[发明专利]一种代谢组学数据的校正方法及装置

说明书

本发明公开了一种代谢组学数据的校正方法及装置，涉及代谢组学领域。本发明开发了一种适配于大规模代谢组学研究的QC校正方法，该方法避免或减少了现有针对大样本数据开发的算法存在的欠拟合与过拟合情况，同时，保留了代谢组学数据本身的生物学差异，为大样本数据提供一种高效且准确的校正途径。

技术领域

本发明涉及代谢组学领域，具体而言，涉及一种代谢组学数据的校正方法及装置。

背景技术

最小化批次效应是目前一个活跃的研究领域，但从实验和数据处理的角度来看，这是一个非常具有挑战性的任务。已发表的文章中提出了多种批次效应处理方法，其中一类常用的方式是基于QC质控样本进行批次效应消除，通过重复使用同一个质控样本来跟踪整个数据采集过程的行为，用质控样本来评估整个质谱数据在采集过程中的信号偏移，进一步用精确的算法来识别和校正这些信号偏移，提高数据的质量。

当前的算法框架中即采用了几种SOTA算法模型进行批次效应校正，模型在小样本数据中呈现出良好的校正效果，能满足大部分项目生产要求。然而随着大样本项目在代谢组学研究领域中的逐渐增多，且受限于实验生成条件，大样本项目多需要分多批次进行上机，使得批次效应在大队列项目中往往更为突出，在对实验控制带来更大挑战的同时也对批次效应校正算法提出了新的需求。SERRF为已发表的针对大样本数据开发的QC校正方法，但该算法在真实数据的测试中观察到较明显的过拟合情况。

鉴于此，特提出本发明。

发明内容

本发明的目的在于提供一种代谢组学数据的校正方法及装置。

本发明是这样实现的：

第一方面，本发明实施例提供了一种代谢组学数据的校正方法，其包括：针对每种目标代谢物，根据待校正的样本数量M选择校正模型，将每个待校正样本的进样顺序和批次信息输入校正模型，输出预测误差；

所述校正模型的选择标准包括：当M位于[1，X3]区间内，则选择第一类模型；当M大于X3，则选择第二类模型；其中，X3为正整数且选自700～1200；所述第一类模型为基于质控样本的数据训练获得的校正模型；所述第二类模型的训练方法包括将质控样本的进样顺序、批次信息、目标代谢物在质控样本中的峰面积，以及n个与目标代谢物结构相似的代谢物在质控样本中的峰面积输入预先构建好的机器学习模型中进行数据拟合；其中，n为正整数且为1～10；

基于所述预测误差计算校正因子，将目标代谢物的实际代谢组学检测结果除以所述校正因子，获得所述目标代谢物校正后的结果。

第二方面，本发明实施例提供了一种代谢组学数据的校正方法，应用于校正样本量为M的样本校正，M大于X3，X3为正整数且选自700～1200，其包括：

针对每种目标代谢物，将每个待校正样本的进样顺序和批次信息输入第二类模型，输出预测误差；其中，所述第二类模型的训练方法包括将质控样本的进样顺序、批次信息、目标代谢物在质控样本中的峰面积，以及n个与目标代谢物结构相似的代谢物在质控样本中的峰面积输入预先构建好的机器学习模型中进行数据拟合；其中，n为正整数且为1～5；

基于所述预测误差计算校正因子，将目标代谢物的实际代谢组学检测结果除以所述校正因子，获得所述目标代谢物校正后的结果。

第三方面，本发明实施例提供了一种代谢组学数据的校正方法，应用于校正样本量为M的样本校正，M位于[1，X3]区间内，X3为正整数且选自700～1200，其包括：

针对每种目标代谢物，将每个待校正样本的进样顺序和批次信息输入第一类模型，输出预测误差；其中，所述第一类模型的训练方法包括将质控样本的进样顺序、批次信息和目标代谢物在质控样本中的峰面积输入预先构建好的机器学习模型中进行数据拟合；所述构建好的机器学习模型选自支持向量机回归模型、集成树模型和随机森林模型中的任意一种；