[发明专利]一种运用AI模型快速检测产生碳青霉烯酶菌株的方法

权利要求书

1.一种运用AI模型快速检测产生碳青霉烯酶菌株的方法，其特征在于，包含以下步骤：

使用Blue-Carba方法，配制solutionA溶液；即在溴百里酚蓝溶液中加入亚胺培南，再加入ZnSO4溶液，调节溶液PH为7.0，得到solutionA溶液；

选择野生菌株，用PBS液配制细菌悬浮液：将样品在麦康凯琼脂培养基上分离纯化，之后在LB琼脂培养基上划菌苔并培养，通过MALDI-TOF鉴定菌株种属；用10ul接种环刮半环菌苔到PBS液中，涡旋混匀，调节溶液OD值，得到细菌悬浮液；所述野生菌株包括大肠埃希菌、恶臭假单胞菌、肺炎克雷伯、弗氏柠檬酸菌、阴沟肠杆菌、粘沙肠杆菌；

将solutionA溶液和细菌悬浮液混匀：吸取solutionA溶液加入到96孔板中，再吸取细菌悬浮液与solutionA溶液混匀；

使用全自动酶标仪检测混合溶液的OD值：将混合溶液的96孔板放入全自动酶标仪中，设置检测温度、检测时间，分别在615nm与720nm波长检测出混合溶液的OD值，并导出原始数据；

选择AI模型，并进行模型训练和验证，

所述进行模型训练和验证，具体过程为：

用80％数据作为学习样本，进行模型训练，用20％数据作为验证数据；

所述模型训练采用cross entropy作为损失函数，采用Adam梯度下降方式，利用训练数据，进行多次迭代优化模型参数，使损失函数最小化；

S1，LSTM的计算过程：

LSTM以每个时间点OD值作为输入，时间点个数记为n，LSTM计算时遍历每个时间点，单独作为输入，进行一次循环计算；设定LSTM的神经元个数为k；设t为当前时间点；

LSTM有两个传输状态，一个C_t、一个h_t；LSTM的当前输入x_t和上一个状态传递下来的h_t-1拼接计算得到四个状态：

f_t＝σ(W_f*[h_t-1,x_t]+b_f)，

i_t＝σ(W_i*[h_t-1,x_t]+b_i)，

o_t＝σ(W_o*[h_t-1,x_t]+b_o)，

其中，f_t为忘记门控，i_t为记忆门控，为输入数据，o_t为控制当前输出；W_f为忘记门控的权重矩阵，b_f为忘记门控的偏置；W_i为记忆门控的权重矩阵，b_i为记忆门控的偏置；W_c为输入数据的权重矩阵，b_c为输入数据的偏置；W_o为控制当前输出的权重矩阵，b_o为控制当前输出的偏置；σ为激活函数；

不同状态具有不同权重矩阵W和偏置b，需要训练优化参数，得到训练参数；权重矩阵为一个(k+1)*k的矩阵，与[h_t-1,x_t]相乘得到长度为k的向量，即k个神经元；其中h_t-1是长度为k的向量；x_t为t时刻的OD值；所有的权重矩阵与偏置的初始值基于均值为0，方差为1的正态分布随机生成；

f_t为忘记门控，针对对象是之前的状态C_t-1；i_t为记忆门控，针对对象是现在的输入则C_t由忘记门控和记忆门控为依据进行更新：

o_t控制当前输出，同时h_t依据o_t进行更新：

h_t＝o_t*tanh(C_t)，

LSTM计算完成后，经过一个全连接网络，使最终输出节点为z，表示产酶与否：

z＝W_z*h_n+b_z；

其中，W_z为全连接网络的权重矩阵，b_z为全连接网络的偏置，h_n即上述LSTM的最终输出；

S2、损失函数的计算过程：

使用cross entropy作为损失函数，记cross entropy为LOSS，计算过程如下：

其中，c为样本量；z为所有样本经过上一步的计算后所组成的矩阵，每个样本计算得到一个向量，向量长度为2，含义为产酶或不产酶，c个样本则得到大小为c*2的矩阵；exp为自然常数e为底的指数函数；softmax函数用于将输入值的值域转换为0到1之间，以模拟概率；为预测值，经softmax计算得到，为c*2的矩阵；y为真实值，其同样为c*2的矩阵，对于每个样本，若产酶，则有向量[1,0]，若不产酶，则有向量[0,1]；y^T为矩阵y的转置；为单位矩阵；

S3、训练算法的计算过程：

使用参数优选算法Adam为训练算法，参数设置有：学习率α，α＝0.001；一阶矩估计的指数衰减率β₁，β₁＝0.9；一阶矩估计的指数衰减率β₂，β₂＝0.999；参数ε，ε＝10e-8；训练次数阈值THRESHOLD，THRESHOLD＝2000；

参数优选算法Adam针对损失函数，损失函数以全体训练参数为自变量，即所有权重矩阵和偏置；对损失函数求梯度

设当前训练次数为t，则参数优选算法Adam一轮计算过程如下：

m_t＝β₁*m_t-1+(1-β₁)*g_t，

其中，g_t为一阶矩估计，为二阶矩估计；α为学习率；β₁为一阶矩估计的指数衰减率；β₂为二阶矩估计的指数衰减率；ε为非常小的数，其为了防止在实现中除以零；m_t，v_t为指数加权移动平均；为偏差修正；θ_t-1为上一轮训练完成的参数集合；θ_t为此轮训练完成的参数集合；

训练次数达到THRESHOLD，则训练完成；

所述验证数据采用交叉验证的方法，分多次重复训练验证，取验证指标的平均值作为模型效能的量化展现，并得到模型准确率的标准差；

得到最优AI模型为LSTM模型，将混合溶液的OD值原始数据导入上述 最优AI模型中，分析得到菌株产碳青霉烯酶的结果。