一种呼吸代谢组学图形用户分析方法与流程

1.本发明属于呼吸代谢组学技术领域，具体涉及一种呼吸代谢组学图形用户分析方法。


背景技术：

2.代谢组学是继基因组学和蛋白质组学之后新近发展起来的一门学科，是系统生物学的重要组成部分；细胞内许多生命活动是发生在代谢物层面的，如细胞信号释放(cell signaling)，能量传递，细胞间通信等都是受代谢物调控的；目前，代谢组学迅速发展并渗透到多项领域，例如疾病诊断、医药研制开发、营养食品科学、毒理学、环境学，植物学等。
3.呼吸代谢组学已经被广泛应用在包括疾病voc标志物的确定以及病理相关机制的探索；可喜的是，学术界和工业界正在一起联合推进相关进展，工业界负责寻找呼气疾病信号分子和疾病的关联性，确认biomarker；学术界去帮助确定这些呼气voc信号分子产生的代谢途径和机理。
4.而要确定相关的biomarker和voc分子信号途径，就需要借助一整套的数据分析方法；呼吸代谢组的分析流程有：首先将代谢组分进行预处理，预处理的方法由测量分析方法决定，如使用质谱方法分析，则需要预先对代谢组分进行分离和离子化，接着，再对预处理后的组分进行定性和定量分析。
5.现如今还没有专门用于呼吸代谢组学的分析工具，大部分的呼吸分析软件都是借助通用的代谢组学分析软件来实现。
6.而现有的代谢组学分析软件包括，xcms、xcms online、metaboanalyst3.0。xcms软件是命令行驱动的，需要有r语言基础；而xcms online、metaboanalyst3.0由于是在云端分析，虽然功能类别很多，但是对于一次载入大量的数据的情况，显得尤为笨拙。
7.因而迫切需要一款本地化分析的工具，实现在pc端无需命令行式的图形用户分析工具，以帮助绝大多数科研工作者分析呼吸代谢组学数据。
8.为了方便科研人员实现数据分析和探索，解放科研人员大量的时间去学习代码；极大地方便用户进行疾病预测和预后诊断，为此我们提出一种呼吸代谢组学图形用户分析方法。


技术实现要素：

9.本发明的目的在于提供一种呼吸代谢组学图形用户分析方法，方便科研人员实现数据分析和探索，解放科研人员大量的时间去学习代码；极大地方便用户进行疾病预测和预后诊断。
10.为实现上述目的，本发明提供如下技术方案：一种呼吸代谢组学图形用户分析方法，包括实现图形用户界面式的分析以及提供交互式的代谢组学分析模块，其中：
11.通过采用基于c 编程语言的qt来实现图形用户界面的实现(gui)；
12.代谢组学分析模块包括voc浓度柱状图、对质谱下机数据h5文件的提取、构建基于
voc预测样品的阴性(阳性)用户分析界面。
13.作为本发明的一种优选的技术方案，所述qt是一个用于桌面系统和嵌入式开发的跨平台应用程序框架，它包括一个直观的api、一个丰富的类库，以及用于gui开发和国际化的集成工具，还支持java
tm
和c 开发，利用qt，无须重新编写源代码，便可以构建运行在不同桌面操作系统和嵌入式设备上的软件应用程序；借助qt，可以更快速地构建先进的用户界面：它不仅提供了丰富的标准widgets库，动态布局引擎gui功能，还通过集成与opengl es提供先进的3d可视化支持，此外，它还具有强大的图形画布和widgets样式表，使我们得以使用变焦、旋转和人机互动功能构建先进的用户界面，并且能用寥寥几行代码便可快速定制自己的代谢组学图形用户界面。
14.作为本发明的一种优选的技术方案，所述voc浓度柱状图包括中位数、上/下侧四分位数、最大/小值。
15.作为本发明的一种优选的技术方案，对质谱下机数据h5文件的提取包括h5文件的数据读取、浓度的计算、数据导出。
16.作为本发明的一种优选的技术方案，所述基于voc预测样品的阴性(阳性)，该部分通过读取样品的voc浓度信息，设置预测的阈值，加以预测样品，内部的预测方法采用卷积神经网络来实现。
17.作为本发明的一种优选的技术方案，所述卷积神经网络采用python的pytorch模块来实现，卷积神经网络模型的构建是基于大规模的阳性和阴性样品构建而成。
18.作为本发明的一种优选的技术方案，还包括卷积神经网络的前向传播，所述卷积神经网络的前向传播过程包括：填充(padding)、卷积操作(conv)、激活函数(relu)、池化(pooling)、全连接(fc)、softmax分类。
19.与现有技术相比，本发明的有益效果是：
20.(1)本发明提供了自动化的呼吸代谢组学数据探索可视化分析界面，极大地方便了科研人员实现数据分析和探索，解放了科研人员大量的时间去学习代码；
21.(2)本发明通过卷积神经网络模型构建呼吸代谢疾病预测的算法，并内置到图形用户分析界面中，极大地方便了用户进行疾病预测和预后诊断。
附图说明
22.图1为本发明的图形用户分析界面结构示意图；
23.图2为本发明的神经网络算法实现结构示意图；
24.图3为本发明的cnn结构示意图。
具体实施方式
25.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
26.实施例1
27.请参阅图1，本发明第一个目的是要实现图形用户界面式的分析，而非用命令行来
实现；
28.实现本发明的第一个目的的技术方案是：通过采用基于c 编程语言的qt来实现图形用户界面的实现(gui)。
29.qt是一个用于桌面系统和嵌入式开发的跨平台应用程序框架，包括一个直观的api、一个丰富的类库，以及用于gui开发和国际化的集成工具，另外它支持java
tm
和c 开发；利用qt，无须重新编写源代码，便可以构建运行在不同桌面操作系统和嵌入式设备上的软件应用程序。
30.借助qt，可以更快速地构建先进的用户界面：它不仅提供了丰富的标准widgets库，动态布局引擎gui功能，还通过集成与opengl es提供了先进的3d可视化支持，此外，它还具有强大的图形画布和widgets样式表，使我们得以使用变焦、旋转和人机互动功能构建先进的用户界面，并且能用寥寥几行代码便可快速定制自己的代谢组学图形用户界面。
31.本发明的第二个目的是要提供交互式的代谢组学分析模块；模块包括：voc浓度柱状图(包括中位数、上/下侧四分位数、最大/小值)、对质谱下机数据h5文件的提取(包括h5文件的数据读取、浓度的计算、数据导出)、构建基于voc预测样品的阴性(阳性)用户分析界面，其中：
32.对质谱下机数据h5文件的提取：采用python的h5py模块读取h5文件，首先获取所有的h5文件，然后逐个读取，在读取过程中，判断读取是否发生异常，正常的条件下会根据h5文件存储的质谱数据计算每个voc的浓度，并每读取完成一个文件，即把结果传递给qt，qt在前端打印文件读取的状态，并给出统计，最终在界面上展示成功读取的h5文件和失败的文件数，完成读取之后，将所有文件的所有voc浓度展示在界面中，供用户查看结果是否异常，最后设置按钮将结果导出；
33.实现每个voc的浓度柱状图：本模块完全采用qt实现，包括载入浓度数据，根据浓度数据获取文件里面所有的voc分子，获取每个样品的阴性阳性情况，获取分组情况，然后自动提供给用户自可选择的voc分子和分组，最后通过qt的qpainter和qwtplot实现barplot作图，并实现图形的展示；
34.基于voc预测样品的阴性(阳性)：该部分通过读取样品的voc浓度信息，设置预测的阈值，加以预测样品，内部的预测方法采用卷积神经网络来实现，卷积神经网络采用python的pytorch模块来实现，卷积神经网络模型的构建是基于大规模的阳性和阴性样品构建而成。
35.实施例2
36.请参阅图2和图3，卷积神经网络与神经网络的区别是增加了若干个卷积层，而卷积层又可细分为卷积(conv)和池化(pool)两部分操作，然后是全连接层(fc)，可与神经网络的隐藏层相对应；最后是softmax层预测输出值y_hat。
37.卷积神经网络的前向传播过程包括：填充(padding)、卷积操作(conv)、激活函数(relu)、池化(pooling)、全连接(fc)、softmax分类，其中激活、全连接、softmax与深层神经网络中的计算方法一致，其中：
38.填充(padding)：对输入图像进行卷积操作时，我们会发现一个问题：角落或边缘的像素点被使用的次数相对较少，这样一来在图片识别中会弱化边缘信息，因此我们使用
padding操作，在图像原始数据周围填充p层数据，当填充的数据为0时，我们称之为zero-padding，除了，能够保留更多有效信息之外，padding操作还可以保证在使用卷积计算前后卷的高和宽不变化；
39.单步卷积(single step of convolution)：在卷积操作中，我们首先需要明确的一个概念是过滤器(核)，它是一个通道数与输入图像相同，但高度和宽度为较小奇数(通常为1,3,5,7，我们可将这个超参数用f表示)的多维数组(f,f,n_c)；
40.卷积层(convolution layer)：在cnn卷积层中过滤器会有多个，此时运算会稍微复杂但原理是一致的，只是输出时要将每个过滤器卷积后的图像叠加在一起输出；
41.池化层(pooling layer)：池化层的作用是缩减网络的大小，提高计算速度，同时可提高所提取特征的鲁棒性，主要两种类型：最大池化(max-pooling)和平均池化(average-pooling)；
42.反向传播过程：在使用深度学习框架情况下，只要保证前向传播的过程即可，框架会自动执行反向传播的过程。
43.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。