[發明專利]臨床蛋白質質譜數據的分類方法

在審

• 申請號: 201711341974.6
• 申請日: 2017-12-14
• 公開（公告）號: CN107895159A
• 公開（公告）日: 2018-04-10
• 發明（設計）人: 白娟;張自力
• 申請（專利權）人: 西南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/62
• 代理公司: 北京海虹嘉誠知識產權代理有限公司11129
• 代理人: 呂小琴

技術領域

本發明涉及一種分類方法，尤其涉及一種臨床蛋白質質譜數據的分類方法。

背景技術

質譜學是一門研究氣相離子結構、性質及反應行為的科學。質譜分析是將生物樣本通過激光照射等方法轉化為運動的氣態離子碎片，并進入質量分析儀在磁場和電場的作用下離子碎片按質荷比(m/z)大小分離并記錄得到質譜數據圖的分析方法。

現在比較重要的質譜分析技術有:輔助激光解析電離飛行時間質譜(MALDI—TOFFMS)和表面加強激光解析電離飛行時間質譜(SELDI—TOFFMS)。質譜分析方法靈敏度高，試樣通常只需要微克級，就可得到一張很好的譜圖，因此質譜方法被廣泛用于分子細胞結構分析。隨質譜分析技術的快速提高，質譜數據已得到廣泛的研究利用。如應用到醫療治療中，完成疾病的早期診斷，細菌的識別等。

在蛋白質質譜數據分類的問題中,目前大部分研究針對的是成熟的標準質譜數據集，這些數據集都包含了完整且相同的質荷比(m/z)數據，樣本數據維度統一，可以直接通過某些特征選擇方法提取到對應的生物標志物，從而對不同細胞樣本質譜數據進行分類。然而在臨床數據獲取上，即使在每一個獲取MS數據的生物實驗中，使用相同的材料，并執行相同的操作流程。不同的實驗室環境和多樣化的個人操作細節是不可避免的。Kathryn A.Jackson曾研究表明培養基的變化，培養條件，培養時間對于產生的質譜數據都有顯著影響。所以最后臨床得到的數據會存在噪聲數據，多個樣本得到的質譜數據會存在分子量不對應，特征數雜亂無規律，還包含較多的噪聲的問題。

因此，為了解決上述技術問題，需要提出一種新的質譜數據的分類方法。

發明內容

有鑒于此，本發明的目的是提供一種臨床蛋白質質譜數據的分類方法，能夠對蛋白質質譜數據中的噪聲進行有效剔除，而且確保剔除噪聲的質譜數據的完整性，并且不損壞質譜數據的原有特征，而且算法過程準確，進而確保最終的分類準確性。

本發明提供的一種臨床蛋白質質譜數據的分類方法，包括如下步驟：

S1.對含噪的臨床蛋白質質譜數據進行預處理，剔除質譜數據中的噪聲；

S2.從剔除噪聲的質譜數據中提取出類別區分特征；

S3.采用決策樹對類別區分特征進行訓練，然后將待測的蛋白質質譜數據輸入到決策樹中進行訓練分類。

進一步，步驟S1中，根據如下方法剔除質譜數據中的噪聲：

S101.線性掃描蛋白質質譜數據中的峰值信號，并判斷每個峰值信號的峰值是否為左右相鄰峰值信號的峰值為最大值，如是，則該峰值信號確定為有效的局部峰值信號；

S102.對局部有效峰值信號進行兩步分窗算法取窗內有效峰值信號的平均值形成剔除噪聲的質譜數據。

進一步，步驟S102中，根據如下方法進行兩步分窗算法處理：

將質譜數據中的mass坐標按照系統的最大誤差進行分窗，然后取每個窗口的平均峰值作為該窗口的新的峰值，并以分窗時的各窗口的序列值作為新的mass值；

采用滑窗處理算法對新的峰值進行處理，剔除噪聲。

進一步，在對mass坐標分窗時，第一步分窗的窗口寬度取系統最大誤差，第二步分窗為新的mass坐標的寬度為2的窗口大小進行滑窗處理。

進一步，S201.將步驟S1中剔除噪聲的質譜數據樣本進行t檢驗：

其中，為第一類樣本的均值，σ_i0為第一類樣本的方差；為第二類樣本的均值，σ_i1為第二類樣本的方差，T_i為樣本中第i個質譜數據的t統計值；

S201.將t統計值進行排序，選出t統計值最大的10個特征作為先驗信息，并采用遺傳算法得到質譜數據的類別區分特征。

進一步，步驟S3中，決策樹分類過程中，集合多棵決策樹組成隨機森林對前面步驟提取的區別性特征數據，進行訓練以及分類。

本發明的有益效果：通過本發明，能夠對蛋白質質譜數據中的噪聲進行有效剔除，而且確保剔除噪聲的質譜數據的完整性，并且不損壞質譜數據的原有特征，而且算法過程準確，進而確保最終的分類準確性。

附圖說明

下面結合附圖和實施例對本發明作進一步描述：

圖1為本發明的流程圖。

圖2為本發明的有效的局部峰值示意圖。

圖3為本發明的t統計量用于提取區別特征原理圖。

圖4為本發明的遺傳算法提取特征的迭代圖。

具體實施方式

以下結合說明書附圖對本發明做出進一步詳細說明：