[發明專利]基于機器學習的細胞外囊泡分類方法、裝置、設備及介質

在審

• 申請號: 202210699761.5
• 申請日: 2022-06-20
• 公開（公告）號: CN114973245A
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 龍菲;韓頂立;冉瑞;鐘曉翠;王煉煉;陳竺;楊洋
• 申請（專利權）人: 重慶醫科大學
• 主分類號: G06V20/69
• 分類號: G06V20/69;G06V10/764;G06V10/774;G06N20/00
• 代理公司: 重慶渝之知識產權代理有限公司 50249
• 代理人: 鄭小龍

本發明公開了一種基于機器學習的細胞外囊泡分類方法，包括：獲取樣品的第一參數；設定篩選條件，判斷所述第一參數是否滿足所述篩選條件，并根據所述篩選條件從所述樣品中篩選出細胞外囊泡；獲取所述細胞外囊泡的第二參數；將所述第二參數輸入至預先訓練的基于機器學習的分類模型，以通過所述分類模型完成對所述細胞外囊泡的分類。本發明基于機器學習的分類方法，能夠從復雜的生物標志物信息發現難以識別的規律。本發明基于機器學習，利用代謝物豐度對細胞外囊泡進行決策并分類，評估基于特征篩選后的模型對卵巢癌EVs代謝物的預測潛力，以期協助臨床診斷及卵巢癌早期篩查。

技術領域

本發明屬于深度學習技術領域，具體涉及一種基于機器學習的細胞外囊泡分類方法、裝置、設備及介質。

背景技術

根據WHO2020統計，卵巢癌(Ovarian cancer,OV)是全世界女性死亡人數僅次于宮頸癌的第二大婦科惡性腫瘤，導致約20.72萬婦女死亡。由于缺乏早期癥狀和有效的早期篩查方法，使5年生存率從93％降低到20％，因此被稱為“沉默的殺手”。細胞外囊泡(Extracellular vesicles,EVs)是近年來癌癥診斷的潛力標志物，具有雙層膜結構，通常按大小和來源分為粒徑約50nm-150nm的外泌體和100nm-1mm的微泡，研究發現其攜帶的源細胞遺傳和分子信息與腫瘤分期及預后相關，甚至可以用于早期診斷。近些年來，代謝組學通過色譜質譜聯用技術鑒定樣品中的所有代謝小分子，已經被廣泛應用于診斷卵巢癌的研究中，但早期鑒別的相關研究沒有提及。

發明內容

鑒于以上所述現有技術的缺點，本發明提供一種基于機器學習的細胞外囊泡分類方法、裝置、設備及介質，以解決現有技術中的至少一個缺陷。

為實現上述目的及其他相關目的，本發明提供一種基于機器學習的細胞外囊泡分類方法，包括：

獲取樣品的第一參數；

基于所述第一參數從所述樣品中篩選出細胞外囊泡；

獲取所述細胞外囊泡的第二參數；

將所述第二參數輸入至預先訓練的基于機器學習的分類模型，以通過所述分類模型完成對所述細胞外囊泡的分類。

于本發明一實施例中，通過透射電子顯微鏡拍攝所述樣品的超微形態結構；

通過納米顆粒跟蹤分析儀檢測所述樣品的粒徑范圍；

通過化學發光成像分析所述樣品的TSG101蛋白條帶；

所述第一參數包括超微形態結構、粒徑范圍和TSG101蛋白條帶。

于本發明一實施例中，所述篩選條件包括：

是否呈現橢圓形的膜結構；

粒徑大小是否為50-500nm；

是否具有TSG101蛋白條帶。

于本發明一實施例中，所述獲取所述細胞外囊泡的第二參數，包括：

獲取所述細胞外囊泡的總離子流圖，所述總離子流圖包含各細胞外囊泡樣本的物質信息；

對所述總離子流圖進行解析，得到所述細胞外囊泡的代謝物數據；

從多種代謝物中篩選出目標代謝物，并獲取目標代謝物的代謝物豐度以作為所述第二參數。

于本發明一實施例中，在利用預先訓練的基于機器學習的分類模型對細胞外囊泡分類前，還包括：

獲取細胞外囊泡的代謝物豐度；

對所述代謝物豐度進行校正，得到校正數據；

對所述校正數據進行降維；

利用降維后的數據構建訓練分類模型的訓練集；