[发明专利]一种基于机器学习的临床组学数据处理方法及装置

说明书

本发明涉及一种基于机器学习的临床组学数据处理方法，包括：获取待处理的组学数据；从待处理的组学数据中提取组学特征的组合作为特征子集；根据所述特征子集进行组学特征分析得到模型验证结果；根据所述组学特征对所述模型验证结果值的影响幅度确定所述组学特征的重要程度值；根据所述组学特征的重要程度值筛选出目标特征子集；以及根据所述目标特征子集对所述组学数据进行组学特征分析得到用于表征所述组学数据对应的分类或者生理指标的预测值。上述方法能够提升组学数据处理的效率。此外，本申请实施例还提供一种临床组学数据处理、服务器及存储介质。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于机器学习的临床组学数据处理方法、装置、服务器及存储介质。

背景技术

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

人体在其生命周期的不同阶段以及疾病发展的不同阶段，其基因表达和蛋白表达可能存在巨大的差异。因此组学(基因组学，转录组学，蛋白组学和代谢组学等)是系统地研究生物学规律的重要工具，同时也可反映出机体所处的生命周期阶段以及疾病发展情况。

当前临床样本获得越来越多的组学数据，组学数据在精准医疗中起到至关重要的作用。作为功能的最终执行者，蛋白质功能的改变是所有生理病理过程变化的直接原因，蛋白组学的研究对于疾病的诊断、分型和预测有着不可替代的优势。然而现有的蛋白组学研究多集中在蛋白测序、定量、差异蛋白分析，生物标记(Biomarker)筛选以及功能性分析上，此过程需要大量的人工干预，效率低下。

发明内容

有鉴于此，有必要提供一种基于机器学习的临床组学数据处理方法、装置、服务器及存储介质，其可解决现有技术中组学数据处理及运用时处理效率低下的问题。

一方面，本申请提供一种基于机器学习的临床组学数据处理方法，其包括以下步骤：

获取待处理的组学数据；从所述待处理的组学数据中提取组学特征的组合作为样本特征子集；根据所述样本特征子集进行组学特征分析得到模型验证结果；根据所述组学特征对所述验证结果值的影响幅度确定所述组学特征的重要程度值；根据所述组学特征的重要程度值筛选出目标特征子集；以及根据所述目标特征子集对所述组学数据进行组学特征分析得到用于表征所述组学数据对应的分类或者生理指标的预测值。。

第二方面，本申请还提供一种基于机器学习的临床组学数据处理装置，包括：

数据获取模块，用于获取待处理的组学数据；

特征提取模块，用于从所述待处理的组学数据中提取组学特征的组合作为特征子集；

分析模块，用于根据所述特征子集进行组学特征分析得到模型验证结果；

重要程度值获取模块，用于根据所述组学特征对所述验证结果值的影响幅度确定所述组学特征的重要程度值；

筛选模块，用于根据所述组学特征的重要程度值筛选出目标特征子集；以及

预测模块，用于根据所述目标特征子集对所述组学数据进行组学特征分析得到用于表征所述组学数据对应的分类或者生理指标的预测值。

第三方面，本申请实施例还提供一种服务器，包括：

一个或多个处理器；

存储器；