[发明专利]利用L-EDA筛选卵巢癌体液预后标记物的方法

权利要求书

1.利用L-EDA筛选卵巢癌体液预后标记物的方法，其特征在于：采用液相色谱质谱联用仪分别对健康妇女、卵巢癌患者、卵巢癌术后未复发妇女、卵巢癌术后复发患者的体液代谢物进行分析得到代谢组轮廓，将代谢组轮廓利用L-EDA算法构建变量的概率分布模型，通过迭代抽取2个或3个以上属性集合、交叉验证来更新该分布模型，最终得到其属性重要性排序列表，并根据该列表进行Wilcoxon秩和检验筛选出潜在卵巢癌预后标记物集合。

2.根据权利要求1所述的方法，其特征在于：

采用液相色谱质谱联用仪对体液代谢物进行分析得到代谢组轮廓，包括如下步骤：

1）体液样本的收集和预处理：

取于≤－60 °C下保存的，健康妇女、卵巢癌患者、卵巢癌术后未复发妇女、卵巢癌术后复发患者的体液样本；

将样品从冰箱取出室温解冻，加入3-5倍体积乙腈，充分震荡10-40秒，然后在4-8 °C下，取10000-20000 g离心5-20分钟，取上清液冻干；分析前重溶于水：乙腈=1/4（v/v）的混合溶液中；

2）液相色谱质谱联用仪分析血清中的代谢物：

色谱柱采用50mm × 2.1 mm ，1.7 μm Waters BEH 的C₁₈柱；柱温度保持在35-60°C，流量为0.3-0.4mL/min；流动相A是含有体积百分数0.1-1%甲酸和0.1-5%乙腈的高纯水，流动相B为乙腈；自动进样器保持为4-8°C，进样体积为1-10μL；

质谱分析采用的是安捷伦6510四极杆-飞行时间质谱(Q-TOF MS, Agilent, USA)；质谱在正离子模式下进行数据采集；数据采集范围是质荷比80-1000。

3.根据权利要求1所述的方法，其特征在于：

将得到的代谢组轮廓运行L-EDA算法对代谢组数据进行分析，算法中的一个属性对应代谢组轮廓中的一种代谢物；

1）抽取候选属性子集： 

通过迭代抽取2个或3个以上属性集合：每个属性集合为一个候选属性子集；L-EDA将候选属性子集包含的属性数统一限定为G个，G为正整数，通常为属性总数的5-20%；

2）更新概率分布模型：

对L-EDA算法的参数进行设置：每一轮选取评价最优的候选子集的比例设为0.1-0.3，概率分布模型从当前最优候选子集集合中学习的比例设为0.2-0.4；

将属性在最优候选属性子集集合中出现的平均频率这一平均标准来体现所有属性的平均表现；

3）构建概率分布模型，反复执行以下步骤，直到搜索过程执行了预先定义的次数：按照步骤1）的方法抽取候选属性子集集合，评价每一个候选属性子集，按照2）的方法更新概率分布模型，进入下一轮搜索过程；算法运行结束之后，输出算法对于所有属性的排序列表；

4）筛选潜在的卵巢癌预后标记物集合：

依据步骤3）最终输出的所有属性的排序列表，对排名靠前的10-30%的属性进行分析；

如果属性在代谢组数据要求的各组别之间在Wilcoxon秩和检验中具有显著性差异（p<0.05），则找出该属性对应的代谢物；最终，将该代谢物作为潜在的卵巢癌预后标记物。