肠道微生物定植丰度预测方法、装置、设备、介质及产品
本发明涉及人工智能,具体涉及生物信息学与人工智能交叉,更具体地涉及一肠道微生物定植丰度预测方法、装置、设备、介质及产品。
背景技术:
1、肠道微生物组对宿主健康具有重要影响,研究其在肠道内的定植情况对于疾病诊断、治疗和功能材料评估具有广泛应用前景。传统微生物定植丰度研究多依赖于实验手段(如qpcr、高通量测序等),这些传统技术手段的成本高、周期长且难以高通量预测。
2、近年来,随着微生物功能注释数据库的丰富和机器学习技术的发展,使用微生物功能特征进行丰度预测逐渐成为可能。然而,如何选择合适的模型架构,并充分评估模型预测性能,仍是当前研究的关键问题。目前现有微生物丰度预测手段存在解释性差、性能低、难以部署、鲁棒性差且泛化能力不足等技术问题。
技术实现思路
1、鉴于上述问题至少之一,本发明的实施例提供了一种肠道微生物定植丰度预测方法、装置、设备、介质及产品,从而旨在至少部分解决现有微生物丰度预测方法在性能、解释性与通用性等方面的不足,提供一种轻量级、高性能、易部署、统计显著性强的回归模型架构,实现高效预测每一种微生物在肠道中的定植丰度。
2、本发明的实施例的一个方面提供了一种肠道微生物定植丰度预测方法,其中,包括:对历史微生物组数据执行预处理,生成模型训练数据,其中历史微生物组数据包括多个种类微生物组功能数据和对应的微生物丰度数据;生成对应模型训练数据的定植丰度框架模型;对定植丰度框架模型执行性能评估,生成定植丰度预测模型;根据定植丰度预测模型执行肠道微生物定植丰度预测。
3、根据本发明一实施例,在对历史微生物组数据执行预处理,生成模型训练数据中,包括:对历史微生物组数据执行冗余去除,生成第一微生物组数据;对第一微生物组数据对应的微生物组功能数据执行缺失值处理,生成第二微生物组数据。
4、根据本发明一实施例,在对历史微生物组数据执行预处理,生成模型训练数据中,还包括:对第二微生物组数据对应的微生物丰度数据执行对数处理,生成第三微生物组数据;将第三微生物组数据对应的微生物组功能数据的功能特征数据转换为定植丰度框架模型对应的数值数据,生成第四微生物组数据;对第四微生物组数据的微生物组功能数据和对应微生物丰度数据执行向量化处理,生成包括特征矩阵数据和对应目标向量数据的向量化数据。
5、根据本发明一实施例,在对历史微生物组数据执行预处理,生成模型训练数据中,还包括:通过预设评估模型对向量化数据进行数据重要性评估,生成数据评估结果,其中,数据重要性评估与特征矩阵数据对对应目标向量数据的影响程度相关;根据数据评估结果生成模型训练数据。
6、根据本发明一实施例,在生成对应模型训练数据的定植丰度框架模型中,包括:基于预设模型框架构建针对模型训练数据的模型验证规则;在预设模型框架上进行回归建模,生成基础框架模型;根据模型验证规则,通过基础框架模型和模型训练数据执行预设超参数组合的遍历,生成定植丰度框架模型。
7、根据本发明一实施例,在对定植丰度框架模型执行性能评估,生成定植丰度预测模型中,包括:通过定植丰度框架模型生成预设微生物组数据对应的定植丰度预测数据;根据定植丰度预测数据和真实定植丰度数据之间的评估数据,选取最佳超参数组合生成定植丰度预测模型。
8、根据本发明一实施例,在根据定植丰度预测模型执行肠道微生物定植丰度预测之后,还包括:生成肠道微生物定植丰度预测的预测结果数据对应的可视化图像。
9、本发明的实施例的另一个方面提供了一种肠道微生物定植丰度预测装置,其中,包括数据生成模块、框架构建模块、模型生成模块和丰度预测模块。数据生成模块用于对历史微生物组数据执行预处理,生成模型训练数据,其中历史微生物组数据包括多个种类微生物组功能数据和对应的微生物丰度数据;框架构建模块用于生成对应模型训练数据的定植丰度框架模型;模型生成模块用于对定植丰度框架模型执行性能评估,生成定植丰度预测模型;丰度预测模块用于根据定植丰度预测模型执行肠道微生物定植丰度预测。
10、本发明的实施例的另一个方面提供了一种电子设备,包括一个或多个处理器和存储器,存储器用于存储一个或多个程序,其中,当该一个或多个程序被该一个或多个处理器执行时,使得该一个或多个处理器执行上述肠道微生物定植丰度预测方法。
11、本发明的实施例的另一个方面提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述肠道微生物定植丰度预测方法。
12、本发明的实施例的另一个方面提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述肠道微生物定植丰度预测方法。
13、本发明实施例提供的肠道微生物定植丰度预测方法可以至少部分地解决相关技术中微生物丰度预测方法在性能、解释性与通用性等方面的问题,并因此可以至少实现如下技术效果之一:
14、在技术层面:本发明实施例的上述肠道微生物定植丰度预测方法提供了一套完整的微生物丰度预测模型的生成流程,确保能够实现将微生物拆解为不同的功能,能够根据微生物功能实现定植能力的预测。模型精度更高,皮尔逊相关性显著优于0.8。可解释性更强,便于科研人员分析特征贡献;可扩展性更高,可用于不同微生物功能数据。
15、在应用层面:本发明实施例的上述肠道微生物定植丰度预测方法可用于微生态功能材料效果评估;此外还可以辅助临床菌群治疗靶点预测;而且,能够进一步降低实验成本,加快研究节奏;最后,能够部署为分析平台供高通量预测。
16、因此,本发明的实施例的肠道微生物定植丰度预测方法能够提供一种轻量级、高性能、易部署、统计显著性强的回归模型架构,实现高效预测每一种微生物在肠道中的定植丰度。
17、应了解的是,上述一般描述及以下具体实施方式仅为示例性及阐释性的,其并不能限制本发明所欲主张的范围。
1.一种肠道微生物定植丰度预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,在所述对历史微生物组数据执行预处理,生成模型训练数据中,包括:
3.根据权利要求2所述的方法,其特征在于,在所述对历史微生物组数据执行预处理,生成模型训练数据中,还包括:
4.根据权利要求3所述的方法,其特征在于,在所述对历史微生物组数据执行预处理,生成模型训练数据中,还包括:
5.根据权利要求1所述的方法,其特征在于,在所述生成对应所述模型训练数据的定植丰度框架模型中,包括:
6.根据权利要求1所述的方法,其特征在于,在所述对所述定植丰度框架模型执行性能评估,生成定植丰度预测模型中,包括:
7.根据权利要求1所述的方法,其特征在于,在所述根据所述定植丰度预测模型执行肠道微生物定植丰度预测之后,还包括:
8.一种肠道微生物定植丰度预测装置,其特征在于,包括:
9.一种电子设备,包括:
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行权利要求1~7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现权利要求1~7中任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com