[发明专利]用于抗微生物剂敏感性预测的流式细胞术数据处理

权利要求书

1.一种在易感、中间和抗性表型中预测测试微生物对抗微生物剂敏感性表型的方法，所述方法包括：

A.包含以下步骤的学习阶段：

a.选择包含易感、中间和抗性表型微生物的微生物组，所述表型基于所述抗微生物剂的易感和抗性断点浓度确定，并产生所述微生物组的敏感性表型的数字组；

b.对于所述微生物组的各微生物，制备液体样品，该样品包括所述微生物的群体、靶向所述微生物的活力荧光标记和所述抗微生物剂，所述液体样品包括至少2种不同浓度的所述抗微生物剂；

c.对于各样品，通过流式细胞仪获得一数字组的值，包括所述样品中所述微生物的群体的荧光分布和/或前向散射分布和/或侧向散射分布；

d.对于所述微生物组的各微生物，通过计算机单元基于就所述微生物获得的各组值产生特征向量；

e.通过计算机单元基于产生的特征向量和敏感性表型的所述数字组学习对所述抗微生物剂的敏感性表型的预测模型；

B.包含以下步骤的预测阶段：

f.制备液体样品，该样品包括测试微生物的群体、所述活力荧光标记和不同浓度的所述抗微生物剂；

g.对于测试微生物的各样品，通过流式细胞仪获得一数字组的值，对应于步骤c)所获得的那组值；

h.通过计算机单元基于就测试微生物获得的各组值产生特征向量，所述特征向量对应于步骤d)的特征向量；

i.通过保存预测模型的计算机单元，将所述模型应用于测试微生物的特征向量预测测试微生物的敏感性表型。

2.权利要求1所述的方法：

-其中，所述预测模型包括易感表型对抗性和中间表型的第一预测模型，以及抗性表型对易感和中间表型的第二预测模型，所述第一和第二预测模型被独立学习；和

-其中，当第一预测模型不预测为易感表型且当第二预测模型不预测为抗性表型时，预测为中间表型。

3.权利要求1所述的方法，其中所述预测模型包括易感表型对抗性和中间表型的第一预测模型，抗性表型对易感和中间表型的第二预测模型，以及中间表型对易感和抗性表型的第三预测模型，所述第一、第二和第三预测模型被独立学习。

4.前述权利要求任一项所述的方法，其中所述抗微生物剂的不同浓度定义包括易感和抗性断点浓度的范围。

5.权利要求1所述的方法，其中所述抗微生物剂的不同浓度分别由易感和抗性断点浓度组成。

6.权利要求1所述的方法，其中所述抗微生物剂的不同浓度包括至少3种浓度，以及更特别地，至少4种浓度。

7.权利要求1所述的方法，其中所述抗微生物剂的不同浓度的至少一种小于易感断点浓度。

8.权利要求1所述的方法，其在学习阶段包括通过如下选择抗微生物剂的不同浓度：

-选择包括抗微生物剂的不同浓度的第一组不同浓度，用所述第一组不同浓度的所有浓度进行步骤b)-e)；

-基于产生的特征向量和所述数字组的敏感性表型学习对所述抗微生物剂的敏感性表型的预测模型，其中所述学习用权衡预测模型精确度与预测模型复杂度的L1正则化的优化问题进行，且其中抗微生物剂的不同浓度是未被L1正则化的优化问题丢弃的第一组浓度的浓度。

9.权利要求8所述的方法，其中所述L1正则化的优化问题是L1正则化的逻辑回归。

10.权利要求1所述的方法，其中所述数字组的值包括在预定义的荧光范围内的荧光分布，且其中所述特征向量包括在预定义的荧光范围的细分内的荧光分布直方图。

11.权利要求1所述的方法，其中所述数字组的值包括在预定义的侧向散射值范围内的侧向散射分布，且其中所述特征向量包括在预定义的侧向散射值范围的细分内的侧向散射分布直方图。