CN120636552B - 基于多组学驱动的ibs微生态移植智能预测方法和系统 - Google Patents

基于多组学驱动的ibs微生态移植智能预测方法和系统

Info

Publication number
CN120636552B
CN120636552B CN202510576783.6A CN202510576783A CN120636552B CN 120636552 B CN120636552 B CN 120636552B CN 202510576783 A CN202510576783 A CN 202510576783A CN 120636552 B CN120636552 B CN 120636552B
Authority
CN
China
Prior art keywords
data
flora
ibs
symptom
host
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
Application number
CN202510576783.6A
Other languages
English (en)
Other versions
CN120636552A (zh
Inventor
潘飞
彭丽华
周冠舟
但婉悦
栾哲
顾娟
陈浚哲
孙雅
宗亚琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Medical Center of PLA General Hospital
Original Assignee
First Medical Center of PLA General Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by First Medical Center of PLA General Hospital filed Critical First Medical Center of PLA General Hospital
Priority to CN202510576783.6A priority Critical patent/CN120636552B/zh
Publication of CN120636552A publication Critical patent/CN120636552A/zh
Application granted granted Critical
Publication of CN120636552B publication Critical patent/CN120636552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/40—Population genetics; Linkage disequilibrium
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • 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
    • G16H50/70—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Ecology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明提供一种基于多组学驱动的IBS微生态移植智能预测方法和系统，涉及生物医学技术领域。方法包括：建立多组学数据融合子系统采集目标患者宏基因组、代谢组、宿主基因组及临床表型组数据；将数据输入菌群‑代谢物联合网络分析模型构建相互作用网络并提取特征；基于特征与宿主基因组数据生成关联矩阵并计算指标；结合临床表型数据与指标通过动态响应算法生成指数；利用迁移学习框架联合建模输出疗效预测结果。系统包括数据采集、网络分析、关联计算、动态响应和联合建模模块。本发明整合多组学数据，精准挖掘菌群与宿主关系，实现微生态移植疗效智能预测，为IBS个性化治疗提供有力支持，同时具备数据处理和安全保障措施。

Description

基于多组学驱动的IBS微生态移植智能预测方法和系统
技术领域
本发明涉及生物医学技术领域，具体为基于多组学驱动的IBS微生态移植智能预测方法和系统。
背景技术
肠易激综合征(IBS)是一种常见的功能性胃肠病，全球范围内发病率较高，严重影响患者的生活质量和社会经济负担。目前，IBS的发病机制尚未完全明确，普遍认为与肠道微生态失衡、免疫功能异常、肠道屏障功能受损以及宿主遗传因素等多种因素密切相关。
在IBS的治疗手段中，微生态移植(如粪菌移植)展现出一定的治疗潜力。通过将健康供体的肠道微生物群落移植到患者体内，有望调节患者肠道微生态平衡，改善肠道功能，缓解IBS症状。然而，微生态移植的疗效在不同患者之间存在显著差异，并非所有患者都能从中获益。这种疗效的不确定性，使得临床医生在选择治疗方案时面临巨大挑战，难以精准判断哪些患者更适合接受微生态移植治疗，也无法提前预估治疗效果，从而限制了微生态移植在IBS治疗中的广泛应用。
现有的IBS诊断和治疗评估方法存在诸多局限性。传统的诊断主要依赖患者的症状描述和简单的临床检查，缺乏对肠道微生态和宿主内在因素的深入分析。在评估微生态移植疗效方面，目前多采用临床症状评分等主观指标，缺乏客观、精准的预测手段。虽然一些研究尝试通过检测单一的微生物指标或宿主因素来预测疗效，但由于IBS发病机制的复杂性，单一指标难以全面反映微生态系统与宿主之间的相互作用，导致预测准确性较低。
随着生物技术的飞速发展，多组学技术，包括宏基因组学、代谢组学、宿主基因组学和临床表型组学等，为深入研究IBS的发病机制和治疗策略提供了新的视角。宏基因组学能够全面解析肠道微生物群落的组成和功能；代谢组学可以检测生物体内代谢产物的变化，反映机体的代谢状态；宿主基因组学有助于揭示宿主遗传因素对疾病易感性和治疗反应的影响；临床表型组学则整合了患者的临床症状、体征和治疗史等信息。然而，如何有效地整合这些多组学数据，并将其应用于IBS微生态移植疗效的智能预测，仍然是该领域亟待解决的问题。
在数据处理和分析方面，多组学数据具有数据量大、维度高、复杂性强的特点，传统的数据处理方法难以挖掘其中隐藏的关键信息。此外，不同组学数据之间存在复杂的相互作用关系，如何构建合理的模型来揭示这些关系，并利用其进行精准预测，也是当前研究面临的重要挑战。
发明内容
本发明的目的在于提供一种基于多组学驱动的IBS微生态移植智能预测方法和系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于多组学驱动的IBS微生态移植智能预测方法，所述方法包括：
建立多组学数据融合子系统采集目标患者的四维数据，其中，所述四维数据包括宏基因组数据、代谢组数据、宿主基因组数据及临床表型组数据；
将所述四维数据输入预设的菌群-代谢物联合网络分析模型，以构建菌群与代谢物的相互作用网络，并提取关键网络拓扑特征；
基于所述关键网络拓扑特征与宿主基因组数据生成宿主-菌群互作关联矩阵，并计算功能基因协同度指标；
结合所述临床表型组数据与所述功能基因协同度指标，通过动态响应算法生成症状-微生物动态响应指数；
利用预设的迁移学习框架对所述相互作用网络、所述宿主-菌群互作关联矩阵及所述症状-微生物动态响应指数进行联合建模，输出微生态移植疗效预测结果。
可选地，建立多组学数据融合子系统采集目标患者的四维数据的步骤包括：
获取目标患者的宏基因组数据，并标注菌群组成及功能基因表达量；
采集代谢组数据，提取各类短链脂肪酸浓度、胆汁酸浓度和色氨酸浓度及代谢通路活性指标；
解析宿主基因组数据，标记单核苷酸多态性位点及表观遗传修饰区域；
整合临床表型组数据，包括症状评分量表结果及历史治疗记录，并按时间序列对齐所述宏基因组数据、所述代谢组数据及所述宿主基因组数据。
可选地，所述菌群-代谢物联合网络分析模型包括：
基于宏基因组数据中的菌群丰度构建微生物共现网络，其中，节点表示菌属分类单元，边权重表示物种间共生或竞争关系强度；
将代谢组数据中的代谢物浓度映射至所述微生物共现网络，生成代谢物-菌群关联子网；
通过随机游走算法遍历所述关联子网，识别具有双向调控作用的菌群-代谢物核心模块。
可选地，生成宿主-菌群互作关联矩阵的步骤包括：
提取宿主基因组数据中的免疫调节基因及代谢相关基因作为候选互作基因集；
计算所述候选互作基因集中各基因表达水平与菌群-代谢物核心模块菌群丰度的皮尔逊相关系数；
筛选相关系数绝对值超过第一阈值的基因-菌群对，构建以基因为行、菌群为列的多维关联矩阵。
可选地，所述动态响应算法的实现方式包括：
根据临床表型组数据中的症状严重程度划分动态响应时段；
在每一时段内，统计菌群-代谢物核心模块菌群丰度变化率与症状评分的滞后相关性；
基于最大信息系数确定最优滞后窗口，并计算各时段内菌群对症状的动态响应权重。
可选地，所述迁移学习框架的构建步骤包括：
预训练基础预测模型，其输入为健康供体的多组学数据及对应微生态移植疗效标签；
冻结所述基础预测模型的特征提取层，并添加自适应参数调整层；
将目标患者的联合建模数据输入调整后的模型，通过域适应损失函数优化预测结果。
可选地，所述方法还包括：
对所述疗效预测结果进行可信度评估，其方式为计算预测结果在迁移学习框架中特征空间的置信度分布；
若置信度低于第二阈值，则触发增量学习机制，将当前预测数据加入训练集并重新优化模型参数。
可选地，所述方法还包括数据预处理步骤：
对宏基因组数据进行低丰度菌群过滤，保留相对丰度超过第三阈值的菌属；
对代谢组数据进行批次效应校正，采用基于质控样本的线性回归模型消除仪器检测偏差；
对宿主基因组数据进行连锁不平衡分析，剔除冗余单核苷酸多态性位点。
可选地，所述方法还包括：
建立多组学数据的安全存储协议，其中，不同维度的数据按隐私等级划分加密强度；
在数据传输过程中，采用动态密钥分片技术对加密后的数据进行分段传输与实时验证。
本发明还提供一种基于多组学驱动的IBS微生态移植智能预测系统，所述系统包括：
数据采集模块，用于通过多组学数据融合子系统采集目标患者的四维数据，其中，所述四维数据包括宏基因组数据、代谢组数据、宿主基因组数据及临床表型组数据；
网络分析模块，用于将所述四维数据输入预设的菌群-代谢物联合网络分析模型，以构建菌群与代谢物的相互作用网络，并提取关键网络拓扑特征；
关联计算模块，用于基于所述关键网络拓扑特征与宿主基因组数据生成宿主-菌群互作关联矩阵，并计算功能基因协同度指标；
动态响应模块，用于结合所述临床表型组数据与所述功能基因协同度指标，通过动态响应算法生成症状-微生物动态响应指数；
联合建模模块，用于利用预设的迁移学习框架对所述相互作用网络、所述宿主-菌群互作关联矩阵及所述症状-微生物动态响应指数进行联合建模，输出微生态移植疗效预测结果。
与现有技术相比，本发明的有益效果是：
从数据采集和整合角度来看，通过建立多组学数据融合子系统，全面采集目标患者的宏基因组数据、代谢组数据、宿主基因组数据及临床表型组数据，并按时间序列对齐。这种多维度数据的整合方式，能够全方位、动态地反映患者肠道微生态系统与宿主之间的相互作用关系。相较于传统仅依赖单一数据类型的分析方法，极大地丰富了信息来源，避免了因信息缺失导致的分析偏差，为后续精准预测奠定了坚实的数据基础。
在分析模型构建方面，预设的菌群-代谢物联合网络分析模型通过构建微生物共现网络、生成代谢物-菌群关联子网以及识别核心模块，能够深入挖掘菌群与代谢物之间复杂的相互作用关系，提取关键网络拓扑特征。这有助于揭示IBS发病机制中微生物与代谢水平的内在联系，为理解疾病的发生发展过程提供了更深入的视角，也为微生态移植疗效预测提供了更具生物学意义的指标。
生成宿主-菌群互作关联矩阵并计算功能基因协同度指标，进一步整合了宿主基因组数据与菌群信息，从基因层面解析宿主与菌群之间的相互作用。这种分析方式考虑到了宿主遗传因素对肠道微生态的影响，能够更精准地评估个体差异对微生态移植疗效的潜在影响，使预测结果更具个性化和针对性。
结合临床表型组数据与功能基因协同度指标，通过动态响应算法生成症状-微生物动态响应指数，充分考虑了疾病症状与微生物之间的动态变化关系。该指数能够实时反映不同时段内微生物对症状的影响程度，捕捉到微生态系统与临床症状之间的细微变化，相较于传统静态分析方法，更能体现疾病的动态发展过程，从而为疗效预测提供更及时、准确的依据。
利用预设的迁移学习框架对多组学数据进行联合建模，不仅能够充分利用健康供体的多组学数据及对应微生态移植疗效标签进行预训练，还能通过自适应参数调整层和域适应损失函数，使模型更好地适应目标患者的数据特点，优化预测结果。这种迁移学习的方式提高了模型的泛化能力，减少了对大量目标患者样本的依赖，在样本量有限的情况下仍能实现精准预测，大大提高了预测效率和准确性。
此外，对疗效预测结果进行可信度评估，并在置信度低时触发增量学习机制，能够不断优化模型。通过将新的预测数据加入训练集重新优化模型参数，模型可以学习到更多样化的数据特征，逐渐提升对不同患者的预测能力，进一步提高预测的可靠性。
在数据处理和安全保障方面，本发明实施了一系列有效措施。数据预处理步骤，如对宏基因组数据进行低丰度菌群过滤、对代谢组数据进行批次效应校正、对宿主基因组数据进行连锁不平衡分析等，提高了数据质量，减少了噪声和冗余信息对预测结果的干扰。同时，建立的多组学数据安全存储协议和采用的动态密钥分片技术，保障了数据在存储和传输过程中的安全性，保护了患者的隐私，为多组学数据的临床应用提供了安全可靠的环境。
附图说明
图1为本发明所述基于多组学驱动的IBS微生态移植智能预测方法的工作原理图；
图2为菌群-代谢物联合网络分析模型的工作流程图；
图3为疗效预测结果评估与模型优化的工作流程图；
图4为数据预处理的工作流程图。
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4，本发明涉及一种基于多组学驱动的IBS微生态移植智能预测方法及系统，以下将详细阐述其具体实施方式。
建立多组学数据融合子系统采集目标患者的四维数据，所述四维数据包括宏基因组数据、代谢组数据、宿主基因组数据及临床表型组数据。该子系统整合了从不同维度获取的数据，为后续分析提供全面的信息基础。
将所述四维数据输入预设的菌群-代谢物联合网络分析模型，以构建菌群与代谢物的相互作用网络，并提取关键网络拓扑特征。此步骤通过特定模型挖掘菌群与代谢物之间的内在联系，找到对后续分析有重要意义的网络特征。
基于所述关键网络拓扑特征与宿主基因组数据生成宿主-菌群互作关联矩阵，并计算功能基因协同度指标。通过这种方式，分析宿主基因与菌群之间的相互作用关系，进一步深入了解微生态系统。
结合所述临床表型组数据与所述功能基因协同度指标，通过动态响应算法生成症状-微生物动态响应指数。该指数反映了微生物与患者症状之间的动态关联，为预测提供更准确的依据。
利用预设的迁移学习框架对所述相互作用网络、所述宿主-菌群互作关联矩阵及所述症状-微生物动态响应指数进行联合建模，输出微生态移植疗效预测结果。借助迁移学习框架，充分利用已有数据和模型，提高预测的准确性和可靠性。
下面通过具体实施例对本发明的其他技术特征进行详细说明。
实施例1：
建立多组学数据融合子系统采集目标患者的四维数据具体包括：获取目标患者的宏基因组数据，并标注菌群组成及功能基因表达量。具体操作如下，使用专业的基因测序设备对患者的粪便样本进行宏基因组测序，得到原始的测序数据。通过生物信息学分析工具，如MetaPhlAn、HUMAnN等，对测序数据进行处理，确定样本中各种菌群的种类和相对丰度，即标注菌群组成。同时，利用这些工具对功能基因的表达量进行定量分析，识别出与微生态功能相关的基因，并记录其表达水平。
采集代谢组数据，提取各类短链脂肪酸浓度、胆汁酸浓度和色氨酸浓度及代谢通路活性指标。从患者的血液、粪便或其他合适的生物样本中采集代谢组质谱数据。运用XCMS、MZmine等代谢组学数据处理软件，对质谱数据进行峰识别、对齐和定量分析。各类短链脂肪酸、胆汁酸或色氨酸是肠道微生物代谢的重要产物，与IBS的发病机制密切相关。通过特定的检测方法和数据分析手段，准确测定样本中各类短链脂肪酸浓度、胆汁酸浓度或色氨酸的浓度。对于代谢通路活性指标，通过将代谢物映射到已知的代谢通路数据库，如KEGG、Reactome等，利用通路富集分析算法，计算出各个代谢通路的活性水平，以反映代谢功能的变化。
解析宿主基因组数据，标记单核苷酸多态性位点及表观遗传修饰区域。采用高通量测序技术对宿主基因组进行测序，获得海量的基因序列信息。运用SNP calling工具，如GATK、SAMtools等，对测序数据进行分析，识别出单核苷酸多态性(SNP)位点。这些位点的变化可能影响宿主对疾病的易感性以及与微生物的相互作用。同时，利用表观遗传学研究技术，如染色质免疫沉淀测序(ChIP-seq)、全基因组亚硫酸氢盐测序(WGBS)等，确定表观遗传修饰区域，包括DNA甲基化、组蛋白修饰等。这些修饰可以调控基因的表达，进而影响宿主-微生物互作和疾病的发生发展。
整合临床表型组数据，包括症状评分量表结果及历史治疗记录，并按时间序列对齐所述宏基因组数据、所述代谢组数据及所述宿主基因组数据。收集患者的临床表型信息，如使用IBS症状严重程度评分量表(IBS-SSS)对患者的腹痛、腹胀、排便习惯改变等症状进行量化评分。同时，整理患者的历史治疗记录，包括使用过的药物、治疗时间、治疗效果等。为了便于综合分析，将不同时间点采集的宏基因组数据、代谢组数据及宿主基因组数据按照时间顺序进行对齐，确保数据的时间一致性，使后续分析能够准确反映疾病的动态变化过程。
实施例2：
菌群-代谢物联合网络分析模型的构建过程如下：基于宏基因组数据中的菌群丰度构建微生物共现网络。在这个网络中，将每个菌属分类单元视为一个节点，通过计算不同菌属之间的相关性来确定边权重。如果两个菌属在样本中经常同时出现，说明它们之间存在共生关系，边权重为正值；反之，如果两个菌属很少同时出现，可能存在竞争关系，边权重为负值。具体计算方法可以采用Spearman相关系数或Pearson相关系数，公式为：
其中，r表示相关系数，xi和yi分别表示两个菌属在第i个样本中的丰度，和分别是这两个菌属在所有样本中的平均丰度，n为样本数量。当|r|超过一定阈值(如0.6)时，则认为两个菌属之间存在显著的共现关系，从而在网络中建立连接。
将代谢组数据中的代谢物浓度映射至所述微生物共现网络，生成代谢物-菌群关联子网。将代谢物视为新的节点，根据代谢物与菌属之间的已知生化关系或通过数据分析得到的相关性，在微生物共现网络中添加代谢物节点与菌属节点之间的连接。例如，如果某种菌属能够产生特定的代谢物，或者两者的浓度变化呈现显著相关性，则在网络中建立相应的边。这样就构建了一个包含菌群和代谢物信息的关联子网，更全面地展示了微生态系统中的相互作用关系。
通过随机游走算法遍历所述关联子网，识别具有双向调控作用的菌群-代谢物核心模块。随机游走算法是一种在图结构上进行随机探索的算法。在关联子网中，从一个随机选择的节点开始，按照一定的概率选择与其相连的边进行移动，不断重复这个过程。在每次移动过程中，记录经过的节点和边。经过大量的随机游走步骤后，分析哪些节点和边被频繁访问。具有双向调控作用的菌群-代谢物核心模块通常是那些在随机游走过程中被频繁访问的子网络部分。通过这种方式，可以找到在菌群与代谢物相互作用中起关键作用的核心模块，为后续分析提供重要依据。
实施例3：
生成宿主-菌群互作关联矩阵时，提取宿主基因组数据中的免疫调节基因及代谢相关基因作为候选互作基因集。从已有的基因数据库，如NCBI、Ensembl等，获取与免疫调节和代谢相关的基因信息。结合IBS的发病机制和已有研究成果，筛选出可能与肠道菌群相互作用的基因，组成候选互作基因集。这些基因可能参与调节宿主的免疫反应、影响肠道屏障功能或参与微生物代谢产物的处理等过程。
计算所述候选互作基因集中各基因表达水平与菌群-代谢物核心模块菌群丰度的皮尔逊相关系数。利用基因表达谱数据和菌群-代谢物核心模块丰度数据，计算每个基因表达水平与各个菌群-代谢物核心模块菌群丰度之间的皮尔逊相关系数。皮尔逊相关系数的计算公式与实施例2中计算菌属间相关系数的公式相同(公式中xi表示基因在第i个样本中的表达量，yi表示菌群核心模块在第i个样本中的丰度)。该系数反映了基因表达与菌群丰度之间的线性相关程度，取值范围在-1到1之间。正值表示正相关，即基因表达水平升高时，菌群丰度也倾向于升高；负值表示负相关，即基因表达水平升高时，菌群丰度倾向于降低。
筛选相关系数绝对值超过第一阈值(例如0.5)的基因-菌群对，构建以基因为行、菌群为列的多维关联矩阵。根据计算得到的皮尔逊相关系数，筛选出相关性较强的基因-菌群对。将这些基因-菌群对整理成一个多维矩阵，矩阵的行代表不同的基因，列代表不同的菌群核心模块。矩阵中的元素为对应的基因-菌群对的相关系数，这样就构建了宿主-菌群互作关联矩阵，直观地展示了宿主基因与菌群之间的相互作用关系。
实施例4：
动态响应算法的实现方式如下：根据临床表型组数据中的症状严重程度划分动态响应时段。首先，将症状严重程度进行量化，例如根据IBS-SSS评分将症状分为轻度(75<IBS-SSS评分≤175)、中度175<IBS-SSS评分≤300)和重度(IBS-SSS评分>300)。然后，按照时间顺序，将患者的病程划分为不同的时段，每个时段对应不同的症状严重程度变化阶段。例如，当症状从轻度转变为中度时，划分一个新的时段；症状在中度水平保持稳定一段时间后，若出现明显变化，再划分新的时段。这样可以根据症状的动态变化，更准确地分析微生物与症状之间的关系。
在每一时段内，统计菌群-代谢物核心模块菌群丰度变化率与症状评分的滞后相关性。对于每个划分好的时段，计算核心模块菌群丰度在不同时间点的变化率。设t1和t2是时段内的两个时间点，菌群丰度变化率的计算公式为：
同时，记录对应时间点的症状评分。然后，计算菌群丰度变化率与症状评分之间的滞后相关性。滞后相关性是指菌群丰度变化在时间上滞后于症状变化时两者之间的相关性。例如，计算菌群丰度在t1时刻的变化率与症状评分在t1+k(k为滞后时间，k＝1,2,...)时刻的相关性。通过这种方式，可以发现微生物对症状变化的响应是否存在时间延迟。
基于最大信息系数确定最优滞后窗口，并计算各时段内菌群对症状的动态响应权重。最大信息系数(MIC)是一种衡量两个变量之间复杂相关性的指标。在计算了不同滞后时间下菌群丰度变化率与症状评分的相关性后，利用MIC找到相关性最强时对应的滞后时间，这个滞后时间就是最优滞后窗口。确定最优滞后窗口后，根据菌群丰度变化率与症状评分在最优滞后窗口下的相关性强度，计算各时段内菌群对症状的动态响应权重。相关性越强，动态响应权重越大，表明菌群对症状的影响越显著。通过这种方式，生成能够准确反映症状-微生物动态响应关系的指数。
实施例5：
迁移学习框架的构建步骤如下：预训练基础预测模型，其输入为健康供体的多组学数据及对应微生态移植疗效标签。收集大量健康供体的宏基因组数据、代谢组数据、宿主基因组数据以及这些供体进行微生态移植后的疗效数据(疗效标签可以用治愈率、症状改善程度等指标表示)。选择合适的机器学习模型，如深度神经网络(DNN)、随机森林(RF)等，以这些健康供体的多组学数据作为输入，以疗效标签作为输出，对模型进行训练。在训练过程中，通过调整模型的参数，使模型能够学习到健康供体多组学数据与微生态移植疗效之间的关系，得到预训练的基础预测模型。
冻结所述基础预测模型的特征提取层，并添加自适应参数调整层。基础预测模型经过预训练后，其特征提取层已经学习到了多组学数据中的重要特征。为了适应目标患者的数据特点，冻结特征提取层，使其参数不再更新。然后，在模型的基础上添加自适应参数调整层。这个调整层可以根据目标患者的数据对模型进行微调，例如通过添加全连接层、卷积层等，并使用目标患者的数据对调整层的参数进行训练，使模型能够更好地适应目标患者的微生态系统和临床特征。
将目标患者的联合建模数据输入调整后的模型，通过域适应损失函数优化预测结果。把目标患者的相互作用网络、关联矩阵及动态响应指数等联合建模数据输入到添加了自适应参数调整层的模型中。为了使模型在目标患者数据上的预测更加准确，使用域适应损失函数对模型进行优化。域适应损失函数的作用是最小化源域(健康供体数据)和目标域(目标患者数据)之间的差异，使模型能够更好地在目标患者数据上进行预测。例如，可以使用最大平均差异(MMD)作为域适应损失函数，其公式为：
其中，x和y分别表示源域和目标域的数据，xi和yj分别是源域和目标域中的样本，n和m分别是源域和目标域的样本数量，φ是将样本映射到再生核希尔伯特空间(RKHS)的函数，表示在RKHS中的范数。通过不断调整自适应参数调整层的参数，最小化域适应损失函数，从而优化模型对目标患者微生态移植疗效的预测结果。
实施例6：
本发明的方法还包括对疗效预测结果进行可信度评估以及相关的数据处理和安全措施。对所述疗效预测结果进行可信度评估，其方式为计算预测结果在迁移学习框架中特征空间的置信度分布。在迁移学习框架中，通过模型对目标患者数据的预测，可以得到预测结果在特征空间中的分布情况。利用一些统计方法，如计算预测结果的概率密度函数或置信区间，来评估预测结果的可信度。例如，可以使用高斯混合模型(GMM)对预测结果进行建模，估计预测结果属于不同类别的概率，从而得到预测结果的置信度分布。
若置信度低于第二阈值(如0.6)，则触发增量学习机制，将当前预测数据加入训练集并重新优化模型参数。当预测结果的置信度低于设定的阈值时，说明模型对该预测结果的可靠性较低。为了提高模型的准确性，触发增量学习机制。将当前目标患者的多组学数据以及对应的预测结果(即使预测结果可能不准确)加入到训练集中，然后重新对模型进行训练和优化。在重新训练过程中，模型可以学习到更多的样本信息，尤其是与目标患者相似的数据特征，从而调整模型的参数，提高模型对类似患者的预测能力。
在数据预处理方面，对宏基因组数据进行低丰度菌群过滤，保留相对丰度超过第三阈值(如0.01％)的菌属。宏基因组数据中存在大量相对丰度极低的菌群，这些菌群可能是实验误差或环境污染物导致的，对分析结果影响较小且会增加计算负担。通过设定相对丰度阈值，过滤掉低丰度菌群，只保留具有生物学意义的优势菌群，提高数据分析的准确性和效率。
对代谢组数据进行批次效应校正，采用基于质控样本的线性回归模型消除仪器检测偏差。在代谢组数据采集过程中，由于不同批次实验条件、仪器状态等因素的差异，可能会产生批次效应，影响数据的准确性。使用质控样本(在每个批次实验中都加入相同的标准样本)，通过线性回归模型对代谢组数据进行校正。设yij是第i个样本在第j个批次中的代谢物测量值，xij是对应的协变量(如批次编号)，线性回归模型可以表示为：
yij＝β0+β1xij+∈ij
其中，β0和β1是回归系数，∈ij是误差项。通过对质控样本的分析，估计回归系数，然后对所有样本的数据进行校正，消除批次效应带来的仪器检测偏差。
对宿主基因组数据进行连锁不平衡分析，剔除冗余单核苷酸多态性位点。连锁不平衡是指基因组中不同位点之间的非随机关联现象。在宿主基因组数据中，存在大量的单核苷酸多态性(SNP)位点，其中一些位点之间存在高度的连锁不平衡，携带的信息相似。通过连锁不平衡分析，计算不同SNP位点之间的连锁不平衡系数(如r2)，当r2超过一定阈值(如0.8)时，说明两个位点存在较强的连锁不平衡关系。选择其中一个位点保留，剔除其他冗余位点，这样可以减少数据维度，降低计算复杂度，同时避免因冗余信息导致的过拟合问题。
在数据安全方面，建立多组学数据的安全存储协议，其中，不同维度的数据按隐私等级划分加密强度。将宏基因组数据、代谢组数据、宿主基因组数据及临床表型组数据根据其隐私敏感程度划分为不同等级，例如宿主基因组数据和临床表型组数据涉及患者个人隐私，设定为高隐私等级；宏基因组数据和代谢组数据相对隐私敏感度较低，设定为中隐私等级。对于高隐私等级的数据，采用高强度的加密算法，如AES-256进行加密存储；对于中隐私等级的数据，采用相对较弱但仍能保证一定安全性的加密算法，如AES-128进行加密存储。这样在保证数据安全性的同时，也能根据数据的重要性和敏感程度合理分配加密资源。
在数据传输过程中，采用动态密钥分片技术对加密后的数据进行分段传输与实时验证。动态密钥分片技术是将加密密钥分割成多个片段，并在数据传输过程中动态地生成和更新这些片段。具体来说，在发送端，将加密后的数据按照一定规则分成多个数据段，为每个数据段生成一个对应的密钥片段。这些密钥片段会与数据段一同传输，但传输路径可以不同，增加数据传输的安全性。在接收端，接收到数据段和密钥片段后，通过实时验证机制来确保数据的完整性和准确性。验证过程可以采用哈希校验等方式，对接收的数据段进行哈希计算，与发送端预先提供的哈希值进行比对，如果一致，则说明数据在传输过程中未被篡改，验证通过。如果验证不通过，则触发重传机制，要求发送端重新发送该数据段及对应的密钥片段，从而保证数据在传输过程中的安全性和可靠性。通过这种动态密钥分片技术和实时验证机制，有效防止数据在传输过程中被窃取或篡改，保障多组学数据的安全传输。
相应地，本发明的实施例还提供了一种基于多组学驱动的IBS微生态移植智能预测系统，包括：
数据采集模块，用于通过多组学数据融合子系统采集目标患者的四维数据，其中，所述四维数据包括宏基因组数据、代谢组数据、宿主基因组数据及临床表型组数据；
网络分析模块，用于将所述四维数据输入预设的菌群-代谢物联合网络分析模型，以构建菌群与代谢物的相互作用网络，并提取关键网络拓扑特征；
关联计算模块，用于基于所述关键网络拓扑特征与宿主基因组数据生成宿主-菌群互作关联矩阵，并计算功能基因协同度指标；
动态响应模块，用于结合所述临床表型组数据与所述功能基因协同度指标，通过动态响应算法生成症状-微生物动态响应指数；
联合建模模块，用于利用预设的迁移学习框架对所述相互作用网络、所述宿主-菌群互作关联矩阵及所述症状-微生物动态响应指数进行联合建模，输出微生态移植疗效预测结果.
本实施例的系统，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于多组学驱动的IBS微生态移植智能预测方法，其特征在于，包括：
建立多组学数据融合子系统采集目标患者的四维数据，其中，所述四维数据包括宏基因组数据、代谢组数据、宿主基因组数据及临床表型组数据；
将所述四维数据输入预设的菌群-代谢物联合网络分析模型，以构建菌群与代谢物的相互作用网络，并提取关键网络拓扑特征；
基于所述关键网络拓扑特征与宿主基因组数据生成宿主-菌群互作关联矩阵，并计算功能基因协同度指标；
结合所述临床表型组数据与所述功能基因协同度指标，通过动态响应算法生成症状-微生物动态响应指数，所述动态响应算法的实现方式包括：
1)根据临床表型组数据中的症状严重程度划分动态响应时段：首先，将症状严重程度进行量化，根据IBS-SSS评分将症状分为轻度(IBS-SSS评分<75)、中度(75≤IBS-SSS评分<175)和重度(IBS-SSS评分≥175)；然后，按照时间顺序，将患者的病程划分为不同的时段，每个时段对应不同的症状严重程度变化阶段：当症状从轻度转变为中度时，划分一个新的时段；症状在中度水平保持稳定一段时间后，若出现明显变化，再划分新的时段；这样根据症状的动态变化，更准确地分析微生物与症状之间的关系；
2)在每一时段内，统计核心模块菌群丰度变化率与症状评分的滞后相关性：对于每个划分好的时段，计算核心模块菌群丰度在不同时间点的变化率，设t1和t2是时段内的两个时间点，菌群丰度变化率的计算公式为：
同时，记录对应时间点的症状评分；然后，计算菌群丰度变化率与症状评分之间的滞后相关性，滞后相关性是指菌群丰度变化在时间上滞后于症状变化时两者之间的相关性；通过这种方式，发现微生物对症状变化的响应是否存在时间延迟；
3)基于最大信息系数确定最优滞后窗口，并计算各时段内菌群对症状的动态响应权重：最大信息系数MIC是一种衡量两个变量之间复杂相关性的指标，在计算不同滞后时间下菌群丰度变化率与症状评分的相关性后，利用MIC找到相关性最强时对应的滞后时间，这个滞后时间就是最优滞后窗口；确定最优滞后窗口后，根据菌群丰度变化率与症状评分在最优滞后窗口下的相关性强度，计算各时段内菌群对症状的动态响应权重；相关性越强，动态响应权重越大，表明菌群对症状的影响越显著；通过这种方式，生成能够准确反映症状-微生物动态响应关系的指数；
利用预设的迁移学习框架对所述相互作用网络、关联矩阵及动态响应指数进行联合建模，输出微生态移植疗效预测结果。
2.根据权利要求1所述的基于多组学驱动的IBS微生态移植智能预测方法，其特征在于，建立所述四维数据融合子系统的步骤包括：
获取目标患者的宏基因组测序数据，并标注菌群组成及功能基因表达量；
采集代谢组质谱数据，提取短链脂肪酸浓度及代谢通路活性指标；
解析宿主基因组测序数据，标记单核苷酸多态性位点及表观遗传修饰区域；
整合临床表型组数据，包括症状评分量表结果及历史治疗记录，并按时间序列对齐所述宏基因组数据、代谢组数据及宿主基因组数据。
3.根据权利要求1所述的基于多组学驱动的IBS微生态移植智能预测方法，其特征在于，所述菌群-代谢物联合网络分析模型包括：
基于宏基因组数据中的菌群丰度构建微生物共现网络，其中，节点表示菌属分类单元，边权重表示物种间共生或竞争关系强度；
将代谢组数据中的代谢物浓度映射至所述微生物共现网络，生成代谢物-菌群关联子网；
通过随机游走算法遍历所述关联子网，识别具有双向调控作用的菌群-代谢物核心模块。
4.根据权利要求3所述的基于多组学驱动的IBS微生态移植智能预测方法，其特征在于，生成宿主-菌群互作关联矩阵的步骤包括：
提取宿主基因组数据中的免疫调节基因及代谢相关基因作为候选互作基因集；
计算所述候选互作基因集中各基因表达水平与菌群核心模块丰度的皮尔逊相关系数；
筛选相关系数绝对值超过第一阈值的基因-菌群对，构建以基因为行、菌群为列的多维关联矩阵。
5.根据权利要求1所述的基于多组学驱动的IBS微生态移植智能预测方法，其特征在于，所述迁移学习框架的构建步骤包括：
预训练基础预测模型，其输入为健康供体的多组学数据及对应微生态移植疗效标签；
冻结所述基础预测模型的特征提取层，并添加自适应参数调整层；
将目标患者的联合建模数据输入调整后的模型，通过域适应损失函数优化预测结果。
6.根据权利要求5所述的基于多组学驱动的IBS微生态移植智能预测方法，其特征在于，所述方法还包括：
对所述疗效预测结果进行可信度评估，其方式为计算预测结果在迁移学习框架中特征空间的置信度分布；
若置信度低于第二阈值，则触发增量学习机制，将当前预测数据加入训练集并重新优化模型参数。
7.根据权利要求1所述的基于多组学驱动的IBS微生态移植智能预测方法，其特征在于，所述方法还包括数据预处理步骤：
对宏基因组数据进行低丰度菌群过滤，保留相对丰度超过第三阈值的菌属；
对代谢组数据进行批次效应校正，采用基于质控样本的线性回归模型消除仪器检测偏差；
对宿主基因组数据进行连锁不平衡分析，剔除冗余单核苷酸多态性位点。
8.根据权利要求7所述的基于多组学驱动的IBS微生态移植智能预测方法，其特征在于，所述方法还包括：
建立多组学数据的安全存储协议，其中，不同维度的数据按隐私等级划分加密强度；
在数据传输过程中，采用动态密钥分片技术对加密后的数据进行分段传输与实时验证。
9.一种基于多组学驱动的IBS微生态移植智能预测系统，其特征在于，包括：
数据采集模块，用于通过多组学数据融合子系统采集目标患者的四维数据，其中，所述四维数据包括宏基因组数据、代谢组数据、宿主基因组数据及临床表型组数据；
网络分析模块，用于将所述四维数据输入预设的菌群-代谢物联合网络分析模型，以构建菌群与代谢物的相互作用网络，并提取关键网络拓扑特征；
关联计算模块，用于基于所述关键网络拓扑特征与宿主基因组数据生成宿主-菌群互作关联矩阵，并计算功能基因协同度指标；
动态响应模块，用于结合所述临床表型组数据与所述功能基因协同度指标，通过动态响应算法生成症状-微生物动态响应指数；
联合建模模块，用于利用预设的迁移学习框架对所述相互作用网络、关联矩阵及动态响应指数进行联合建模，输出微生态移植疗效预测结果。
CN202510576783.6A 2025-05-06 2025-05-06 基于多组学驱动的ibs微生态移植智能预测方法和系统 Active CN120636552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510576783.6A CN120636552B (zh) 2025-05-06 2025-05-06 基于多组学驱动的ibs微生态移植智能预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510576783.6A CN120636552B (zh) 2025-05-06 2025-05-06 基于多组学驱动的ibs微生态移植智能预测方法和系统

Publications (2)

Publication Number Publication Date
CN120636552A CN120636552A (zh) 2025-09-12
CN120636552B true CN120636552B (zh) 2026-04-10

Family

ID=96963113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510576783.6A Active CN120636552B (zh) 2025-05-06 2025-05-06 基于多组学驱动的ibs微生态移植智能预测方法和系统

Country Status (1)

Country Link
CN (1) CN120636552B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120913824B (zh) * 2025-10-11 2025-12-23 西安医学院第一附属医院 多组学数据融合的临床微生物感染智能诊断系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016118771A1 (en) * 2015-01-23 2016-07-28 Data4Cure, Inc. System and method for drug target and biomarker discovery and diagnosis using a multidimensional multiscale module map
CN115125312A (zh) * 2021-03-26 2022-09-30 中国科学院上海营养与健康研究所 用于Basal型胰腺导管腺癌(PDAC)诊断的标志物组合及其应用

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011022660A1 (en) * 2009-08-21 2011-02-24 Puretech Ventures, Llc Methods of diagnosing and treating microbiome-associated disease using interaction network parameters
CN116052767B (zh) * 2023-02-10 2024-11-01 复旦大学 基于微生物与宿主互作的阿尔兹海默症标志物识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016118771A1 (en) * 2015-01-23 2016-07-28 Data4Cure, Inc. System and method for drug target and biomarker discovery and diagnosis using a multidimensional multiscale module map
CN115125312A (zh) * 2021-03-26 2022-09-30 中国科学院上海营养与健康研究所 用于Basal型胰腺导管腺癌(PDAC)诊断的标志物组合及其应用

Also Published As

Publication number Publication date
CN120636552A (zh) 2025-09-12

Similar Documents

Publication Publication Date Title
Rahnenführer et al. Statistical analysis of high-dimensional biomedical data: a gentle introduction to analytical goals, common approaches and challenges
Zhou et al. Data pre-processing for analyzing microbiome data–A mini review
US20230141128A1 (en) Molecular technology for predicting a phenotypic trait of a bacterium from its genome
CN119517411A (zh) 一种集成多种临床评价工具的皮肤病健康评测系统
CN120636552B (zh) 基于多组学驱动的ibs微生态移植智能预测方法和系统
CN116246705B (zh) 全基因组测序数据的分析方法和装置
CN119274820A (zh) 一种基于多源数据融合的传染病多点触发智能预警方法
Shankar Insights into study design and statistical analyses in translational microbiome studies
Kim Bioinformatic and statistical analysis of microbiome data
James et al. Whole-genome phenotype prediction with machine learning: open problems in bacterial genomics
CN119446269A (zh) 肠道菌群配型的多组学数据优化方法、系统及介质
Reyes et al. Mutation rates of spoligotypes and variable numbers of tandem repeat loci in Mycobacterium tuberculosis
Sergeev et al. Genome-wide analysis of MDR and XDR Tuberculosis from Belarus: Machine-learning approach
CN120319318B (zh) 基因数据的处理方法、系统、电子设备及存储介质
Sundar et al. An intelligent prediction model for target protein identification in hepatic carcinoma using novel graph theory and ann model
Hapsari et al. Optimization based random forest algorithm modification for detecting monkeypox disease
CN120913885A (zh) 一种中西医多模态数据关联网络构建方法、设备及程序产品
CN117114111B (zh) 一种肺癌筛查患者就医行为偏好推测方法
CN119008033A (zh) 一种基于基因测序的病原体管理方法及系统
CN117059180B (zh) 一种供体肠道菌群的筛选方法、装置、设备及存储介质
CN118298998A (zh) 基于可扩展多组学数据融合框架的细胞系药物敏感性预测方法及装置
He et al. An association rule analysis framework for complex physiological and genetic data
Kucarov et al. Teaching Machine Learning for Oncogenicity Prediction Based on NGS Genomic Metadata
Li et al. Homicidality risk prediction based on ecological systems theory in an early adolescent cohort using machine learning
Sun et al. Eliminate false positives in metagenomic profiling based on type IIB restriction sites

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