[发明专利]一种基于深度学习技术提高质谱谱图分组稳定性的方法

权利要求书

1.一种基于深度学习技术提高质谱谱图分组稳定性的方法，其特征在于，所述方法包括以下步骤：

步骤1、收集冠心病患者和健康人的血清样本，建立人血清样本库；

步骤2、采用基质辅助激光解吸电离质谱技术，分别采集激光轰击200、400、600、800、1000和10000次下的所述血清样本的代谢小分子质谱图；

步骤3、对所述代谢小分子质谱图进行预处理得到原始图谱；

步骤4、开发基于生成对抗学习的深度稳定器(deep stabilizer)，将所述原始图谱作为输入和映射目标划分成训练集和测试集进行模型训练，重建得到高质量质谱图；

步骤5、采用弹性网络对重建后的所述高质量质谱图进行分组，并提取潜在标志物。

2.如权利要求1所述的基于深度学习技术提高质谱谱图分组稳定性的方法，其特征在于，所述基质辅助激光解吸电离质谱技术以纳米颗粒为基质，其中所述纳米颗粒为铁纳米颗粒。

3.如权利要求1所述的基于深度学习技术提高质谱谱图分组稳定性的方法，其特征在于，所述基质辅助激光解吸电离质谱技术的模式为正离子模式，质荷比范围为100-1000m/z。

4.如权利要求1所述的基于深度学习技术提高质谱谱图分组稳定性的方法，其特征在于，所述步骤3中的所述预处理包括等距分箱、平滑降噪和基线矫正。

5.如权利要求1所述的基于深度学习技术提高质谱谱图分组稳定性的方法，其特征在于，所述深度稳定器包括生成器和鉴别器：所述生成器通过两个分支，分别进行稳定导向的粗粒度谱图重建和注意力机制导向的峰精炼，所述鉴别器计算稳定质谱(MS)结果的概率作为参考MS结果。

6.如权利要求1所述的基于深度学习技术提高质谱谱图分组稳定性的方法，其特征在于，所述步骤4中的所述输入为200-1000次所述激光轰击下采集的所述代谢小分子质谱图，所述映射目标为10000次所述激光轰击下采集的所述代谢小分子质谱图。

7.如权利要求1所述的基于深度学习技术提高质谱谱图分组稳定性的方法，其特征在于，所述步骤4中的所述划分为随机划分，划分比例为8：2。

8.如权利要求1所述的基于深度学习技术提高质谱谱图分组稳定性的方法，其特征在于，所述步骤4中的所述重建的目标为所述激光轰击次数为1000次下采集的所述代谢小分子质谱图。

9.如权利要求1所述的基于深度学习技术提高质谱谱图分组稳定性的方法，其特征在于，所述步骤5具体包括以下步骤：

步骤5.1、根据局部最小值和信噪比提取谱峰作为特征，基于质谱图稀疏性特征，采用弹性网络作为分类器；

步骤5.2：将重建后的所述高质量质谱图的特征作为输入，是否为冠心病病人作为输出，对所述训练集进行5折交叉验证训练；

步骤5.3、打乱所述训练集顺序，重复所述步骤5.2，收集子模型；

步骤5.4、计算每个所述特征的显著性(p值)；

步骤5.5、根据每个所述特征的显著性(p值)和稳定性(被所有所述子模型选中的概率)筛选出冠心病分组的所述潜在标志物。

10.如权利要求9所述的基于深度学习技术提高质谱谱图分组稳定性的方法，其特征在于，所述步骤5.3中重复20次，收集所述子模型100个。