多个受试者的便的结果的肠内细菌丛相关数据的第1数据库和收纳上述受试者的属性相关数据及疾病相关数据的第2数据库提取健康的人及罹患上述疾病的人的上述属性相关数据、上述肠内细菌丛相关数据、及上述疾病相关数据,及
制成步骤,其制成以上述属性相关数据、上述肠内细菌丛相关数据、及上述疾病相关数据作为内部因子的关联模型。
9.利用计算机的疾病评价指标算出方法,其包括:
接受使用者期望研究的1个或多个疾病的输入,
从数据库提取以下列数据作为内部因子的关联模型:
作为预先解析上述使用者的便的结果的上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、以及多个受试者的属性相关数据、
作为解析上述受试者的便的结果的上述受试者的肠内细菌丛相关数据、及上述疾病相关数据,
使用上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、及上述关联模型而算出对于上述疾病的风险。
10.权利要求7所述的利用计算机的疾病评价指标算出方法,其中以上述肠内细菌丛相关数据作为1个或多个上述内部因子。
11.权利要求7所述的利用计算机的疾病评价指标算出方法,其中上述关联模型是结构方程式模型。
12.权利要求7所述的利用计算机的疾病评价指标算出方法,其中上述内部因子除了上述受试者的属性相关数据之外,还具有上述受试者的生活相关数据及环境相关数据。
13.疾病评价指标算出装置,其具备:
输入部,其输入使用者期望研究的1个或多个疾病,
提取部,其从数据库提取以下列数据作为内部因子的关联模型:
作为预先解析上述使用者的便的结果的上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、以及多个受试者的属性相关数据、
作为解析上述受试者的便的结果的上述受试者的肠内细菌丛相关数据、及上述疾病相关数据,及
算出部,其使用上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、及上述关联模型而算出对于上述疾病的风险。
14.疾病评价指标算出系统,其具备:
输入部,其输入使用者期望研究的1个或多个疾病,
第1提取部,其
从第1数据库提取作为预先解析上述使用者的便的结果的上述使用者的肠内细菌丛相关数据,及
从第2数据库提取上述使用者的属性相关数据,
第2提取部,其
从上述第1数据库提取作为解析含健康的人及罹患上述疾病的人的多个受试者的便的结果的上述受试者的肠内细菌丛相关数据,及
从上述第2数据库提取上述受试者的属性相关数据及疾病相关数据,
制成部,其制成以上述受试者的属性相关数据、上述受试者的肠内细菌丛相关数据、及上述疾病相关数据作为内部因子的关联模型,及
算出部,其使用上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、及上述关联模型而算出对于上述疾病的风险。
15.疾病评价指标算出程序,其使计算机执行:
输入步骤,其接受使用者期望研究的1个或多个疾病的输入,
第1提取步骤,其
从第1数据库提取作为预先解析上述使用者的便的结果的上述使用者的肠内细菌丛相关数据,及
从第2数据库提取上述使用者的属性相关数据,
第2提取步骤,其
从上述第1数据库提取作为解析含健康的人及罹患上述疾病的人的多个受试者的便的结果的上述受试者的肠内细菌丛相关数据,及
从上述第2数据库提取上述受试者的属性相关数据及疾病相关数据,
制成步骤,其制成以上述受试者的属性相关数据、上述受试者的肠内细菌丛相关数据、及上述疾病相关数据作为内部因子的关联模型,及
算出步骤,其使用上述使用者的肠内细菌丛相关数据、上述使用者的属性相关数据、及上述关联模型而算出对于上述疾病的风险。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-156379 | 2018-08-23 | ||
JP2018156379A JP6533930B1 (ja) | 2018-08-23 | 2018-08-23 | 疾病評価指標算出方法、装置、システム、及び、プログラム、並びに、疾病評価指標を算出するためのモデル作成方法。 |
PCT/JP2019/032698 WO2020040219A1 (ja) | 2018-08-23 | 2019-08-21 | 疾病評価指標算出方法、装置、システム、及び、プログラム、並びに、疾病評価指標を算出するためのモデル作成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112534513A true CN112534513A (zh) | 2021-03-19 |
Family
ID=67023697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980051821.9A Pending CN112534513A (zh) | 2018-08-23 | 2019-08-21 | 疾病评价指标算出方法、装置、系统、及程序、以及用于算出疾病评价指标的模型制成方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210174967A1 (zh) |
EP (1) | EP3832664A4 (zh) |
JP (1) | JP6533930B1 (zh) |
KR (1) | KR20210049081A (zh) |
CN (1) | CN112534513A (zh) |
WO (1) | WO2020040219A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6863633B1 (ja) * | 2020-03-24 | 2021-04-21 | 一般社団法人日本農業フロンティア開発機構 | 菌群抽出方法、装置、及び、プログラム、並びに、腸内細菌叢db作成システム、及び、方法。 |
JP6986650B1 (ja) * | 2020-07-16 | 2021-12-22 | 威久 山本 | 川崎病またはIgA血管炎での合併症発生リスク予測方法、学習済みモデル及びその生成方法 |
JP7016182B1 (ja) * | 2020-07-30 | 2022-02-04 | Noster株式会社 | 細菌提供システム |
KR102373885B1 (ko) * | 2021-03-26 | 2022-03-15 | 주식회사 에이치이엠파마 | 머신러닝 모델을 이용하여 아토피 유무를 판별하는 방법 및 진단장치 |
JP7193810B1 (ja) | 2021-06-25 | 2022-12-21 | 京都府公立大学法人 | 疾患リスク評価のための腸内細菌叢のタイプ分類方法 |
CN113628714B (zh) * | 2021-07-30 | 2022-04-19 | 美益添生物医药(武汉)有限公司 | 针对疾病的营养素干预方法、系统、设备及存储介质 |
JP7270143B1 (ja) | 2022-05-30 | 2023-05-10 | シンバイオシス・ソリューションズ株式会社 | 疾病評価指標算出システム、方法、及び、プログラム |
CN115472231B (zh) * | 2022-10-11 | 2024-04-09 | 河南省人民医院 | 一种基于肠道菌群的2型糖尿病检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104726596A (zh) * | 2014-03-28 | 2015-06-24 | 首尔大学校产学协力团 | 利用肠内细菌的菌落和功能的变化的代谢性及炎症性疾病的早期诊断 |
CN107075588A (zh) * | 2014-10-21 | 2017-08-18 | 优比欧迈公司 | 用于微生物组来源的诊断和治疗的方法及系统 |
CN107506582A (zh) * | 2017-08-16 | 2017-12-22 | 周礼红 | 一种基于肠道微生物的健康风险预测系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070118398A1 (en) * | 2005-11-18 | 2007-05-24 | Flicker Technologies, Llc | System and method for estimating life expectancy and providing customized advice for improving life expectancy |
WO2014053996A2 (en) * | 2012-10-05 | 2014-04-10 | Nestec S.A. | Antibodies to microbiome, stress factors and mast cell markers as diagnostic markers for ibs |
US9289418B2 (en) * | 2013-03-15 | 2016-03-22 | Cedars-Sinai Medical Center | Methods of diagnosis, selection, and treatment of diseases and conditions caused by or associated with methanogens |
WO2015066625A1 (en) * | 2013-11-01 | 2015-05-07 | Washington University | Methods to establish and restore normal gut microbiota function of subject in need thereof |
WO2016033439A2 (en) * | 2014-08-28 | 2016-03-03 | Yale University | Compositions and methods for the treating an inflammatory disease or disorder |
US20180342322A1 (en) * | 2014-10-21 | 2018-11-29 | uBiome, Inc. | Method and system for characterization for appendix-related conditions associated with microorganisms |
JP6046849B1 (ja) * | 2015-07-21 | 2016-12-21 | TAK−Circulator株式会社 | 身体状態の評価方法、情報の提示方法、および身体状態を改善又は予防する物質のスクリーニング方法 |
EP3539033A4 (en) * | 2016-11-14 | 2020-06-03 | Cognoa, Inc. | METHOD AND DEVICE FOR EVALUATING DEVELOPMENT FAULTS AND CHECKING COVERAGE AND RELIABILITY |
-
2018
- 2018-08-23 JP JP2018156379A patent/JP6533930B1/ja active Active
-
2019
- 2019-08-21 KR KR1020217001054A patent/KR20210049081A/ko unknown
- 2019-08-21 CN CN201980051821.9A patent/CN112534513A/zh active Pending
- 2019-08-21 EP EP19852082.7A patent/EP3832664A4/en active Pending
- 2019-08-21 WO PCT/JP2019/032698 patent/WO2020040219A1/ja unknown
-
2021
- 2021-02-22 US US17/181,152 patent/US20210174967A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104726596A (zh) * | 2014-03-28 | 2015-06-24 | 首尔大学校产学协力团 | 利用肠内细菌的菌落和功能的变化的代谢性及炎症性疾病的早期诊断 |
CN107075588A (zh) * | 2014-10-21 | 2017-08-18 | 优比欧迈公司 | 用于微生物组来源的诊断和治疗的方法及系统 |
CN107506582A (zh) * | 2017-08-16 | 2017-12-22 | 周礼红 | 一种基于肠道微生物的健康风险预测系统 |
Non-Patent Citations (1)
Title |
---|
吉尔哈特: "《结直肠癌早期诊断与治疗》", 30 November 2015, 人民军医出版社, pages: 84 - 86 * |
Also Published As
Publication number | Publication date |
---|---|
US20210174967A1 (en) | 2021-06-10 |
EP3832664A4 (en) | 2021-10-13 |
EP3832664A1 (en) | 2021-06-09 |
JP2020030662A (ja) | 2020-02-27 |
KR20210049081A (ko) | 2021-05-04 |
WO2020040219A1 (ja) | 2020-02-27 |
JP6533930B1 (ja) | 2019-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112534513A (zh) | 疾病评价指标算出方法、装置、系统、及程序、以及用于算出疾病评价指标的模型制成方法 | |
CN105368944B (zh) | 可检测疾病的生物标志物及其用途 | |
JP5645761B2 (ja) | 医療データ解析方法、医療データ解析装置およびプログラム | |
JP6335910B2 (ja) | 臨床決定支援に対する、血栓症に対する臨床的リスク因子及び分子マーカの組み合わされた使用 | |
US20110301863A1 (en) | Prediction method for the screening, prognosis, diagnosis or therapeutic response of prostate cancer, and device for implementing said method | |
CN108778287B (zh) | 用于早产结果的早期风险评估的方法和系统 | |
KR102258899B1 (ko) | 통합적 건강 정보를 이용한 식단 및 운동 추천 방법 및 서비스 시스템 | |
CN111164224A (zh) | 微生物相关的重要性指数指标 | |
US20200402614A1 (en) | A computer-implemented method of analysing genetic data about an organism | |
WO2020086967A1 (en) | Methods and machine learning for disease diagnosis | |
JP7041614B2 (ja) | 生体データにおけるパターン認識のマルチレベルアーキテクチャ | |
CN107924719B (zh) | 疾病风险预测方法以及执行该方法的装置 | |
CN113272912A (zh) | 使用似然比范式的用于表型驱动临床基因组的方法和装置 | |
Kim et al. | DiffGRN: differential gene regulatory network analysis | |
JP2020030800A (ja) | 疾病評価指標算出方法、装置、システム、及び、プログラム、並びに、疾病評価指標を算出するためのモデル作成方法。 | |
Arbeev et al. | Genetic model for longitudinal studies of aging, health, and longevity and its potential application to incomplete data | |
CN113506594A (zh) | 冠心病的多基因遗传风险综合评分的构建方法与装置及应用 | |
KR102072815B1 (ko) | 마이크로바이옴을 이용한 건강 상태 분류 방법 및 장치 | |
KR102474661B1 (ko) | 인공지능 기반 아토피 피부염 예측 및 예방 상품 추천 방법 | |
KR20220075834A (ko) | 질환조기진단방법 및 플랫폼 | |
He et al. | An association rule analysis framework for complex physiological and genetic data | |
Greenberg et al. | The impact of parenting a child with serious mental illness: Accounting for the parent’s genetic vulnerability to mental illness. | |
Nery et al. | Classification model analysis for the prediction of leptospirosis cases | |
Ogawa et al. | Construction of a Prediction Equation for the Progression and Worsening of CKD Using Artificial Intelligence: PUB065 | |
Sammut-Powell et al. | Implementation of Risk-Stratified CKD Screening Among Patients with Type 2 Diabetes: PUB064 |
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 |