[发明专利]基于机器学习的细胞外囊泡分类方法、装置、设备及介质

说明书

本发明公开了一种基于机器学习的细胞外囊泡分类方法，包括：获取样品的第一参数；设定筛选条件，判断所述第一参数是否满足所述筛选条件，并根据所述筛选条件从所述样品中筛选出细胞外囊泡；获取所述细胞外囊泡的第二参数；将所述第二参数输入至预先训练的基于机器学习的分类模型，以通过所述分类模型完成对所述细胞外囊泡的分类。本发明基于机器学习的分类方法，能够从复杂的生物标志物信息发现难以识别的规律。本发明基于机器学习，利用代谢物丰度对细胞外囊泡进行决策并分类，评估基于特征筛选后的模型对卵巢癌EVs代谢物的预测潜力，以期协助临床诊断及卵巢癌早期筛查。

技术领域

本发明属于深度学习技术领域，具体涉及一种基于机器学习的细胞外囊泡分类方法、装置、设备及介质。

背景技术

根据WHO2020统计，卵巢癌(Ovarian cancer,OV)是全世界女性死亡人数仅次于宫颈癌的第二大妇科恶性肿瘤，导致约20.72万妇女死亡。由于缺乏早期症状和有效的早期筛查方法，使5年生存率从93％降低到20％，因此被称为“沉默的杀手”。细胞外囊泡(Extracellular vesicles,EVs)是近年来癌症诊断的潜力标志物，具有双层膜结构，通常按大小和来源分为粒径约50nm-150nm的外泌体和100nm-1mm的微泡，研究发现其携带的源细胞遗传和分子信息与肿瘤分期及预后相关，甚至可以用于早期诊断。近些年来，代谢组学通过色谱质谱联用技术鉴定样品中的所有代谢小分子，已经被广泛应用于诊断卵巢癌的研究中，但早期鉴别的相关研究没有提及。

发明内容

鉴于以上所述现有技术的缺点，本发明提供一种基于机器学习的细胞外囊泡分类方法、装置、设备及介质，以解决现有技术中的至少一个缺陷。

为实现上述目的及其他相关目的，本发明提供一种基于机器学习的细胞外囊泡分类方法，包括：

获取样品的第一参数；

基于所述第一参数从所述样品中筛选出细胞外囊泡；

获取所述细胞外囊泡的第二参数；

将所述第二参数输入至预先训练的基于机器学习的分类模型，以通过所述分类模型完成对所述细胞外囊泡的分类。

于本发明一实施例中，通过透射电子显微镜拍摄所述样品的超微形态结构；

通过纳米颗粒跟踪分析仪检测所述样品的粒径范围；

通过化学发光成像分析所述样品的TSG101蛋白条带；

所述第一参数包括超微形态结构、粒径范围和TSG101蛋白条带。

于本发明一实施例中，所述筛选条件包括：

是否呈现椭圆形的膜结构；

粒径大小是否为50-500nm；

是否具有TSG101蛋白条带。

于本发明一实施例中，所述获取所述细胞外囊泡的第二参数，包括：

获取所述细胞外囊泡的总离子流图，所述总离子流图包含各细胞外囊泡样本的物质信息；

对所述总离子流图进行解析，得到所述细胞外囊泡的代谢物数据；

从多种代谢物中筛选出目标代谢物，并获取目标代谢物的代谢物丰度以作为所述第二参数。

于本发明一实施例中，在利用预先训练的基于机器学习的分类模型对细胞外囊泡分类前，还包括：

获取细胞外囊泡的代谢物丰度；

对所述代谢物丰度进行校正，得到校正数据；

对所述校正数据进行降维；

利用降维后的数据构建训练分类模型的训练集；