CN115881229B - 基于肠道微生物信息的过敏预测模型构建方法 - Google Patents
基于肠道微生物信息的过敏预测模型构建方法 Download PDFInfo
- Publication number
- CN115881229B CN115881229B CN202211623297.8A CN202211623297A CN115881229B CN 115881229 B CN115881229 B CN 115881229B CN 202211623297 A CN202211623297 A CN 202211623297A CN 115881229 B CN115881229 B CN 115881229B
- Authority
- CN
- China
- Prior art keywords
- allergy
- prediction model
- microorganism
- subject
- intestinal
- 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
Links
- 208000026935 allergic disease Diseases 0.000 title claims abstract description 54
- 206010020751 Hypersensitivity Diseases 0.000 title claims abstract description 46
- 230000007815 allergy Effects 0.000 title claims abstract description 46
- 230000000968 intestinal effect Effects 0.000 title claims abstract description 31
- 230000000813 microbial effect Effects 0.000 title claims abstract description 21
- 238000010276 construction Methods 0.000 title description 3
- 244000005700 microbiome Species 0.000 claims abstract description 66
- 241000894007 species Species 0.000 claims abstract description 23
- 208000010668 atopic eczema Diseases 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000000172 allergic effect Effects 0.000 claims abstract description 17
- 230000035945 sensitivity Effects 0.000 claims abstract description 11
- 230000002550 fecal effect Effects 0.000 claims abstract description 9
- 238000012512 characterization method Methods 0.000 claims abstract description 6
- 239000000203 mixture Substances 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 206010039085 Rhinitis allergic Diseases 0.000 claims description 5
- 201000010105 allergic rhinitis Diseases 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 208000010603 vasculitis due to ADA2 deficiency Diseases 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 108020004465 16S ribosomal RNA Proteins 0.000 claims description 3
- 108020004414 DNA Proteins 0.000 claims description 3
- 206010012434 Dermatitis allergic Diseases 0.000 claims description 3
- 208000004262 Food Hypersensitivity Diseases 0.000 claims description 3
- 206010016946 Food allergy Diseases 0.000 claims description 3
- 201000008937 atopic dermatitis Diseases 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 235000020932 food allergy Nutrition 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 108091093088 Amplicon Proteins 0.000 claims description 2
- 238000011529 RT qPCR Methods 0.000 claims description 2
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 2
- 206010047924 Wheezing Diseases 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 3
- 208000024891 symptom Diseases 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 239000013566 allergen Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000000427 antigen Substances 0.000 description 3
- 108091007433 antigens Proteins 0.000 description 3
- 102000036639 antigens Human genes 0.000 description 3
- 210000000987 immune system Anatomy 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002966 serum Anatomy 0.000 description 3
- 210000001035 gastrointestinal tract Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000606125 Bacteroides Species 0.000 description 1
- 241000186000 Bifidobacterium Species 0.000 description 1
- 230000004544 DNA amplification Effects 0.000 description 1
- 201000004624 Dermatitis Diseases 0.000 description 1
- 208000034826 Genetic Predisposition to Disease Diseases 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012268 genome sequencing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003832 immune regulation Effects 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 230000008558 metabolic pathway by substance Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 238000010181 skin prick test Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000007929 subcutaneous injection Substances 0.000 description 1
- 238000010254 subcutaneous injection Methods 0.000 description 1
Classifications
-
- 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
Abstract
本发明提供了一种基于肠道微生物信息的过敏预测模型构建方法,对受试者的过敏性病史和临床表征信息进行收集,获取肠道微生物原始序列数据并进行注释分析,从而筛选出肠道微生物的物种组成表,选择最优的特征变量合集,构建预测模型并选择出最优过敏预测模型。本发明利用了机器学习的方式来建立预测过敏的模型,只需要获取受试者的粪便样本即可,不需要对受试者机体造成可能的伤害;此外,建立的基于肠道微生物菌群的预测模型,预测准确率较高,灵敏度和特异性较好,能有效的区分多个样本中过敏与否的结果,为早期预防受试者是否会发生过敏而提供有效的证据。
Description
技术领域
本发明涉及过敏预测领域,具体涉及一种过敏预测模型。
背景技术
过敏是指机体免疫系统受到特定抗原持续刺激,或同一抗原再次刺激的病理性过度反应,是影响人体健康的常见问题之一。常见的过敏性疾病包含了过敏性鼻炎、过敏性皮肤炎、湿疹、气喘和食物过敏等,而且过敏性疾病的发生率在逐年的增加,过敏症状以及过敏原的出现也在不断增加。
根据流行病学调查的研究发现,导致过敏症状越来越多的原因除了遗传易感性,生活方式的改变也起到了重要的影响,包括剖腹产的增加、抗生素的使用和饮食生活习惯的发展等等。儿童在成长期间并未充分接触周围环境的微生物,因此缺乏相应抗原的刺激,导致后期发生过敏性疾病的概率大大增加。这些元素都直接或间接影响了肠道微生物的发展,而微生物在形成免疫反应方面发挥着主导作用,特别是在早期的时候。
肠道微生物是人体组成不可缺少的部分,不仅帮助人体从食物中吸收营养,还在包括物质代谢、生物屏障、免疫调控和宿主防御等功能上发挥重要的作用。而肠道微生物与人体存在的共生和协同进化的关系,可以促进宿主免疫系统的发育及调节机体免疫系统平衡。越来越多研究表明了肠道微生物和过敏性疾病之间存在密切的关系,例如患有过敏性鼻炎的婴儿与正常婴儿相比较在出生1个月时,肠道内肠球菌与双歧杆菌的数量都比较低,而到了12月龄时,患有过敏性鼻炎的儿童肠道内拟杆菌数量明显低于同期正常儿童。
越早干预,预防或者减轻过敏性疾病的效果就越好,而如何有效的识别预测过敏,是目前临床迫切需要解决的问题。目前常用的过敏检测方式有:血清检测,通过检测血清中IgE的浓度,来判定一些过敏性皮肤病的发生;皮肤点刺试验,以少量过敏原施予皮下注射,或于特定的皮肤位置上做表皮刮擦,辨识和确认。然而,通过血清或皮肤点刺检测的方式,检测覆盖的物质有限,并非所有过敏原都能查出,目前常见的过敏原已经近3000种,而且这些方式会对机体有一定程度的伤害,特别是对于儿童等人群。
尽管研究表明了肠道微生物和免疫疾病之间的关联作用,如何从机器学习模型上获取肠道微生物和过敏之间的关系还缺乏研究。
发明内容
发明目的:针对现有技术需求,本发明提供了一种基于肠道微生物的过敏预测模型构建方法,通过机器学习模型获取肠道微生物和过敏之间的关联。
技术方案:为了解决上述技术问题,本发明提供了一种基于肠道微生物信息的过敏预测模型构建方法,包括以下步骤:
步骤一,对受试者的过敏性病史和临床表征信息进行收集,采集受试者的粪便样本,保留过敏性病史和临床表征信息完整的受试者样本,通过基因测序方式,获取肠道微生物原始序列数据;
步骤二,对于基因测序获取的原始序列数据,首先对序列进行质量控制,去除低质量的序列和接头序列;然后进行数据降噪处理,并去除序列嵌合体,最后再对肠道微生物进行注释分析,从而筛选出肠道微生物的物种组成表;
步骤三,将筛选后的微生物物种整合形成特征变量,选择最优的特征变量合集,构建预测模型,并对各个模型预测效果进行比较,选择出最优过敏预测模型。
进一步,步骤一所述过敏性病史包括过敏性皮肤炎、过敏性鼻炎、喘息以及食物过敏。
进一步,步骤一对受试者的粪便样本DNA进行提取,并利用16S rRNA基因扩增子测序技术、宏基因组测序技术或微生物qPCR实验分析进行测序,从而获取受试者的肠道微生物原始序列数据。
进一步,步骤二使用Trimmomatic对序列进行质量控制。
进一步,步骤二使用DADA2分析流程、QIIME2分析流程或USEARCH的OTU分析流程进行降噪处理。
进一步,步骤二利用去除重复的ASV代表序列与SILVA数据库进行物种注释分析,使用RDP Classifier算法获得了物种注释结果。
更进一步,利用物种注释结果,计算属水平的各物种在样本中的相对丰度值,从而获得物种相对丰度表,过滤掉在属水平中属于unclassified的物种,仅保留属水平的物种。
进一步,步骤三选择最优的特征变量合集包括以下步骤:
(1)根据随机抽样的方式,构建过敏预测模型的训练集和测试集;
(2)利用递归特征消除算法来选择最终构建模型的微生物特征变量:
a、使用训练集的所有微生物作为初始子集输入随机森林分类器中,计算每个微生物的重要性并进行排序,并利用交叉验证方法得到初始子集的分类精度;
b、从初始子集中移除重要性最低的一个微生物,得到一个新的微生物子集,再次输入到随机森林分类器中,计算新子集中每个微生物的重要性,同样用交叉验证方法得到新的子集的分类精度;
c、递归的重复b步骤,最后得到各个不同微生物数量的子集,子集的总量与初始子集的微生物数量相等,比较选择分类精度最高的微生物子集作为最优微生物组合。
进一步,步骤三构建的预测模型包括glment模型、plr模型、svmLinear模型、rf模型和XGBoost模型,并对所有模型的精确度和灵敏性进行综合评估,选择最优过敏预测模型。
有益效果:本发明利用了机器学习的方式来建立预测过敏的模型,只需要获取受试者的粪便样本即可,不需要对受试者机体造成可能的伤害;此外,建立的基于肠道微生物菌群的预测模型,预测准确率较高,灵敏度和特异性较好,能有效的区分多个样本中过敏与否的结果,为早期预防受试者是否会发生过敏而提供有效的证据。
附图说明
图1为本发明过敏预测模型的构建方法流程图;
图2为不同模型精确度和灵敏性的综合评估示意图。
具体实施方式
实施例:一种基于肠道微生物信息的过敏预测模型构建方法,如图1所示,本实施例使用的编程语言主要是Python和R,按照以下步骤进行:
1、临床信息收集、过滤以及粪便样品收集
收集受试者是否有过敏性病史的信息,以及相关的临床信息数据,并采集受试者的粪便样品。对收集样本的宿主背景信息进行过滤整理,去除过敏症状不清楚的样本,只保留明确没有过敏症状以及有具体过敏症状的样本作为后续分析。最终获取使用的粪便样品来自122例受试者:表1展示了122例受试者是否有过敏性病史的相关信息,表2展示了这些过敏信息的统计结果;除了过敏信息的记录,受试者其他临床信息需要统计的类别在表3中展示。
受试者的粪便样品使用专业的采样管来收集,粪便要采集新鲜的,收集过程中避免外部环境对样本的污染,并且样本测序前要在-80℃环境下低温保存。
表1 122例受试者过敏信息详情表
表2 122例受试者过敏信息统计表
表3受试者临床信息已统计的指标
2、微生物基因测序、数据处理
对收集到的粪便样本提取DNA,对16SrRNA基因的V3-V4区域进行扩增测序,方式为双末端PE300测序,所选引物为341F/806R(341F:5’-ACTCCTACGGGRSGCAGCAG-3’,806R:5’-GGACTACVVGGGTATCTAATC-3’),从而获取了各样本双末端匹配的FASTQ原始测序数据。
原始测序数据先使用Trimmomatic对序列进行质量控制,去除了接头序列和低质量序列;DADA2流程用来进行后续分析,具体的,利用dada2-denoise算法,对序列进行降噪处理,并且去除嵌合体序列,然后利用去除重复的ASV代表序列与SILVA(版本v138)数据库进行物种注释分析,使用的是RDP Classifier算法,获得了物种注释结果。
利用物种注释结果,计算各物种(属水平)在样本中的相对丰度值,从而获得物种相对丰度表,并且在后续分析中,过滤掉在属水平属于unclassified的物种信息。最终,此次匹配到属水平的微生物共有578个。
3、最优过敏预测模型比较和分析
根据筛选得到的微生物物种及其丰度值作为特征变量,根据以下步骤构建预测模型以及选择最优过敏预测模型和方法:
(1)将上述步骤获取的122例受试者随机的分成70%的训练集和30%的测试集;
(2)特征选择,利用递归特征消除(RFE)算法来选择最终构建模型的微生物特征变量。
具体过程为:
a、使用训练集的所有578个微生物及其丰度值作为初始子集输入随机森林分类器中,计算每个微生物的重要性并进行排序,并利用交叉验证方法得到初始子集的分类精度,分类精度用Accuracy和Kappa值来表示;
b、从上一步包含578个微生物的集合中移除重要性最低的一个微生物,得到一个新的微生物子集,再次输入到随机森林分类器中,计算新子集中每个微生物的重要性,同样用交叉验证方法得到新的子集的分类精度;
c、递归的重复b步骤,最后一共得到578个子集,每个子集包括不同微生物数量,比较选择分类精度最高的微生物子集作为最优微生物组合;表4展示了不同数目微生物组合的精度结果,当选择最重要的15个微生物组合时预测精度最高(Accuracy和Kappa值最高),这15个选择的微生物信息如表5展示;表5同时展示了15个微生物的代表序列编号,后续待预测样本的核苷酸序列只要有至少80%的序列相似性即可表示检测到该微生物;
表4不同数目特征组合的模型精度比较
备注:Variables表示模型选择的子集中特征微生物的数目,Accuracy和Kappa表征了该特征组合下的模型敏感度和精度,值越高表示效果越好,SD表示标准误差值。
表5特征微生物组合信息
(3)利用(2)步骤确定好的15个重要微生物特征组合的训练集构建glment模型,并使用测试集进行模型评估;
(4)利用(2)步骤确定好的15个重要微生物特征组合的训练集构建plr模型,并使用测试集进行模型评估;
(5)利用(2)步骤确定好的15个重要微生物特征组合的训练集构建svmLinear模型,并使用测试集进行模型评估;
(6)利用(2)步骤确定好的15个重要微生物特征组合的训练集构建rf模型,并使用测试集进行模型评估;
(7)利用(2)步骤确定好的15个重要微生物特征组合的训练集构建XGBoost模型,并使用测试集进行模型评估;
(8)对上述5个不同模型精确度和灵敏性进行综合评估,最终选择R0C-AUC得分最高的rf模型为最优过敏预测模型,如图2所示,图中,纵坐标表示模型敏感度,横坐标表示模型的假阳性率,对角虚线代表随机猜测模型,在这条线以上的点表示好的分类结果,而在这条线以下的点表示差的分类结果;折线下方的面积为AUC,用来表示模型预测的准确性,曲线下方面积越大,AUC值越高,说明预测准确率最高。
4、最优过敏预测模型对待预测样本的结果验证
(1)待测样本信息以及粪便样本收集:收集了临床共36例待测样本,其中22例具有过敏性症状,14例没有过敏性症状;
(2)微生物基因组测序:对36例待测样本进行16S rRNA基因扩增测序,通过数据分析获取待测样本中的15个特征微生物的相对丰度,将获得的数据输入最优过敏预测模型(rf模型);
(3)模型运算,获得预测结果:根据输入的15个微生物特征数据,可以得到待测样本是否过敏的混淆矩阵结果(表6),22例过敏样本中有20例被准确的预测为过敏,14例未过敏样本中有9例被准确的预测正确。根据混淆矩阵中的计算结果(表7),模型预测的准确率为80.00%,灵敏度高达90.91%,特异性为64.29%。
表6最优过敏预测模型对36例待测样本预测的混淆矩阵
表7最优过敏预测模型对36例待测样本预测效果判定
备注:TN(True negative),真阴率;FP(False positive),假阳率;FN(Falsenegative),假阴率;TP(True positive),真阳率;sensitive=TP/(TP+FN),表征预测灵敏度;precision=TP/(TP+FP),表征预测精确度;specificity=TN/(TN+FP),表征预测特异性。
由上述实例结果可知,本发明建立了利用优选的肠道微生物特征组合预测样本是否过敏的模型,预测准确率较高,灵敏度和特异性都较好,能有效的区分多个样本中过敏与否的结果,可以为早期预防受试者是否会发生过敏而提供有效的证据。
Claims (7)
1.一种基于肠道微生物信息的过敏预测模型构建方法,其特征在于,包括以下步骤:
步骤一,对受试者的过敏性病史和临床表征信息进行收集,采集受试者的粪便样本,保留过敏性病史和临床表征信息完整的受试者样本,通过基因测序方式,获取肠道微生物原始序列数据;
步骤二,对于基因测序获取的原始序列数据,首先对序列进行质量控制,去除低质量的序列和接头序列;然后进行数据降噪处理,并去除序列嵌合体,最后再对肠道微生物进行注释分析,从而筛选出肠道微生物的物种组成表;
步骤三,将筛选后的微生物物种整合形成特征变量,选择最优的特征变量合集,构建预测模型,并对各个模型预测效果进行比较,选择出最优过敏预测模型;
选择最优的特征变量合集包括以下步骤:
(1)根据随机抽样的方式,构建过敏预测模型的训练集和测试集;
(2)利用递归特征消除算法来选择最终构建模型的微生物特征变量:
a、使用训练集的所有微生物作为初始子集输入随机森林分类器中,计算每个微生物的重要性并进行排序,并利用交叉验证方法得到初始子集的分类精度;
b、从初始子集中移除重要性最低的一个微生物,得到一个新的微生物子集,再次输入到随机森林分类器中,计算新子集中每个微生物的重要性,同样用交叉验证方法得到新的子集的分类精度;
c、递归的重复b步骤,最后得到各个不同微生物数量的子集,子集的总量与初始子集的微生物数量相等,比较选择分类精度最高的微生物子集作为最优微生物组合;
构建的预测模型包括glment模型、plr模型、svmLinear模型、rf模型和XGBoost模型,并对所有模型的精确度和灵敏性进行综合评估,选择最优过敏预测模型。
2.根据权利要求1所述的基于肠道微生物信息的过敏预测模型构建方法,其特征在于,步骤一所述过敏性病史包括过敏性皮肤炎、过敏性鼻炎、喘息以及食物过敏。
3.根据权利要求1所述的基于肠道微生物信息的过敏预测模型构建方法,其特征在于,步骤一对受试者的粪便样本DNA进行提取,并利用16S rRNA基因扩增子测序技术、宏基因组测序技术或微生物qPCR实验分析进行测序,从而获取受试者的肠道微生物原始序列数据。
4.根据权利要求1所述的基于肠道微生物信息的过敏预测模型构建方法,其特征在于,步骤二使用Trimmomatic对序列进行质量控制。
5.根据权利要求1所述的基于肠道微生物信息的过敏预测模型构建方法,其特征在于,步骤二使用DADA2分析流程、QIIME2分析流程或USEARCH的OTU分析流程进行降噪处理。
6.根据权利要求1所述的基于肠道微生物信息的过敏预测模型构建方法,其特征在于,步骤二利用去除重复的ASV代表序列与SILVA数据库进行物种注释分析,使用RDPClassifier算法获得了物种注释结果。
7.根据权利要求6所述的基于肠道微生物信息的过敏预测模型构建方法,其特征在于,利用物种注释结果,计算属水平的各物种在样本中的相对丰度值,从而获得物种相对丰度表,过滤掉在属水平中属于unclassified的物种,仅保留属水平的物种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623297.8A CN115881229B (zh) | 2022-12-16 | 2022-12-16 | 基于肠道微生物信息的过敏预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623297.8A CN115881229B (zh) | 2022-12-16 | 2022-12-16 | 基于肠道微生物信息的过敏预测模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115881229A CN115881229A (zh) | 2023-03-31 |
CN115881229B true CN115881229B (zh) | 2024-01-09 |
Family
ID=85755069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211623297.8A Active CN115881229B (zh) | 2022-12-16 | 2022-12-16 | 基于肠道微生物信息的过敏预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115881229B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480474A (zh) * | 2017-08-01 | 2017-12-15 | 山东师范大学 | 基于肠道菌群丰度的分类器建模评价校验方法及系统 |
CN109949863A (zh) * | 2019-02-18 | 2019-06-28 | 贵州茅台酒股份有限公司 | 一种基于随机森林模型鉴别大曲质量的方法 |
CN111164224A (zh) * | 2017-09-14 | 2020-05-15 | 普梭梅根公司 | 微生物相关的重要性指数指标 |
CN111164706A (zh) * | 2017-08-14 | 2020-05-15 | 普梭梅根公司 | 疾病相关的微生物组表征过程 |
CN112509701A (zh) * | 2021-02-05 | 2021-03-16 | 中国医学科学院阜外医院 | 急性冠脉综合征的风险预测方法及装置 |
CN114093411A (zh) * | 2021-11-29 | 2022-02-25 | 中国人民解放军总医院 | 基于样本的微生物群体的进化关系和丰度信息的分析方法及设备 |
CN114369673A (zh) * | 2022-01-06 | 2022-04-19 | 同济大学 | 结直肠腺瘤生物标志物、试剂盒及生物标志物的筛选方法 |
CN114496088A (zh) * | 2022-01-27 | 2022-05-13 | 中国农业科学院兰州兽医研究所 | 一种棘球蚴病微生物标志物及其筛选方法和应用 |
CN114949006A (zh) * | 2022-06-10 | 2022-08-30 | 上海交通大学医学院附属瑞金医院 | 一种短双歧杆菌m-16v在制备缓解卵清蛋白诱导的食物过敏药物中的应用 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10381112B2 (en) * | 2014-10-21 | 2019-08-13 | uBiome, Inc. | Method and system for characterizing allergy-related conditions associated with microorganisms |
-
2022
- 2022-12-16 CN CN202211623297.8A patent/CN115881229B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480474A (zh) * | 2017-08-01 | 2017-12-15 | 山东师范大学 | 基于肠道菌群丰度的分类器建模评价校验方法及系统 |
CN111164706A (zh) * | 2017-08-14 | 2020-05-15 | 普梭梅根公司 | 疾病相关的微生物组表征过程 |
CN111164224A (zh) * | 2017-09-14 | 2020-05-15 | 普梭梅根公司 | 微生物相关的重要性指数指标 |
CN109949863A (zh) * | 2019-02-18 | 2019-06-28 | 贵州茅台酒股份有限公司 | 一种基于随机森林模型鉴别大曲质量的方法 |
CN112509701A (zh) * | 2021-02-05 | 2021-03-16 | 中国医学科学院阜外医院 | 急性冠脉综合征的风险预测方法及装置 |
CN114093411A (zh) * | 2021-11-29 | 2022-02-25 | 中国人民解放军总医院 | 基于样本的微生物群体的进化关系和丰度信息的分析方法及设备 |
CN114369673A (zh) * | 2022-01-06 | 2022-04-19 | 同济大学 | 结直肠腺瘤生物标志物、试剂盒及生物标志物的筛选方法 |
CN114496088A (zh) * | 2022-01-27 | 2022-05-13 | 中国农业科学院兰州兽医研究所 | 一种棘球蚴病微生物标志物及其筛选方法和应用 |
CN114949006A (zh) * | 2022-06-10 | 2022-08-30 | 上海交通大学医学院附属瑞金医院 | 一种短双歧杆菌m-16v在制备缓解卵清蛋白诱导的食物过敏药物中的应用 |
Non-Patent Citations (2)
Title |
---|
Detection of Skin Malignancy Using Deep Convolutional Neural Networks with Transfer Learning Techniques;K V Kavitha,等;《2013 Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT)》;第1-5页 * |
医学知识图谱构建技术与研究进展;袁凯琦;邓扬;陈道源;张冰;雷凯;;计算机应用研究(第07期);第15-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115881229A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2016049932A1 (en) | Biomarkers for obesity related diseases | |
CN111739641A (zh) | 一种胃癌风险预测方法、系统、计算机设备及可读存储介质 | |
CN110904213B (zh) | 一种基于肠道菌群的溃疡性结肠炎生物标志物及其应用 | |
JP2019511922A (ja) | 早産転帰に対する早期リスク評価のための方法及びシステム | |
CN112852916A (zh) | 肠道微生态的标志物组合、辅助诊断模型及其应用 | |
CN110241205A (zh) | 一种基于肠道菌群的精神分裂症生物标志物组合及其应用与筛选 | |
CN112119167A (zh) | 抑郁症生物标志物及其用途 | |
CN116741268B (zh) | 筛选病原体关键突变的方法、装置及计算机可读存储介质 | |
CN107217088B (zh) | 强直性脊柱炎微生物标志物 | |
CN114023386A (zh) | 宏基因组数据分析及特征菌筛选方法 | |
CN112813159B (zh) | 帕金森病的生物标志物及其应用 | |
CN115881229B (zh) | 基于肠道微生物信息的过敏预测模型构建方法 | |
CN114317725B (zh) | 克罗恩病生物标志物、试剂盒及生物标志物的筛选方法 | |
CN112384634B (zh) | 骨质疏松生物标志物及其用途 | |
CN115873956A (zh) | 用于预测受试者患有结直肠癌风险的试剂盒、系统、应用和预测模型的建模方法 | |
CN115331737A (zh) | 一种分析肠道菌群中致病菌和量化菌群地域特征的方法 | |
CN112992351B (zh) | 一种人体肠道健康状态的特征表达方法及其评估方法 | |
CN107217086B (zh) | 疾病标志物及应用 | |
CN110396538A (zh) | 偏头痛生物标志物及其用途 | |
CN113862382B (zh) | 肠道菌群的生物标志物在制备诊断成人免疫性血小板减少症的产品中的应用 | |
CN113930526A (zh) | 用于鉴别甲基苯丙胺涉毒人群的方法、组合物及其应用 | |
WO2016049927A1 (en) | Biomarkers for obesity related diseases | |
CN105349643B (zh) | 预测睡眠剥夺后5-羟色胺变化的方法与microRNAs标志物 | |
WO2020213732A1 (ja) | 過敏性腸症候群の検査方法 | |
CN111351942A (zh) | 肺癌肿瘤标志物筛选系统及肺癌风险分析系统 |
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 |