一种双组学血浆指纹模型构建方法及使用该方法构建的指纹模型的感染诊断装置

1.本发明涉及感染疾病检测技术领域，尤其涉及双组学血浆指纹模型构建方法及使用该方法构建的指纹模型的感染诊断装置。


背景技术：

2.感染仍然是人类疾病和死亡的主要原因之一，导致全球疾病负担的20％以上。值得注意的是，感染的一般分类指导治疗计划的选择，例如抗生素或抑制剂的使用，对患者的康复和结果至关重要。然而，由于细菌和病毒感染的临床症状相似并且缺乏区分两种感染类型的高性能技术，因此在临床上早期和准确区分细菌和病毒感染非常具有挑战性。因此，药物的过度使用或使用不足通常会带来严重的健康问题(例如抗生素耐药性)和经济后果。例如，全球每年有23.1-51.4％的抗生素不当使用，如果不采取行动，到2050年，抗生素耐药性将导致每年1000万人死亡。因此，正如世界卫生组织全球行动所提议的那样，迫切需要开发新的诊断工具，旨在快速区分细菌和非细菌感染。这些工具在选择传染病药物、定制个性化治疗以降低发病率和死亡率方面非常重要。
3.传统上，以病原体为中心的诊断方法需要事先了解被测病原体并依靠复杂耗时的样品预处理对病原体进行靶标富集，例如细菌培养(至少1-2天)和聚合酶链式反应扩增(约数小时)，以解决待测病原体含量低的限制和生物环境的复杂性。由于宿主炎症反应，因此宿主反应的表征是确定高危病原体感染的存在和类型的很有价值的途径，更容易进行临床干预。宿主的炎症指标，如降钙素原、血清c反应蛋白和白细胞，通常用于评估疑似感染。然而，由于微生物学病因的异质性和宿主反应的个体差异，感染患者中单一生物标志物的巨大差异降低了这些标志物的辨别力和可信度。值得注意的是，与单一生物标志物相比，组学分析对研究复杂的免疫反应至关重要。
4.蛋白质和代谢物提供了对宿主免疫反应的不同理解，与核酸相比更接近疾病表型。蛋白质组学分析反映了转录、翻译、修饰等之间的动态平衡，代谢组学分析研究通路的最终产物。代谢和蛋白质组学数据集的整合将绘制出人类表型的整体图景并解释感染分类的生物系统的复杂性。
5.开发先进的双组学指纹获取方法对于实现快速准确的感染分类临床应用势在必行。基于质谱的方法是大规模研究代谢和蛋白质组生物标志物的最常用技术。然而，传统质谱在复杂生物流体的代谢和蛋白质组学分析中的应用依赖于分离方法，例如用于降低样品复杂性的色谱法。最近，有机基质(例如，α-氰基-4-羟基-肉桂酸)辅助激光解吸电离质谱可直接获取感染患者的血浆蛋白质组指纹。无机基质(纳米颗粒)增强的激光解吸电离质谱能够实现生物流体的高性能代谢指纹提取。迄今为止，尽管激光解吸电离质谱具有结合代谢和蛋白质组学分析的潜力，但关于双组学指纹的报道仍然很少，因此需要合理的设计实现高性能诊断应用，包括但不限于感染分类.


技术实现要素：

6.有鉴于现有技术的上述缺陷，本发明提供了一种双组学血浆指纹模型构建方法及使用该方法构建的双组学血浆指纹模型的感染诊断装置，旨在实现对感染的高效、准确、快速分类。
7.在本发明的实施方式中，一种双组学血浆指纹模型构建方法，包括以下步骤：
8.步骤1、用于代谢指纹获取的血浆样本预处理；
9.步骤2、用于蛋白指纹获取的血浆样本预处理；
10.步骤3、用于代谢指纹获取的无机纳米颗粒的制备；
11.步骤4、质谱靶板上进行样品制备，每个预处理后的样本点样1μl，室温下干燥；
12.步骤5、质谱靶板上进行基质制备，基质溶液点样1μl，室温下干燥；
13.步骤6、纳米颗粒增强激光解吸电离质谱中血浆代谢指纹的采集；
14.步骤7、无机基质辅助激光解吸电离质谱中血浆蛋白指纹的采集；
15.步骤8、对双组学血浆指纹进行机器学习。
16.进一步地，步骤1具体为等体积混合30μl血浆样本与30μl代谢物提取液(甲醇与乙腈等体积混合溶液)，离心后取上清，保存待用。
17.进一步地，步骤2具体为将血浆样本用去离子水稀释20倍，保存待用。
18.进一步地，步骤3具体为氧化铁无机纳米颗粒基质的制备方法包括如下步骤：将柠檬酸钠，氯化铁，和乙酸钠依次加入乙二醇的溶液中超声分散，混合溶液转移到特氟龙高压反应釜中，在100-300摄氏度下反应8小时，产物用乙醇和去离子水冲洗，最后在60摄氏度下干燥以备使用，获得所述氧化铁无机纳米颗粒作为无机基质材料。
19.进一步地，步骤5具体包括：
20.步骤5.1、将无机纳米颗粒用去离子水配成1mg/ml的基质溶液；
21.步骤5.2、有机基质(α-氰基-4-羟基肉桂酸)溶解在50％乙腈水溶液中配成饱和溶液作为基质溶液。
22.进一步地，步骤6具体为：maldi质谱检测代谢指纹采用反射模式，正离子检测，检测范围设为100-1000da，仪器型号为autoflex maldi-tof(/tof)-ms (bruker autoflex speed)，具体参数为：激光波长355nm,激光频率2khz；加速电压为20kv，延迟提取的重复率为1khz；延迟时间为150ns；每次分析叠加2000 次的激光照射。
23.进一步地，步骤7具体为：maldi质谱检测代谢指纹采用线性模式，正离子检测，检测范围设为1000-10000da，仪器型号为autoflex maldi-tof(/tof)-ms (bruker autoflex speed)，具体参数为：激光波长355nm,激光频率1khz；加速电压为20kv，延迟提取的重复率为1khz；延迟时间为150ns；每次分析叠加2000 次的激光照射。
24.本发明还包括一种使用如前述任一项所述方法构建的双组学血浆指纹模型的感染诊断装置，其特征在于，包含预处理模块、数据融合模块、训练模块和测试模块，所述预处理模块在python上对前述任一项所述方法所述步骤6采集的血浆代谢指纹和前述任一项所述方法所述步骤7采集的血浆蛋白指纹进行预处理，进行预处理，分别得到代谢m/z信号和蛋白m/z信号；所述数据融合模块对代谢m/z信号和蛋白m/z信号进行双组学指纹数据融合；所述训练模块将样本划分成训练集和测试集，在python上使用深度学习等机器学习算法在训练集上进行模型训练，得到模型在训练集上的诊断性能；所述测试模块使用训练好的模
maldi-tof(/tof)-ms(bruker autoflex speed)，具体参数为：激光波长 355nm,激光频率2khz；加速电压为20kv，延迟提取的重复率为1khz；延迟时间为150ns；每次分析叠加2000次的激光照射；
43.步骤7、无机基质辅助激光解吸电离质谱中血浆蛋白指纹的采集。maldi质谱检测代谢指纹采用线性模式，正离子检测，检测范围设为1000-10000da，仪器型号为autoflex maldi-tof(/tof)-ms(bruker autoflex speed)，具体参数为：激光波长355nm,激光频率1khz；加速电压为20kv，延迟提取的重复率为1khz；延迟时间为150ns；每次分析叠加2000次的激光照射；
44.实施例二、对细菌感染和病毒感染患者双组学血浆指纹进行机器学习，实现感染分类。具体通过使用实施例一中所述方法构建的双组学血浆指纹模型的感染诊断装置实现感染分类，装置包含预处理模块、数据融合模块、训练模块和测试模块，所述预处理模块在python上对步骤6采集的血浆代谢指纹和步骤7采集的血浆蛋白指纹进行预处理，进行预处理，分别得到代谢m/z信号和蛋白m/z信号；所述数据融合模块对代谢m/z信号和蛋白m/z信号进行双组学指纹数据融合；所述训练模块将样本划分成训练集和测试集，在python上使用深度学习等机器学习算法在训练集上进行模型训练，得到模型在训练集上的诊断性能；所述测试模块使用训练好的模型在测试集进行预测，得到测试集上的诊断性能。具体步骤如下：
45.步骤1：通过实施例一，对301名感染患者(175名病毒感染和126名细菌感染) 进行双组学血浆指纹采集，结果如附图1所示；
46.步骤2：在python上进行预处理，包括谱线平滑、基线校正和谱峰联配，得到123 个代谢m/z信号和23个蛋白m/z信号，结果如附图2所示；
47.步骤3：将301个病人划分成训练集(201个样本，包括116名病毒感染和85名细菌感染)和测试集(100个样本，包括59名病毒感染和41名细菌感染)；
48.步骤4：在python上使用深度学习算法在训练集上对146个m/z信号进行模型训练，得到模型在训练集上的诊断性能；
49.步骤5：使用步骤4中训练好的模型在测试集进行预测，得到测试集上的诊断性能(图3)。
50.实施例三、对新冠患者和健康对照双组学血浆指纹进行机器学习，实现新冠诊断。
51.具体步骤如下：
52.步骤1：通过实施例一，对138名研究对象(31名新冠感染和107名对照组)进行双组学血浆指纹采集；
53.步骤2：在python上进行预处理，包括谱线平滑、基线校正和谱峰联配，得到123 个代谢m/z信号和23个蛋白m/z信号；
54.步骤3：将研究对象划分成训练集(77个样本，包括22名新冠感染和55名对照组)和测试集(57个样本，包括9名新冠感染和48名对照组)；
55.步骤4：在python上使用深度学习算法在训练集上对146个m/z信号进行模型训练，得到模型在训练集上的诊断性能；
56.步骤5：使用步骤4中训练好的模型在测试集进行预测，得到测试集上的诊断性能(图4)。
57.以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。