内细胞团受累风险预测模型构建方法、装置、设备、介质和产品与流程

摘要: 本技术涉及辅助生殖,特别是涉及一种内细胞团受累风险预测模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。背景技术:1、随着辅助生殖技术的快速发...
内细胞团受累风险预测模型构建方法、装置、设备、介质和产品与流程

本技术涉及辅助生殖,特别是涉及一种内细胞团受累风险预测模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术:

1、随着辅助生殖技术的快速发展,胚胎植入前遗传学检测(preimplantationgenetic testing,pgt)已广泛应用于临床,通过对囊胚滋养外胚层(trophectoderm,te)活检获取少量细胞进行遗传学分析,能够有效筛查胚胎染色体数目异常,指导移植胚胎的选择。

2、传统pgt数据分析中,临床决策主要依据te活检样本的嵌合比例、异常染色体类型和形态学等级等经验指标,通过简单的规则或阈值判断来评估胚胎质量。然而,te活检仅能反映滋养层细胞的遗传学状态,导致基于te活检数据的判断缺乏与icm真实状态之间的数据驱动映射关系,难以构建有效、准确的预测模型来评估icm受累风险。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够构建出准确、有效的内细胞团受累风险预测模型的内细胞团受累风险预测模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面,本技术提供了一种内细胞团受累风险预测模型构建方法,包括:

3、获取全胚单细胞转录组测序数据和对应的胚胎植入前遗传学临床检测数据;

4、基于所述全胚单细胞转录组测序数据,对每个细胞进行谱系注释和染色体异常识别,获得异常细胞的谱系分布信息;

5、根据所述异常细胞的谱系分布信息,构建内细胞团受累监督标签;

6、从所述胚胎植入前遗传学临床检测数据中提取核心临床特征;

7、将所述核心临床特征作为训练输入,将所述内细胞团受累监督标签作为监督信息,训练内细胞团受累风险预测模型。

8、在其中一个实施例中,所述基于所述全胚单细胞转录组测序数据,对每个细胞进行谱系注释和染色体异常识别,获得异常细胞的谱系分布信息包括:

9、识别所述全胚单细胞转录组测序数据中每个细胞的染色体表达剂量信号和染色体拷贝数变异信号,根据每个细胞的所述染色体表达剂量信号和所述染色体拷贝数变异信号识别每个细胞是否携带对应染色体异常,得到每个异常细胞的染色体异常标记;

10、识别所述全胚单细胞转录组测序数据中每个细胞的谱系标志基因,并参考预设的胚胎图谱或聚类注释,将每个细胞进行谱系划分,得到每个细胞的谱系注释;所述谱系包括epi谱系、hyp谱系、mural te谱系和polar te谱系;

11、基于每个异常细胞的染色体异常标记和每个细胞的所述谱系注释,对所述异常细胞进行谱系统计,得到异常细胞的谱系分布信息。

12、在其中一个实施例中,所述根据所述异常细胞的谱系分布信息,构建内细胞团受累监督标签包括:

13、根据所述异常细胞的谱系分布信息,分别统计分布于所述epi谱系中的所述异常细胞的数量和分布于所述hyp谱系中的所述异常细胞的数量;

14、当分布于所述epi谱系中的所述异常细胞的数量和分布于所述hyp谱系中的所述异常细胞的数量均为0,则为对应胚胎构建出内细胞团受累监督标签,并赋值为0;

15、当分布于所述epi谱系中的所述异常细胞的数量和分布于所述hyp谱系中的所述异常细胞的数量不全为0,则为对应胚胎构建出内细胞团受累监督标签,并赋值为1。

16、在其中一个实施例中,所述从所述胚胎植入前遗传学临床检测数据中提取核心临床特征包括:

17、从所述胚胎植入前遗传学临床检测数据中提取出异常染色体编号、异常类型、异常染色体信号比例、异常事件数和受累染色体数;

18、根据所述异常类型和所述异常染色体编号生成三体异常标记、小染色体标记和印记发育相关染色体异常标记,根据所述异常事件数、所述受累染色体数和所述异常类型生成复杂事件等级,根据所述异常染色体信号比例生成嵌合比例;

19、对所述胚胎植入前遗传学临床检测数据进行亲本来源分析,得到减数分裂起源概率;

20、获取所述胚胎植入前遗传学临床检测数据对应的胚胎母亲年龄,根据所述胚胎母亲年龄生成母亲年龄标记;

21、将所述三体异常标记、所述小染色体标记、所述印记发育相关染色体异常标记、所述复杂事件等级、所述嵌合比例、所述减数分裂起源概率特征和所述母亲年龄标记作为核心临床特征。

22、在其中一个实施例中,所述将所述核心临床特征作为训练输入,将所述内细胞团受累监督标签作为预测目标,训练内细胞团受累风险预测模型包括:

23、针对每个胚胎,将所述核心临床特征和所述内细胞团受累监督标签组合为一个训练样本,将每个所述训练样本组合为训练数据集;

24、在所述训练数据集中,将每个所述训练样本的所述核心临床特征逐个输入预设的逻辑回归模型,得到每个所述训练样本对应的内细胞团受累风险概率;

25、以每个所述训练样本对应的所述内细胞团受累监督标签作为监督信息,计算每个所述训练样本对应的内细胞团受累风险概率的交叉熵损失,通过最小化所述交叉熵损失对所述逻辑回归模型进行优化;

26、当所述交叉熵损失满足预设的收敛条件时,停止训练,并将最后一次优化的所述逻辑回归模型作为内细胞团受累风险预测模型。

27、在其中一个实施例中,所述方法还包括:

28、基于所述全胚单细胞转录组测序数据和所述异常类型,形成多个谱系特异性分子模块;

29、计算每个所述谱系特异性分子模块的原始表达活性分数和有效分子效应分数;

30、将每个所述谱系特异性分子模块的所述原始表达活性分数和所述有效分子效应分数作为所述内细胞团受累风险预测模型的解释信息输出。

31、第二方面,本技术还提供了一种内细胞团受累风险预测模型构建装置,包括:

32、数据获取模块,获取全胚单细胞转录组测序数据和对应的胚胎植入前遗传学临床检测数据;

33、谱系分布计算模块,用于基于所述全胚单细胞转录组测序数据,对每个细胞进行谱系注释和染色体异常识别,获得异常细胞的谱系分布信息;

34、监督标签生成模块,用于根据所述异常细胞的谱系分布信息,构建内细胞团受累监督标签;

35、特征提取模块,用于从所述胚胎植入前遗传学临床检测数据中提取核心临床特征;

36、模型训练模块,用于将所述核心临床特征作为训练输入,将所述内细胞团受累监督标签作为监督信息,训练内细胞团受累风险预测模型。

37、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一实施例中的内细胞团受累风险预测模型构建方法。

38、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一实施例中的内细胞团受累风险预测模型构建方法。

39、第五方面,本技术还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第一方面中任一实施例中的内细胞团受累风险预测模型构建方法。

40、上述内细胞团受累风险预测模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,获取多个胚胎的全胚单细胞转录组测序数据和对应的胚胎植入前遗传学临床检测数据,基于全胚单细胞转录组测序数据,对每个细胞进行谱系注释和染色体异常识别,获得异常细胞的谱系分布信息,并且根据异常细胞的谱系分布信息,构建内细胞团受累监督标签,从而利用异常细胞的谱系分布信息为胚胎植入前遗传学临床检测数据与内细胞团受累风险之间建立出监督映射。从胚胎植入前遗传学临床检测数据中提取出核心临床特征作为训练输入,将内细胞团受累监督标签作为监督信息,训练出一个能够有效、准确地预测内细胞团受累风险的预测模型。