[發明專利]抗生素敏感性的分析預測

有效

• 申請號: 201780073559.9
• 申請日: 2017-11-27
• 公開（公告）號: CN110024036B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: K·穆魯格桑
• 申請（專利權）人: 皇家飛利浦有限公司
• 主分類號: G16B40/00
• 分類號: G16B40/00
• 代理公司: 永新專利商標代理有限公司 72002
• 代理人: 李光穎;王英

1.一種用于訓練抗生素抗性模型的方法，所述方法包括：

經由接口接收包括多個基因組特征和多個分離株的特征矩陣；

經由所述接口接收包括多個表型和所述多個分離株的協變量矩陣；其中，所述多個表型包括對各種抗生素的敏感性；

將所述特征矩陣和所述協變量矩陣輸入到處理器中，所述處理器執行被存儲于存儲器上的指令以提供方差分析引擎；

將來自所述方差分析引擎的所述多個表型中的每個表型的效應量供應到篩分模塊；并且

經由所述篩分模塊基于所述表型中的至少一個表型的所述效應量選擇至少一個選定的表型來訓練抗生素抗性機器學習模型。

2.一種訓練用于預測抗生素藥物敏感性的模型的方法，所述方法包括：

經由接口接收多個特征的數據集；

經由所述接口接收與所述多個特征有關的標簽的集合；其中，所述標簽的集合是包括多個表型的協變量矩陣，并且所述多個表型包括對各種抗生素的敏感性；

將所述多個特征的所述數據集和所述標簽的集合供應到處理器，所述處理器被配置為執行被存儲于存儲器上的指令以提供方差分析引擎，其中，所述方差分析引擎被配置為針對關于所述多個特征的所述數據集的所述標簽中的每個標簽生成效應量；

將針對標簽生成的至少一個效應量作為輸出從所述方差分析引擎供應到篩分模塊；并且

經由所述篩分模塊基于至少一個供應的效應量來選擇要用于機器學習模型中的至少一個標簽。

3.根據權利要求2所述的方法，其中，所述多個特征的所述數據集是基因組數據集，所述基因組數據集包括以下中的至少一種：基因存在-不存在矩陣、SNP矩陣、質粒剖析矩陣、移動基因矩陣、基因表達矩陣、RNA序列矩陣以及微陣列矩陣。

4.根據權利要求2所述的方法，其中，所述標簽的集合是二元值的單個向量。

5.根據權利要求2所述的方法，其中，所述標簽的集合是多類別值的單個向量。

6.根據權利要求2所述的方法，其中，經由所述篩分模塊選擇所述至少一個標簽包括基于超過預定閾值的所述至少一個標簽的生成的效應量來選擇所述至少一個標簽。

7.根據權利要求2所述的方法，還包括：經由所述篩分模塊基于多個標簽的效應量對所述多個標簽進行排序，并且經由所述篩分模塊基于所述排序來選擇所述至少一個標簽。

8.一種用于訓練用于預測抗生素藥物敏感性的模型的系統，所述系統包括：

接口，其用于接收多個特征的數據集和與所述多個特征有關的標簽的集合；其中，所述標簽的集合是包括多個表型的協變量矩陣，并且所述多個表型包括對各種抗生素的敏感性；

存儲器；以及

處理器，其被配置為執行被存儲于所述存儲器上的指令以提供方差分析引擎，所述方差分析引擎被配置接收所述多個特征的所述數據集和所述標簽的集合并且還被配置為輸出針對所述標簽中的每個標簽的效應量，其中，至少一個標簽基于所述至少一個標簽的效應量被選擇為被用于機器學習模型中。

9.根據權利要求8所述的系統，其中，所述多個特征的所述數據集是基因組數據集，所述基因組數據集包括以下中的至少一種：基因存在-不存在矩陣、SNP矩陣、質粒剖析矩陣、移動基因元件矩陣、基因表達矩陣、RNA序列矩陣以及微陣列矩陣。

10.根據權利要求8所述的系統，其中，所述標簽的集合是二元值的單個向量。

11.根據權利要求8所述的系統，其中，所述標簽的集合是多類別值的單個向量。

12.根據權利要求8所述的系統，其中，至少一個選定的標簽是基于超過預定閾值的所述至少一個選定的標簽的生成的效應量來選擇的。

13.根據權利要求8所述的系統，其中，所述方差分析引擎還被配置為基于所述標簽的集合的效應量對所述標簽的集合進行排序，并且基于所述排序來選擇所述至少一個標簽。