[发明专利]一种精神分裂症易感基因检测系统

摘要

本发明属于检测装置制造业领域，公开了一种精神分裂症易感基因检测系统，提取血清模块连接检测血清含量模块；所述检测血清含量模块连接去除蛋白质模块；提取DNA模块连接去除蛋白质模块；所述检测DNA模块连接提取DNA模块和参考DNA库模块；DNA种类含量模块连接检测DNA种类模块；所述在线检测模块连接DNA种类含量模块和密封存档模块。本发明通过提取患者的DNA，检测提取出来的DNA种类，对比DNA库，能够准确的了解到患者是否患有精神分裂症易感基因，治疗精神分裂症提倡早期、及时、足量的抗精神病药物控制病情发展，预防复发，因此，能准确快速的做出诊断，对于患者的治疗康复意义重大。

主权项

一种精神分裂症易感基因检测系统，其特征在于，所述精神分裂症易感基因检测系统包括：血液采集器、抗凝管、管架、制冷室、基因提取器、离心管、吸附柱、收集管、基因扩增器、凝胶电泳器；所述血液采集器与所述抗凝管相连，所述抗凝管固定在所述管架上，所述抗凝管与所述制冷室相邻，所述制冷室一侧为所述基因提取器，所述基因提取器与所述离心管相连，所述吸附柱和所述收集管均放置在所述管架上，所述基因扩增器和所述凝胶电泳器放置在所述管架一侧；所述管架采用螺栓固定的方式连接在此装置的底部；所述离心管底部连接有离心电机；所述血液采集器包括：提取血清模块、检测血清含量模块、去除蛋白质模块、提取DNA模块、检测DNA种类模块、参考DNA库模块、DNA种类含量模块、在线检测模块、密封存档模块；所述提取血清模块连接检测血清含量模块；提取血清模块主要是提取分离的血清蛋白中检测神经生长因子(NGF)、白细胞介素(IL‑6)、钙结合蛋白S100B、干扰素(IFN‑γ)、肿瘤坏死因子(TNF‑α)、脑源性神经营养因子(BDNF)、神经胶质纤维酸性蛋白(GFAP)、碱性髓鞘蛋白(MBP)8种蛋白因子含量；检测血清含量主要是提取8种蛋白质因子含量；所述检测血清含量模块连接去除蛋白质模块；去除蛋白质模块主要是将神经生长因子(NGF)、白细胞介素(IL‑6)、钙结合蛋白S100B、干扰素(IFN‑γ)、肿瘤坏死因子(TNF‑α)、脑源性神经营养因子(BDNF)、神经胶质纤维酸性蛋白(GFAP)、碱性髓鞘蛋白(MBP)8种蛋白因子含量外部的蛋白质去掉。所述提取DNA模块连接去除蛋白质模块；提取DNA模块主要是去掉丰富的蛋白质，利用利用SDS、蛋白质和K离子形成不溶于水的复合物，通过离心去除含蛋白质的沉淀，将DNA提取出来；所述检测DNA种类模块连接提取DNA模块和参考DNA库模块；所述提取DNA 模块是将患有精神分裂易感基因的DNA的种类分类好，然后对比参考DNA库模块，将易感基因的DNA筛选出来；所述DNA种类含量模块连接检测DNA种类模块；所述DNA种类含量模块能检测到筛选出来的DNA种类的含量，然后对比检测的蛋白因子含量与正常参考值相对比，科学的分类判断精神分裂症；所述在线检测模块连接DNA种类含量模块和密封存档模块；密封存档模块能将检测出来的结果进行密封，所述密封存档模块内部安装有个人用户登陆系统，患者进行检查后，登陆查看结果，用于保护患者的隐私；在线检测模块利用内置的图像摄取模块进行图像数据的采集，其中，所述图像数据分为正常人组和患有精神分裂病人组两组；再采用弥散加权序列得到弥散图像数据，所述图像摄取模块包括磁共振设备；线检测模块的检测方法具体包括：步骤1，将所述弥散图像数据进行预处理；步骤1.1，用基于Linux的FSL软件对所述弥散图像数据进行去涡流处理；步骤1.2，对经所述步骤1.1处理得出的图像采用适合处理图像信息的脉冲耦合神经网络模型对弥散图像进行检测；弥散图像受到密度较小的脉冲噪声污染通过自适应加权滤波处理；弥散图像中受到密度较大的脉冲噪声污染采用保持边缘细节信息的引入双结构元素数学形态学进行二次滤波；适合处理图像信息的脉冲耦合神经网络模型：Fij[n]＝Sij；Uij[n]＝Fij[n](1+βij[n]Lij[n])；其中，βij[n]为自适应链接强度系数；Sij、Fij[n]、Lij[n]、Uij[n]、θij[n]分别为输入图像信号、反馈输入、链接输入、内部活动项及动态阈值，Nw为所选待处理窗口W中的像素总数，Δ为调节系数，选取1～3；脉冲耦合神经网络模型对弥散图像进行检测时，利用网络特性使灰度为Sijmax的像素点火激活，再进行第二次脉冲耦合神经网络迭代处理，把介于[Sijmax/1+βijLij,Sijmax]间的像素捕获激活，使两次激活的像素点对应的Yij输出为1；然后对原噪声污染图像反白处理，再对处理后的图像Sij按前述进行迭代处理，并使对应的输出Yij＝1，利用图像噪声像素与周围像素相关性小，灰度差别大特性，当一个神经元的激发没有引起所在区域附近大多数神经元的激发时，就说明该神经元对应像素可能是噪声点；初步甄别出Yij＝0对应的像素点为弥散图像的信号点，予以保护；对Yij输出为1的像素点在3*3模板B范围内统计以输出Yij＝1为中心邻域元素值为1的个数NY判别归类：1≤NY≤8，为噪声点，当NY＝9，判定为图像像素点；步骤1.3，对经所述步骤1.2处理得出的图像进行弥散张量拟合，得出各向异性图像、平均扩散率图像、径向弥散率图像；步骤1.4，将所述各向异性图像通过非线性配准方法配准到标准空间；步骤1.5，将所有配准到标准空间的所述各向异性图像进行平均得到平均各向异性图像；步骤1.6，将所述平均各向异性图像进行骨架化；步骤1.7，将步骤1.3中得出的所述各向异性图像、平均扩散率图像、图像按个体分别投射到所述白质骨架上，得到每个个体的各向异性骨架图像、平均扩散率骨架图像和径向弥散率骨架图像；步骤2，对步骤1所得的存在显著差异的区域进行多变量分析：步骤2.1，分别对所述存在显著差异的区域中的各向异性值、平均扩散率值、径向弥散率值进行平均，得到所述存在显著差异的区域中的平均各向异性值、平均平均扩散率值、平均径向弥散率值；步骤2.2，基于MATLAB软件将步骤2.1中所述的平均各向异性值、平均平均扩散率值、平均径向弥散率值作为特征输入到线性支持向量机中，通过留一法对线性支持向量机进行训练，最终得出特征所在的区域，从而得到与病变有关的区域。