蛋白组临床生物标志物整体筛选方法、系统和介质与流程

1.本发明涉及生物标志物整体筛选技术领域，具体涉及一种蛋白组临床生物标志物整体筛选方法、系统和介质。


背景技术：

2.生物标志物(biomarker)在转化医学与临床、生态与环境、生理机制研究等领域有着广泛的应用。生物标志物的重要性早已被公众、科学界和工业领域所认识。生物标志物可应用于疾病的分型、预测、治疗和预防，是临床应用转化前期基础，同时也是早期筛查的重要指标。但真正被食品药品监督管理局批准的蛋白质生物标志物数量不多，目前临床上常规使用的蛋白质生物标志物更少，主要原因是生物标志物开发效率低，包括临床样本质量差、疾病的主观临床定义和客观蛋白质检测结果之间的差距，以及在发现阶段所识别的差异蛋白的高错误发现率。
3.标志物筛选的本质则是从庞大复杂的特征数据(各种组学数据、生化指标和类别数据等)中高效筛选到简单组合的、可以代表整体数据特性的一组特征(panel)，这一组特征能很好地使用(分类，预测等)。标志物在机器学习领域中，可称为特征(feature)或变量(variation)，那么标志物数据则可看作是由一个个特征、特征量和样品标记(label)所组成。生物标志物数据来源比较多，除各组学数据、生化指标等数值型数据(numericdata)以外，还有像一些临床指标或表型数据的类别型数据(categorical data)，所以常规的单维统计学检验方法(如t检验、非参数检验等)在标志物筛选中受方法本身的限制，如：筛选能力弱，返回大量的差异数据，指标间的互作关系以及对新样本有预测分类能力弱等，致标志物的实际应用结果不理想等，且对数据的挖掘解析能力有限，生成的生物标志物稳定性差，应用能力低，最终的模型结果往往表现的不够理想。


技术实现要素：

4.本发明的目的在于克服上述技术不足，提供一种蛋白组临床生物标志物整体筛选方法、系统和介质，解决现有技术中对于生物标志物筛选能力弱、标志物的实际应用结果不理想、对数据的挖掘解析能力有限和应用能力低的技术问题。
5.为达到上述技术目的，第一方面，本发明的技术方案提供一种蛋白组临床生物标志物整体筛选方法，包括以下步骤：
6.获取高通量蛋白组的检测数据，并对所述检测数据进行数据预处理；
7.对所述预处理后的所述检测数据进行蛋白组学的特征预筛选，得到蛋白组学的有效特征集；
8.对所述有效特征集进行特征提取得到候选蛋白标志物组合；
9.使用多种机器学习特征选择方法对所述候选蛋白标志物组合进行筛选得到生物标志物。
10.与现有技术相比，本发明的有益效果包括：
11.本发明提供的蛋白组临床生物标志物整体筛选方法，能够从海量数据中筛选高通量、高灵敏、高准确性且成本合理的潜在生物标志物的方法。通过机器学习相关技术预测和分析可能的biomarkers，可以高效的鉴定和识别验证率高且分类效果显著的生物标志物诊断，因此它可以大大节省相关研究人员的时间、精力和资源，并为其提供极大的便利。将高通量蛋白组的检测数据整合统计学检验和机器学习等特征选择算法，高效的鉴定和识别验证率高且分类效果显著的生物标志物诊断，从而达到极佳的预判效果，为疾病的分型、预测以及治疗提供一个强有力的工具。
12.根据本发明的一些实施例，蛋白组临床生物标志物整体筛选方法还包括步骤：
13.计算所述生物标志物在经典模型中的重要性指数、表达丰度和相关性指数；
14.根据所述重要性指数、所述表达丰度和所述相关性指数计算得到所述生物标志物的分类能力指数。
15.根据本发明的一些实施例，蛋白组临床生物标志物整体筛选方法还包括步骤：
16.使用逻辑回归算法构建所述生物标志物的诊断模型；
17.利用所述诊断模型对所述高通量蛋白组的所述检测数据进行roc分析。
18.根据本发明的一些实施例，所述对所述检测数据进行数据预处理，包括步骤：
19.根据每个检测数据样本的缺失值情况进行缺失值删除或插补处理；
20.将所述检测数据进行标准化处理；
21.对不同批次的所述检测数据进行批次校正。
22.根据本发明的一些实施例，所述对所述检测数据进行蛋白组学的特征预筛选，包括步骤：
23.使用单因素统计分析方法对所述检测数据进行蛋白组学的特征预筛选，以保存有效的所述特征变量。
24.根据本发明的一些实施例，所述根据每个所述检测数据样本的缺失值情况进行缺失值删除或插补处理，包括步骤：
25.生存缺失报告，查看每个所述检测数据样本所检测出的蛋白表达量的缺失情况；
26.若所述检测数据样本的缺失情况达到50％以上，将所述检测数据样本删除；
27.若所述检测数据样本的缺失情况小于50％，将所述检测数据样本缺失值的最邻值插补到所述缺失值。
28.根据本发明的一些实施例，所述使用集成机器学习算法对所述候选蛋白标志物组合进行筛选得到生物标志物，包括步骤：
29.将所述候选蛋白标志物组合按比例分为训练集和测试集，使用机器学习模型对所述候选蛋白标志物组合进行筛选得到多种物质，根据各物质对所述机器学习模型的影响强度，选择排名靠前的物质作为所述生物标志物的组合。
30.根据本发明的一些实施例，所述训练集和所述测试集的比例为8比2。
31.第二方面，本发明的技术方案提供一种蛋白组临床生物标志物整体筛选系统，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的蛋白组临床生物标志物整体筛选方法。
32.第三方面，本发明的技术方案提供一种计算机可读存储介质，其特征在于，所述计
算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面中任意一项所述的蛋白组临床生物标志物整体筛选方法。
33.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
34.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中摘要附图要与说明书附图的其中一幅完全一致：
35.图1为本发明一个实施例提供的蛋白组临床生物标志物整体筛选方法的流程图；
36.图2为本发明另一个实施例提供的蛋白组临床生物标志物整体筛选方法的流程图；
37.图3为本发明另一个实施例提供的蛋白组临床生物标志物整体筛选方法的流程图；
38.图4为本发明另一个实施例提供的蛋白组临床生物标志物整体筛选方法的流程图。
具体实施方式
39.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
40.需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
41.本发明提供了一种蛋白组临床生物标志物整体筛选方法，能够从海量数据中筛选高通量、高灵敏、高准确性且成本合理的潜在生物标志物的方法。通过机器学习相关技术预测和分析可能的biomarkers，可以高效的鉴定和识别验证率高且分类效果显著的生物标志物诊断，因此它可以大大节省相关研究人员的时间、精力和资源，并为其提供极大的便利。
42.下面结合附图，对本发明实施例作进一步阐述。
43.参照图1，图1为本发明一个实施例提供的蛋白组临床生物标志物整体筛选方法的流程图，蛋白组临床生物标志物整体筛选方法包括但是不仅限于步骤s110至步骤s140。
44.步骤s110，获取高通量蛋白组的检测数据，并对检测数据进行数据预处理；
45.步骤s120，对预处理后的检测数据进行蛋白组学的特征预筛选，得到蛋白组学的有效特征集；
46.步骤s130，对有效特征集进行特征提取得到候选蛋白标志物组合；
47.步骤s140，使用多种机器学习特征选择方法对候选蛋白标志物组合进行筛选得到生物标志物。
48.在一实施例中，蛋白组临床生物标志物整体筛选方法包括步骤：首先，获取高通量蛋白组的检测数据，并对检测数据进行数据预处理；对预处理后的检测数据进行蛋白组学
的特征预筛选，得到蛋白组学的有效特征集；对有效特征集进行特征提取得到候选蛋白标志物组合；使用多种机器学习特征选择方法对候选蛋白标志物组合进行筛选得到生物标志物。
49.本实施例提供的蛋白组临床生物标志物整体筛选方法，能够从海量数据中筛选高通量、高灵敏、高准确性且成本合理的潜在生物标志物的方法。通过机器学习相关技术预测和分析可能的biomarkers，可以高效的鉴定和识别验证率高且分类效果显著的生物标志物诊断，因此它可以大大节省相关研究人员的时间、精力和资源，并为其提供极大的便利。将高通量蛋白组的检测数据整合统计学检验和机器学习等特征选择算法，高效的鉴定和识别验证率高且分类效果显著的生物标志物诊断，从而达到极佳的预判效果，为疾病的分型、预测以及治疗提供一个强有力的工具。
50.一、数据预处理
51.要想获得高质量的组学大数据从而合理的解释临床样本所携带的生物学意义，需要考虑临床患者的临床表征信息、在取样不同阶段的批次影响和缺失值信息，在数据分析方面也需要设置合理的阈值。因此组学大数据的质量控制和预处理(如数据缺失值处理、标准化和批次校正等)，对于数据分析结果至关重要。
52.数据缺失值处理：
53.第一步：通过r语言包mice生存缺失报告，查看每个样本所检测出的蛋白表达量缺失情况：
54.第二步：删除或插补，应用k最近邻(k-nn)插补来插补缺失值。在进行缺失值插补之前，排除缺失数据超过50％的蛋白质，以确保每个样本都具有足够的插补数据。插补方法是在r中的pamr包中实现的。
55.标准化处理：
56.如需进行z-score标准化，通过r中scale函数进行标准化。
57.批次校正：
58.利用r进行各分组层次聚类图和无监督的主成分分析(pca)观察是否存在批次效应影响,对每一个批次的样品建模,然后展示层次聚类图和得分图。使用r软件sva包中的combat函数消除三组不同批次样本间的批次效应，并用消除批次前后的样本层次聚类图和主成分分析图来验证。
59.二、蛋白组学的特征预筛选与验证
60.为了提高筛选效率，会对转换后的数据进行预筛选，采用的方法主要有：单因素统计分析方法如t检验、foldchange值等。此部分秉承的筛选原则是，过滤掉一些明显无指示作用的特征变量的同时，要尽可能地保存有效的特征变量，这是为了一方面删除无用信息提高筛选效率，另一方面保留有效信息维持数据整体特征分布，从而得到蛋白组学的特征表达矩阵。
61.特征提取：
62.t.test通过r中t.test函数计算蛋白组组间p值或fdr值，差异蛋白的筛选标准为p值或者fdr值小于0.05且差异倍数(fold change)≥1.2(表达上调)，或差异倍数(fold change)≤0.83(表达下调)时，认为是具有显著性区分意义的特征变量，fold change通过mean1/mean2实现。
63.三、多种机器学习特征选择方法筛选标志物
64.首先需要比较不同算法：比较多个算法是提高模型性能的一个简单的想法，不同的算法适合不同类型的数据集，例如线性模型一般只能处理线性可分的数据，而现实世界中的数据大多不是线性可分的，近似线性可分问题也称为线性不可分问题，因此需要选择合适的算法以提高模型的准确率。可以一起训练它们，找到表现最好的那个。例如对于分类模型，可以尝试逻辑回归、随机森林、lasso等。
65.具体应用：对于候选蛋白标志物组合，按照一定比率随机生成一个训练集和一个测试集数据。利用集成学习法(多种机器学习特征选择方法包括lasso、逻辑回归、随机森林)对预筛选到的差异分子进行分析，然后进一步通过各物质对模型的影响强度选择排名靠前的物质作为候选的生物标志物组合。
66.四、标志物验证和评价
67.候选biomarkers的特征验证：
68.候选biomarkers组合作为特征变量进行建模，使用逻辑回归(logisticregression，lr)、决策树、bagging、随机森林、boosting、支持向量机(supportvector machine,svm)六种模型对样本进行分类训练，用准确度(accuracy)、 auc值、精确率(precision)、准确率、敏感度和特异性等评价指标比较上述候选biomarkers组合几种模型的分类表现。通过箱线图、roc曲线分别展示了六种模型的auc、特异性和灵敏度的结果。其中，roc曲线下的面积值越接近1，其临床诊断效能越大，特异性和敏感度的指标都是越高效能越好，各评价指标均效果较理想，说明筛选出的后续biomarkers有较优秀的分类能力和效果。
69.五、多蛋白诊断模型构建与评估
70.构建诊断模型的原则是，模型不仅需要对原本数据展现出很好的性能，还需要尽可能的简单(基模少、超参数少)、泛化能力强，这样它的适用面会更强，对新数据的诊断效果就更好。
71.分类器在最优约登指数下的特异性和敏感性以及分类准确率。通过 k-fold交叉验证蛋白模型在训练和测试数据中的平均准确率。为了直观理解，可创建了一个易于使用的预测列线图。
72.逻辑回归(logical regression，lr)是一种简单高效的分类算法，属于“广义的线性模型”，主要解决二分类问题，用来表示某件事情发生的可能性。用lr算法来构建诊断panel模型时，通过计算得到lr的回归系数和截距，进而得到回归方程，就可以计算每个样品的概率值(可理解为属于正例的可能性)，进一步与阈值(或临界点(cutoff))进行比较，就可以判断该样本属于哪一类了，从而达到分组的目的。此外也可通过在逻辑回归模型中调整年龄和性别进行敏感性分析后，看总体结果是否发生实质性变化。
73.参照图2，图2为本发明另一个实施例提供的蛋白组临床生物标志物整体筛选方法的流程图，蛋白组临床生物标志物整体筛选方法包括但是不仅限于步骤s210至步骤s220。
74.步骤s210，计算生物标志物在经典模型中的重要性指数、表达丰度和相关性指数；
75.步骤s220，根据重要性指数、表达丰度和相关性指数计算得到生物标志物的分类能力指数。
76.在一实施例中，蛋白组临床生物标志物整体筛选方法包括步骤：首先，获取高通量
蛋白组的检测数据，并对检测数据进行数据预处理；对预处理后的检测数据进行蛋白组学的特征预筛选，得到蛋白组学的有效特征集；对有效特征集进行特征提取得到候选蛋白标志物组合；使用多种机器学习特征选择方法对候选蛋白标志物组合进行筛选得到生物标志物。计算生物标志物在经典模型中的重要性指数、表达丰度和相关性指数；根据重要性指数、表达丰度和相关性指数计算得到生物标志物的分类能力指数。
77.参照图3，图3为本发明另一个实施例提供的蛋白组临床生物标志物整体筛选方法的流程图，蛋白组临床生物标志物整体筛选方法包括但是不仅限于步骤s310至步骤s320。
78.步骤s310，使用逻辑回归算法构建生物标志物的诊断模型；
79.步骤s320，利用诊断模型对高通量蛋白组的检测数据进行roc分析。
80.在一实施例中，蛋白组临床生物标志物整体筛选方法包括步骤：首先，获取高通量蛋白组的检测数据，并对检测数据进行数据预处理；对预处理后的检测数据进行蛋白组学的特征预筛选，得到蛋白组学的有效特征集；对有效特征集进行特征提取得到候选蛋白标志物组合；使用多种机器学习特征选择方法对候选蛋白标志物组合进行筛选得到生物标志物。计算生物标志物在经典模型中的重要性指数、表达丰度和相关性指数；根据重要性指数、表达丰度和相关性指数计算得到生物标志物的分类能力指数。使用逻辑回归算法构建生物标志物的诊断模型；利用诊断模型对高通量蛋白组的检测数据进行roc分析。
81.一、诊断模型的构建
82.a.模型的参数获得与保存
83.通过建模得到回归方程的参数，其中，coef是各标志物的回归系数， intercept为截距，见下表：pro325、pro150、pro190为蛋白质biomarkers。
[0084][0085]
由上可得，本项目的回归方程为：
[0086]
f(x)＝-0.60395 0.13652*pro325 2.38996*pro150-3.78254*pro190
[0087]
b.诊断临界点(cutoff)的确定
[0088]
获得诊断模型后，需要将概率值和阈值(threshold，或临界点(cutoff)) 进行比较，才能知道样本的分类，如果概率值超出阈值，则该样本就被诊断为正例(阳性)，若小于阈值则为负例(阴性)。为了诊断效果最好，则需要找到一个最佳的阈值，这里采用约登指数(youden
‘
s index)来界定出最佳的阈值。约登指数＝敏感度 特异度-1(等同于tpr-fpr)，那么当约登指数(敏感度和特异度之和)取最大值时，此时对应的阈值则为最佳判定阈值，同时敏感度和特异度都会比较高。在实际应用中，最优阈值不一定是唯一的，以对敏感度或特异度的要求不一样而有所调整，如对病人的检测，需要尽可能检测出所有实际感染的病人，防止疫情扩散，那么就会适当放低阈值，即使有些正常人会被误诊为病人，此时对敏感度会要求更高。
[0089]
参照图4，图4为本发明另一个实施例提供的蛋白组临床生物标志物整体筛选方法的流程图，蛋白组临床生物标志物整体筛选方法包括但是不仅限于步骤s410至步骤s420。
[0090]
步骤s410，根据每个检测数据样本的缺失值情况进行缺失值删除或插补处理；
[0091]
步骤s420，将检测数据进行标准化处理；
[0092]
步骤s430，对不同批次的检测数据进行批次校正，以消除不同批次的检测数据间的批次效应。
[0093]
在一实施例中，蛋白组临床生物标志物整体筛选方法包括步骤：首先，获取高通量蛋白组的检测数据，并对检测数据进行数据预处理；对预处理后的检测数据进行蛋白组学的特征预筛选，得到蛋白组学的有效特征集；对有效特征集进行特征提取得到候选蛋白标志物组合；使用多种机器学习特征选择方法对候选蛋白标志物组合进行筛选得到生物标志物。对检测数据进行数据预处理，包括步骤：根据每个检测数据样本的缺失值情况进行缺失值删除或插补处理；将检测数据进行标准化处理；对不同批次的检测数据进行批次校正，以消除不同批次的检测数据间的批次效应。
[0094]
在一实施例中，蛋白组临床生物标志物整体筛选方法包括步骤：首先，获取高通量蛋白组的检测数据，并对检测数据进行数据预处理；对预处理后的检测数据进行蛋白组学的特征预筛选，得到蛋白组学的有效特征集；对有效特征集进行特征提取得到候选蛋白标志物组合；使用多种机器学习特征选择方法对候选蛋白标志物组合进行筛选得到生物标志物。对检测数据进行蛋白组学的特征预筛选，包括步骤：使用单因素统计分析方法对检测数据进行蛋白组学的特征预筛选，以保存有效的特征变量。
[0095]
在一实施例中，蛋白组临床生物标志物整体筛选方法包括步骤：首先，获取高通量蛋白组的检测数据，并对检测数据进行数据预处理；对预处理后的检测数据进行蛋白组学的特征预筛选，得到蛋白组学的有效特征集；对有效特征集进行特征提取得到候选蛋白标志物组合；使用多种机器学习特征选择方法对候选蛋白标志物组合进行筛选得到生物标志物。
[0096]
对检测数据进行数据预处理，包括步骤：根据每个检测数据样本的缺失值情况进行缺失值删除或插补处理；将检测数据进行标准化处理；对不同批次的检测数据进行批次校正，以消除不同批次的检测数据间的批次效应。根据每个检测数据样本的缺失值情况进行缺失值删除或插补处理，包括步骤：生存缺失报告，查看每个检测数据样本所检测出的蛋白表达量的缺失情况；若检测数据样本的缺失情况达到50％以上，将检测数据样本删除；若检测数据样本的缺失情况小于50％，将检测数据样本缺失值的最邻值插补到缺失值。
[0097]
在一实施例中，蛋白组临床生物标志物整体筛选方法包括步骤：首先，获取高通量蛋白组的检测数据，并对检测数据进行数据预处理；然后，对检测数据进行蛋白组学的特征预筛选，以过滤掉无指示作用的特征变量，得到蛋白组学的特征表达矩阵；其次，对特征表达矩阵进行特征提取得到候选蛋白标志物组合；最后，使用多种机器学习特征选择方法对候选蛋白标志物组合进行筛选得到生物标志物。使用多种机器学习特征选择方法对候选蛋白标志物组合进行筛选得到生物标志物，包括步骤：将候选蛋白标志物组合按比例分为训练集和测试集，使用机器学习模型对候选蛋白标志物组合进行筛选得到多种物质，根据各物质对机器学习模型的影响强度，选择排名靠前的物质作为生物标志物的组合。
[0098]
在一实施例中，蛋白组临床生物标志物整体筛选方法包括步骤：首先，获取高通量蛋白组的检测数据，并对检测数据进行数据预处理；然后，对检测数据进行蛋白组学的特征预筛选，以过滤掉无指示作用的特征变量，得到蛋白组学的特征表达矩阵；其次，对特征表达矩阵进行特征提取得到候选蛋白标志物组合；最后，使用多种机器学习特征选择方法对
候选蛋白标志物组合进行筛选得到生物标志物。使用多种机器学习特征选择方法对候选蛋白标志物组合进行筛选得到生物标志物，包括步骤：将候选蛋白标志物组合按比例分为训练集和测试集，使用机器学习模型对候选蛋白标志物组合进行筛选得到多种物质，根据各物质对机器学习模型的影响强度，选择排名靠前的物质作为生物标志物的组合。训练集和测试集的比例为8 比2。
[0099]
本发明还提供了一种蛋白组临床生物标志物整体筛选系统，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的蛋白组临床生物标志物整体筛选方法。
[0100]
处理器和存储器可以通过总线或者其他方式连接。
[0101]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0102]
需要说明的是，本实施例中的蛋白组临床生物标志物整体筛选系统，可以包括有业务处理模块、边缘端数据库、服务端版本信息寄存器、数据同步模块，处理器执行计算机程序时实现如上述应用在蛋白组临床生物标志物整体筛选系统的蛋白组临床生物标志物整体筛选方法。
[0103]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0104]
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述终端实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的蛋白组临床生物标志物整体筛选方法。
[0105]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、 cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0106]
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方
式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
[0107]
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。