CN116912825A - 利用人工智能和机器学习的高内涵化学品肺毒性筛查方法 - Google Patents
利用人工智能和机器学习的高内涵化学品肺毒性筛查方法 Download PDFInfo
- Publication number
- CN116912825A CN116912825A CN202311186847.9A CN202311186847A CN116912825A CN 116912825 A CN116912825 A CN 116912825A CN 202311186847 A CN202311186847 A CN 202311186847A CN 116912825 A CN116912825 A CN 116912825A
- Authority
- CN
- China
- Prior art keywords
- cells
- cell
- compound
- determining
- expression
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000000126 substance Substances 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 title claims abstract description 23
- 206010061924 Pulmonary toxicity Diseases 0.000 title claims abstract description 22
- 231100000374 pneumotoxicity Toxicity 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 230000007047 pulmonary toxicity Effects 0.000 title claims abstract description 16
- 150000001875 compounds Chemical class 0.000 claims abstract description 109
- 230000010261 cell growth Effects 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 16
- 230000006378 damage Effects 0.000 claims abstract description 14
- 230000008821 health effect Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 14
- 238000004113 cell culture Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 239000011521 glass Substances 0.000 claims description 5
- 235000015097 nutrients Nutrition 0.000 claims description 5
- 230000004083 survival effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 241000282414 Homo sapiens Species 0.000 abstract description 14
- 210000004072 lung Anatomy 0.000 abstract description 12
- 231100000419 toxicity Toxicity 0.000 abstract description 6
- 230000001988 toxicity Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 210000004027 cell Anatomy 0.000 description 117
- 239000000047 product Substances 0.000 description 48
- 230000006872 improvement Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 239000006227 byproduct Substances 0.000 description 4
- 230000006907 apoptotic process Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 210000000170 cell membrane Anatomy 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003063 flame retardant Substances 0.000 description 2
- 235000013373 food additive Nutrition 0.000 description 2
- 239000002778 food additive Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 229930014626 natural product Natural products 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 239000004014 plasticizer Substances 0.000 description 2
- 235000018102 proteins Nutrition 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 231100000027 toxicology Toxicity 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 235000001014 amino acid Nutrition 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 210000002421 cell wall Anatomy 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 238000001215 fluorescent labelling Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 210000005265 lung cell Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000021317 phosphate Nutrition 0.000 description 1
- 150000003013 phosphoric acid derivatives Chemical class 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及化学品肺毒性筛查技术领域，具体地说，涉及利用人工智能和机器学习的高内涵化学品肺毒性筛查方法。其包括比对特征图像以及细胞常态特征数据库，确定不同时期的损害健康效应的应答通路；统计不同化合物对不同细胞产生的应答通路，建立多维表型信息数据库。本发明通过比对特征图像以及细胞常态特征数据库，确定不同时期的损害健康效应的应答通路，通过统计不同化合物对不同细胞产生的应答通路，建立多维表型信息数据库，计算各个化合物对细胞生长产生的影响参数，通过各个化合物的影响参数预测出当前化合物对人体肺部影响程度，提前对未识别的化学品进行毒性分析，筛查出释放至大气中可能危害人体肺部的化学品。
Description
技术领域
本发明涉及化学品肺毒性筛查技术领域，具体地说，涉及利用人工智能和机器学习的高内涵化学品肺毒性筛查方法。
背景技术
随着现代工业进步，人类合成、使用和间接产生的化合物的数量和种类在不断增长，其中包括了化工原料、阻燃剂、农药、增塑剂、食品添加剂、药物、天然化合物及衍生物、饮用水消毒副产物和化学合成副产物等多个类别，然而由于在对化合物毒性作用方面认识的不足，部分化合物因此能够以直接或间接的方式进入环境，成为环境污染物，在生态毒理学领域，对这些化合物展开环境危害性和毒理特性鉴定，而这些化合物中对人体肺部的影响尤为明显，因此进行化学品肺毒性筛查显得尤为必要而迫切。
为了应对上述问题，现亟需利用人工智能和机器学习的高内涵化学品肺毒性筛查方法。
发明内容
本发明的目的在于提供利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，以解决上述背景技术中提出的问题。
为实现上述目的，提供了利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，包括如下步骤：
S1、采集各类型细胞生存需求，确定细胞培养过程中必须的营养物质，制备适配的细胞培养皿；
S2、根据细胞在不同时期的表达形式以及表达产物，规划对应的荧光标记物进行标记；
S3、提前确定细胞在不同时期的表达产物对应的表达状态以及图像特征，建立细胞常态特征数据库；
S4、确定添加化合物的类型以及添加量；
S5、根据各个时期的荧光标记产物，结合图像传感器实时采集化合物影响下细胞不同时期的特征图像；
S6、比对特征图像以及细胞常态特征数据库，确定不同时期的损害健康效应的应答通路；
S7、统计不同化合物对不同细胞产生的应答通路，建立多维表型信息数据库。
作为本技术方案的进一步改进，所述S2中规划对应的荧光标记物进行标记的方法包括如下步骤：
S2.1、确定不同类型细胞在不同时期的表达特征；
S2.2、结合表达特征，挑选表达特征中的表达产物作为待标记产物；
S2.3、采集待标记产物生物类型，制定对应的荧光标记物。
作为本技术方案的进一步改进，所述S3中建立细胞常态特征数据库的方法包括如下步骤：
S3.1、分析细胞生长各个时期变化流程，确定各个时期的初始端、发展端以及结束端，并确定各端的持续周期；
S3.2、确定细胞生长各个时期对应的表达产物，并通过图像传感器实时采集各个时期细胞表达产物图像；
S3.3、结合各个时期细胞表达产物图像，统计出各个时期细胞表达产物产生量范围。
作为本技术方案的进一步改进，所述S4中确定添加化合物的添加量的方法包括如下步骤：
S4.1、确定化合物单位添加量，制定化合物添加量添加规则；
S4.2、制定危害细胞表达状态，结合图像传感器检测当前危害细胞表达状态图像信息；
S4.3、结合细胞培养反馈结果，确定形成危害细胞表达状态对应的化合物添加量。
作为本技术方案的进一步改进，所述S4.2中的图像传感器采用图像传感器。
作为本技术方案的进一步改进，所述S5中采集化合物影响下细胞不同时期的特征图像的方法包括如下步骤：
S5.1、调整图像传感器角度，捕捉细胞不同时期载玻片细胞样品图像；
S5.2、结合各个时期的荧光标记产物，确定细胞样品图像中的特征图像。
作为本技术方案的进一步改进，所述S7中建立多维表型信息数据库的方法包括如下步骤：
S7.1、对细胞生长流程进行标记；
S7.2、确定当前添加的化合物添加量；
S7.3、结合细胞不同时期的变化状态，确定化合物对应的危害程度，并制定对应的权重；
S7.4、结合各个时期细胞变化量，计算对应的权重分数，并制定权重分数阈值。
作为本技术方案的进一步改进，所述S7.4中制定权重分数阈值采用阈值分数计算算法，其算法公式如下：
；
其中为各个化合物的权重分数，/>至/>为化合物影响细胞不同时期的权重，/>至/>为不同时期细胞对应表达产物与正常状态下形成的差值，/>至/>为不同时期细胞对应正常表达产物量，/>为权重分数判断函数，/>为权重分数阈值。
与现有技术相比，本发明的有益效果：
该利用人工智能和机器学习的高内涵化学品肺毒性筛查方法中，通过比对特征图像以及细胞常态特征数据库，确定不同时期的损害健康效应的应答通路，通过统计不同化合物对不同细胞产生的应答通路，建立多维表型信息数据库，计算各个化合物对细胞生长产生的影响参数，通过各个化合物的影响参数预测出当前化合物对人体肺部影响程度，提前对未识别的化学品进行毒性分析，筛查出释放至大气中可能危害人体肺部的化学品。
附图说明
图1为本发明的整体流程图；
图2为本发明的规划对应的荧光标记物进行标记的方法流程图；
图3为本发明的建立细胞常态特征数据库的方法流程图；
图4为本发明的确定添加化合物的添加量的方法流程图；
图5为本发明的采集化合物影响下细胞不同时期的特征图像的方法流程图；
图6为本发明的建立多维表型信息数据库的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图6所示，提供了利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，包括如下步骤：
S1、采集各类型细胞生存需求，确定细胞培养过程中必须的营养物质，制备适配的细胞培养皿；
S2、根据细胞在不同时期的表达形式以及表达产物，规划对应的荧光标记物进行标记；
S3、提前确定细胞在不同时期的表达产物对应的表达状态以及图像特征，建立细胞常态特征数据库；
S4、确定添加化合物的类型以及添加量；
S5、根据各个时期的荧光标记产物，结合图像传感器实时采集化合物影响下细胞不同时期的特征图像；
S6、比对特征图像以及细胞常态特征数据库，确定不同时期的损害健康效应的应答通路；
S7、统计不同化合物对不同细胞产生的应答通路，建立多维表型信息数据库。
具体使用时，随着现代工业进步，人类合成、使用和间接产生的化合物的数量和种类在不断增长，其中包括了化工原料、阻燃剂、农药、增塑剂、食品添加剂、药物、天然化合物及衍生物、饮用水消毒副产物和化学合成副产物等多个类别，然而由于在对化合物毒性作用方面认识的不足，绝大多数的化合物缺乏有效监管，部分化合物因此能够以直接或间接的方式进入环境，成为环境污染物，在生态毒理学领域，对这些化合物展开环境危害性和毒理特性鉴定，而这些化合物中对人体肺部的影响尤为明显，因此进行化学品肺毒性筛查显得尤为必要而迫切；
为了应对上述问题，在对化学品肺毒性筛查过程中，首先通过采集各类型细胞生存需求，确定细胞培养过程中必须的营养物质，制备适配的细胞培养皿，即细胞脱离母体后维持其正常生长所需的营养物质，例如水、碳源、氮源、维生素、氨基酸、脂肪酸、微量元素以及磷酸盐，随后根据细胞在不同时期的表达形式以及表达产物，规划对应的荧光标记物进行标记，例如染料是用于标记细胞膜的荧光标记物，通过各个荧光标记物匹配的表达产物，即可判断档期细胞所处生长时期，作为后期化合物影响细胞生长的参考标准；
完成细胞标记工作后，为了形成空白对照，以供后期进行比对，需要提前确定肺部细胞（以下均用细胞代替）在不同时期的表达产物对应的表达状态以及图像特征，建立细胞常态特征数据库，细胞常态特征数据库规定出细胞在不同表达产物、表达产物产生的正常范围以及各个时期的正常周期范围，作为后期添加化合物的比对参考标准，在培养皿中添加化合物后，需要确定添加化合物的类型以及添加量，根据各个时期的荧光标记产物，结合图像传感器实时采集化合物影响下细胞不同时期的特征图像，即细胞在添加化合物后不同时期的细胞表达状态，例如细胞在添加化合物后分裂时期的分裂物数量降低，采集完成后，比对特征图像以及细胞常态特征数据库，确定不同时期的损害健康效应的应答通路，即对照组中与添加化合物后相同时期产生的表达产物特征差异，例如对照组在细胞分裂过程中产生了N个新细胞，而在添加化合物中在相同时期产生了M个新细胞，两者产生的特征差异即为，确定M是否处于细胞常态特征数据库规定的表达产物产生的正常范围，当M处于细胞常态特征数据库规定的表达产物产生的正常范围时，则表明化合物对该细胞当前时期未产生影响，当M超过细胞常态特征数据库规定的表达产物产生的正常范围时，表明化合物对该细胞当前时期产生影响，且影响值为/>，随后统计不同化合物对不同细胞产生的应答通路，建立多维表型信息数据库，即规定化合物在不同时期影响细胞生存的权重，计算各个化合物对细胞生长产生的影响参数，通过各个化合物的影响参数预测出当前化合物对人体肺部影响程度，提前对未识别的化学品进行毒性分析，筛查出释放至大气中可能危害人体肺部的化学品。
本发明通过比对特征图像以及细胞常态特征数据库，确定不同时期的损害健康效应的应答通路，通过添加化合物后的细胞在不同时期的反馈状态，确定出化合物在细胞不同时期产生的影响程度，通过统计不同化合物对不同细胞产生的应答通路，建立多维表型信息数据库，计算各个化合物对细胞生长产生的影响参数，通过各个化合物的影响参数预测出当前化合物对人体肺部影响程度，提前对未识别的化学品进行毒性分析，筛查出释放至大气中可能危害人体肺部的化学品。
此外，S2中规划对应的荧光标记物进行标记的方法包括如下步骤：
S2.1、确定不同类型细胞在不同时期的表达特征；
S2.2、结合表达特征，挑选表达特征中的表达产物作为待标记产物；
S2.3、采集待标记产物生物类型，制定对应的荧光标记物。
在进行荧光标记过程中，为了区分细胞生长不同时期，需要确定不同类型细胞在不同时期的表达特征，即当前时期细胞发生改变生成不同于其他时期的特征物质，或者相比较于其他时期显著增加或者减少了某种已有物质，此时将表达特征中的表达产物作为待标记产物，例如细胞在凋亡时期，其细胞壁与细胞膜会破损，内部的蛋白质会溢出，导致培养皿内出现大量的飘絮物，此时培养皿中显著增加的蛋白质将作为细胞凋亡时期的表达产物，最后采集待标记产物生物类型，制定对应的荧光标记物，即保证物质正常存活的状态下，对该物质进行颜色标记，用于区分同时期的其余常见物质。
进一步的，S3中建立细胞常态特征数据库的方法包括如下步骤：
S3.1、分析细胞生长各个时期变化流程，确定各个时期的初始端、发展端以及结束端，并确定各端的持续周期；
S3.2、确定细胞生长各个时期对应的表达产物，并通过图像传感器实时采集各个时期细胞表达产物图像；
S3.3、结合各个时期细胞表达产物图像，统计出各个时期细胞表达产物产生量范围。
在建立细胞常态特征数据库过程中，首先需要分析细胞生长各个时期变化流程，确定各个时期的初始端、发展端以及结束端，并确定各端的持续周期，即各个细胞各个时期的变化周期，此时可通过各个时期对应表达产生进行区分，并通过图像传感器实时采集各个时期细胞表达产物图像，即能够区域细胞当前时期的特征图像，随后结合各个时期细胞表达产物图像，统计出各个时期细胞表达产物产生量范围，作为后期分析化合物影响细胞不同时期的参考标准。
再进一步的，S4中确定添加化合物的添加量的方法包括如下步骤：
S4.1、确定化合物单位添加量，制定化合物添加量添加规则；
S4.2、制定危害细胞表达状态，结合图像传感器检测当前危害细胞表达状态图像信息；
S4.3、结合细胞培养反馈结果，确定形成危害细胞表达状态对应的化合物添加量。
在确定添加化合物的添加量过程中，由于各个化合物对细胞影响不同，其添加的量也会有所差异，此时需要提前确定化合物单位添加量，制定化合物添加量添加规则，即通过提前进行多组实验，确定刚刚对细胞产生的影响的化合物添加量，作为单位添加量，后期进行实验过程中，在原有的添加量基础上每次增加单位添加量，形成相同化合物不同添加量的实验组，为了确定当前化合物对细胞造成危害的添加量，本方案规定当化合物对细胞某一时期造成停滞（即细胞在该时期受到抑制或者出现提前凋亡）时，表明此时该化合物的添加量为危害细胞添加量，作为后期预测该化合物排放标准的排放标准。
具体的，S4.2中的图像传感器采用图像传感器，/>不仅能以4倍的视场范围在短时间内完成高质量的图像扫描，更能细致的展现细胞内微观结构，同时光路系统的改进也增强了HCS设备共聚焦能力，满足了以三维细胞培养为概念的一些新的细胞及组织培养技术的发展要求。
此外，S5中采集化合物影响下细胞不同时期的特征图像的方法包括如下步骤：
S5.1、调整图像传感器角度，捕捉细胞不同时期载玻片细胞样品图像；
S5.2、结合各个时期的荧光标记产物，确定细胞样品图像中的特征图像。
在进行特征图像采集过程中，需要通过调整图像传感器角度，捕捉细胞不同时期载玻片细胞样品图像，即在细胞不同时期采集相同量的细胞样品至观察台，通过载玻片搭载细胞样品，并通过图像传感器实时监测细胞样品图像，随后结合各个时期的荧光标记产物，即区分不同时期的表达产物，随后确定细胞样品图像中的特征图像，以供后期计算出化合物对细胞当前时期产生的影响。
进一步的，S7中建立多维表型信息数据库的方法包括如下步骤：
S7.1、对细胞生长流程进行标记；
S7.2、确定当前添加的化合物添加量；
S7.3、结合细胞不同时期的变化状态，确定化合物对应的危害程度，并制定对应的权重；
S7.4、结合各个时期细胞变化量，计算对应的权重分数，并制定权重分数阈值。
为了确定不同类型对细胞的影响程度，作为后期预测该化合物的排放量，首先需要对细胞生长流程进行标记，随后确定当前添加的化合物添加量，并结合细胞不同时期的变化状态，确定化合物对应的危害程度，并制定对应的权重，例如降低或者增加该时期细胞表达产物的数量，又或者抑制当前时期进行，同时化合物影响细胞的生长流程越靠前，其权重越高，通过危害类型对影响细胞的化合物进行分类，并结合各个时期细胞变化量，计算对应的权重分数，并制定权重分数阈值，将权重分数超过权重分数阈值的化合物添加量标记为化合物危害排放量，表明此时化合物在该添加量排放时会对人体肺部造成影响，作为化合物后期排放量的参考标准。
再进一步的，S7.4中制定权重分数阈值采用阈值分数计算算法，其算法公式如下：
；
其中为各个化合物的权重分数，/>至/>为化合物影响细胞不同时期的权重，/>至/>为不同时期细胞对应表达产物与正常状态下形成的差值，/>至/>为不同时期细胞对应正常表达产物量，/>为权重分数判断函数，/>为权重分数阈值，值得说明的是当化合物造成细胞生长某一时期停滞时，其权重分数将无需计算，此时该化合物的添加量以达到危害细胞的状态，只有当该化合物添加后保证细胞能够顺利完成各个时期时，才需要采用上述公式，此时需要确定改化合物添加后，影响细胞各个时期的表达产物量，随后结合对应的权重，计算对应的权重分数/>，当权重分数小于权重分数阈值/>时，权重分数判断函数/>输出为0，表明此时该化合物对应添加量状态下不会对当前细胞造成影响，当权重分数/>不小于权重分数阈值/>时，权重分数判断函数/>输出为1，表明此时该化合物对应添加量状态下会对当前细胞造成影响，并根据权重分数大小，确定其影响程度，从而预测出当前化合物排放至空气后多大排放量会对人体肺部造成影响，更好的对化学污染物进行风险评估。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，其特征在于：包括如下步骤：
S1、采集各类型细胞生存需求，确定细胞培养过程中必须的营养物质，制备适配的细胞培养皿；
S2、根据细胞在不同时期的表达形式以及表达产物，规划对应的荧光标记物进行标记；
S3、提前确定细胞在不同时期的表达产物对应的表达状态以及图像特征，建立细胞常态特征数据库；
S4、确定添加化合物的类型以及添加量；
S5、根据各个时期的荧光标记产物，结合图像传感器实时采集化合物影响下细胞不同时期的特征图像；
S6、比对特征图像以及细胞常态特征数据库，确定不同时期的损害健康效应的应答通路；
S7、统计不同化合物对不同细胞产生的应答通路，建立多维表型信息数据库。
2.根据权利要求1所述的利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，其特征在于：所述S2中规划对应的荧光标记物进行标记的方法包括如下步骤：
S2.1、确定不同类型细胞在不同时期的表达特征；
S2.2、结合表达特征，挑选表达特征中的表达产物作为待标记产物；
S2.3、采集待标记产物生物类型，制定对应的荧光标记物。
3.根据权利要求1所述的利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，其特征在于：所述S3中建立细胞常态特征数据库的方法包括如下步骤：
S3.1、分析细胞生长各个时期变化流程，确定各个时期的初始端、发展端以及结束端，并确定各端的持续周期；
S3.2、确定细胞生长各个时期对应的表达产物，并通过图像传感器实时采集各个时期细胞表达产物图像；
S3.3、结合各个时期细胞表达产物图像，统计出各个时期细胞表达产物产生量范围。
4.根据权利要求1所述的利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，其特征在于：所述S4中确定添加化合物的添加量的方法包括如下步骤：
S4.1、确定化合物单位添加量，制定化合物添加量添加规则；
S4.2、制定危害细胞表达状态，结合图像传感器检测当前危害细胞表达状态图像信息；
S4.3、结合细胞培养反馈结果，确定形成危害细胞表达状态对应的化合物添加量。
5.根据权利要求4所述的利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，其特征在于：所述S4.2中的图像传感器采用图像传感器。
6.根据权利要求1所述的利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，其特征在于：所述S5中采集化合物影响下细胞不同时期的特征图像的方法包括如下步骤：
S5.1、调整图像传感器角度，捕捉细胞不同时期载玻片细胞样品图像；
S5.2、结合各个时期的荧光标记产物，确定细胞样品图像中的特征图像。
7.根据权利要求1所述的利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，其特征在于：所述S7中建立多维表型信息数据库的方法包括如下步骤：
S7.1、对细胞生长流程进行标记；
S7.2、确定当前添加的化合物添加量；
S7.3、结合细胞不同时期的变化状态，确定化合物对应的危害程度，并制定对应的权重；
S7.4、结合各个时期细胞变化量，计算对应的权重分数，并制定权重分数阈值。
8.根据权利要求7所述的利用人工智能和机器学习的高内涵化学品肺毒性筛查方法，其特征在于：所述S7.4中制定权重分数阈值采用阈值分数计算算法，其算法公式如下：
；
其中为各个化合物的权重分数，/>至/>为化合物影响细胞不同时期的权重，/>至/>为不同时期细胞对应表达产物与正常状态下形成的差值，/>至/>为不同时期细胞对应正常表达产物量，/>为权重分数判断函数，/>为权重分数阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311186847.9A CN116912825B (zh) | 2023-09-14 | 2023-09-14 | 利用人工智能和机器学习的高内涵化学品肺毒性筛查方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311186847.9A CN116912825B (zh) | 2023-09-14 | 2023-09-14 | 利用人工智能和机器学习的高内涵化学品肺毒性筛查方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116912825A true CN116912825A (zh) | 2023-10-20 |
| CN116912825B CN116912825B (zh) | 2023-11-24 |
Family
ID=88360720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311186847.9A Active CN116912825B (zh) | 2023-09-14 | 2023-09-14 | 利用人工智能和机器学习的高内涵化学品肺毒性筛查方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912825B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105928913A (zh) * | 2016-04-14 | 2016-09-07 | 天津中医药大学 | 一种基于细胞表型的高内涵多指标肾毒性的检测方法及其应用 |
| CN108920889A (zh) * | 2018-06-28 | 2018-11-30 | 中国科学院生态环境研究中心 | 化学品健康危害筛查方法 |
| US20200218874A1 (en) * | 2017-08-14 | 2020-07-09 | Agency For Science, Technology And Research | A label-free method and system for measuring drug response kinetics of three-dimensional cellular structures |
| CN113804524A (zh) * | 2021-08-30 | 2021-12-17 | 北京大学 | 一种基于中国青鳉的化学品毒性高内涵快速筛查方法 |
| CN113960302A (zh) * | 2021-09-29 | 2022-01-21 | 中国人民解放军军事科学院军事医学研究院 | 一种基于高内涵技术的肾毒性检测方法及其应用 |
| CN115047159A (zh) * | 2022-06-29 | 2022-09-13 | 山西大学 | 一种利用斑马鱼对双酚类物质的毒性评价系统 |
-
2023
- 2023-09-14 CN CN202311186847.9A patent/CN116912825B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105928913A (zh) * | 2016-04-14 | 2016-09-07 | 天津中医药大学 | 一种基于细胞表型的高内涵多指标肾毒性的检测方法及其应用 |
| US20200218874A1 (en) * | 2017-08-14 | 2020-07-09 | Agency For Science, Technology And Research | A label-free method and system for measuring drug response kinetics of three-dimensional cellular structures |
| CN108920889A (zh) * | 2018-06-28 | 2018-11-30 | 中国科学院生态环境研究中心 | 化学品健康危害筛查方法 |
| CN113804524A (zh) * | 2021-08-30 | 2021-12-17 | 北京大学 | 一种基于中国青鳉的化学品毒性高内涵快速筛查方法 |
| CN113960302A (zh) * | 2021-09-29 | 2022-01-21 | 中国人民解放军军事科学院军事医学研究院 | 一种基于高内涵技术的肾毒性检测方法及其应用 |
| CN115047159A (zh) * | 2022-06-29 | 2022-09-13 | 山西大学 | 一种利用斑马鱼对双酚类物质的毒性评价系统 |
Non-Patent Citations (2)
| Title |
|---|
| 申泽宇 等: "四氯双酚A对斑马鱼幼鱼运动行为的影响及神经毒性机制研究", 《生态毒理学报》, vol. 18, no. 3, pages 357 - 365 * |
| 高美琪 等: "环境中可致肝脏损伤化学成分体外筛选模型的建立", 《生态毒理学报》, vol. 15, no. 3, pages 56 - 63 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116912825B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103026984B (zh) | 群体孵化蛋成活性的视觉检测分级装置及其方法 | |
| JP4848520B2 (ja) | 植物培養細胞塊の状態を判別する方法、そのための装置および植物培養細胞塊の状態を判別するためのプログラム | |
| CN107610122B (zh) | 一种基于Micro-CT的单籽粒谷物内部虫害检测方法 | |
| CN112526097A (zh) | 一种基于大数据分析的养殖水体环境智能监测管理系统 | |
| Janczak et al. | The selected examples of the application of computer image analysis in the assessment of environmental quality | |
| Hsieh et al. | The effects of contemporary selection and dispersal limitation on the community assembly of acidophilic microalgae | |
| Viana et al. | Massive blooms of Chattonella subsalsa Biecheler (Raphidophyceae) in a hypereutrophic, tropical estuary—Guanabara Bay, Brazil | |
| Murúa et al. | Morphological, genotypic and metabolomic signatures confirm interfamilial hybridization between the ubiquitous kelps Macrocystis (Arthrothamnaceae) and Lessonia (Lessoniaceae) | |
| CN116912825B (zh) | 利用人工智能和机器学习的高内涵化学品肺毒性筛查方法 | |
| CN105532524B (zh) | 一种日本囊对虾虾苗耐氨氮性能的等级划分与优选方法 | |
| Wei et al. | Diversity and dynamics of epidermal microbes during grape development of cabernet sauvignon (Vitis vinifera L.) in the ecological viticulture model in Wuhai, China | |
| CN113575268A (zh) | 一种基于物联网的智能化葡萄大棚种植系统 | |
| CN115661081B (zh) | 基于图像处理的水产养殖自动控制换水方法 | |
| CN115965161B (zh) | 一种基于人工智能和历史数据的农作物产量预测方法 | |
| CN115062933B (zh) | 水环境中抗生素残留的微生物耐药性多层级风险评估方法 | |
| CN115757836A (zh) | 基于知识图谱的产品碳足迹分析系统 | |
| Vu et al. | A comprehensive and precise quantification of the calanoid copepod Acartia tonsa (Dana) for intensive live feed cultures using an automated ZooImage system | |
| Feng et al. | Ploidy identification by flow cytometry and application of the method to characterize seasonal ploidy variation of wild populations of the red alga Gracilariopsis lemaneiformis | |
| CN103136439B (zh) | 植物病症辨识方法及其系统 | |
| CN112326616A (zh) | 一种利用发光蚯蚓进行重金属污染土壤生态毒性检测的方法 | |
| François et al. | Acidification impacts and acclimation potential of Caribbean benthic foraminifera assemblages in naturally discharging low-pH water | |
| CN110637552A (zh) | 一种耐干旱玉米种子的质量检测方法 | |
| CN105532523B (zh) | 一种日本囊对虾虾苗耐干露性能的等级划分与优选方法 | |
| CN115639354B (zh) | 一种海洋塑料识别方法及装置 | |
| Ilagan et al. | Grading of Carabao Mango Using Image Processing |
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 |