[发明专利]蛋白组临床生物标志物整体筛选方法、系统和介质

说明书

本申请提供了一种蛋白组临床生物标志物整体筛选方法、系统和介质，包括步骤：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。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。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。

技术领域

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

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。

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(Numeric data)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。

发明内容

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。

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：

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；

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；

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；

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。

与现有技术相比，本发明的有益效果包括：

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。

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：