[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

说明书

本发明公开了一种基于深度学习技术提高质谱谱图分组稳定性的方法，涉及人工智能辅助临床检验分组领域，所述方法包括以下步骤：1、建立人血清样本库；2、采用基质辅助激光解吸电离质谱技术，采集所述血清样本的代谢小分子质谱图；3、对所述代谢小分子质谱图进行预处理；4、开发基于生成对抗学习的深度稳定器(deep stabilizer)，重建得到高质量质谱图；5、采用弹性网络对所述高质量质谱图进行分组，并提取潜在标志物。本发明基于纳米颗粒辅助的LDI‑MS检测和深度稳定器的构建，实现了对微量血清稳定代谢的超快速、无标记、无抗体分组，以及对分组冠心病(包括心梗/非心梗性冠心病)的准确高效评估，有助于医疗保健的改善。

技术领域

本发明涉及人工智能辅助临床检验分组领域，尤其涉及一种基于深度学习技术提高质谱谱图分组稳定性的方法。

背景技术

在个性化医疗保健中，分组是精准医疗的关键，以获得最佳治疗决策，而三分之二的临床分组依赖于体外分组。体外分组在临床实验室包括多种先进的检测方法，其中质谱(MS)被认为是未来的前途的分组工具，由于其强大的分析功能，提供高分辨率(～ppm)和吞吐量的识别分子(如代谢产物)。

值得注意的是，临床上主要采用两种MS：电喷雾电离(ESI)和激光解吸/电离(LDI)。这两种机制在离子化的初级离子形成中依赖离子或电子的转移，如LDI中通过基质吸收光子进行固-气转变。然而，这两种类型的MS都需要样本处理，这限制了实际应用。具体来说，大多数临床MS方法需要严格的多步骤色谱和衍生程序来降低样品的复杂性和丰富目标分子，但这些程序带来了速度/效率降低和样品消耗增加的权衡。此外，同位素标记是常用的样品预处理，不可避免地增加检测费用(～2000美元/g)和时间。光热导向的解吸/电离机理阐明了MS的电离机制，并在label-free和无需样本预处理的情况下提供高性能代谢检测。

MS的临床应用依赖于高质量的数据。值得注意的是，需要大量的技术重复，以确保高数据质量和低变异系数所显示的重现性(例如，目前临床分组指南中变异系数，CV10％)，例如，为了确保深度基质辅助MS的高数据质量和再现性，需要数百万次的激光轰击样本。但是，以这种方式获得高质量质谱图是昂贵、耗时和劳力密集的，同时限制了大规模临床适用性。通过机器学习，特别是深度学习，可以显著提高数据质量。由于面向任务的学习策略通过非线性模块编码特征和内在数据表示，深度学习已成功应用于复杂信号重建任务，如低剂量到正常剂量的CT映射和磁共振(MR)到CT映射。然而，尽管最近在二级MS(MS/MS)数据的高质量预测方面取得了成功，但在获取高质量一级MS数据和随后的分组应用方面，深度学习在MS中的应用非常有限。

我们开发并应用深度学习方法，通过使用血清代谢谱(SMPs)进行疾病分组，从LDI-MS结果中提取血清蓝图，以区分患者和对照组。代谢紊乱与大多数疾病相关，包括冠心病(CHD)，它占心血管相关死亡的一半。冠心病包括心肌梗死(MI)，其死亡率在冠心病病例中最高(47.8％)，每年在全世界造成数百万人死亡。值得注意的是，分组速度在MI的早期发现中是至关重要，以挽救患者的生命和提高生活质量。高敏感性心肌肌钙蛋白I/T(cTnI/T)试验几乎适用于每一个疑似心肌梗死的冠心病患者。尽管肌钙蛋白测定法的应用非常广泛，但它仍然需要连续的cTnI测定(最多9小时)，而一次测定至少需要15-30分钟来进行抗体-抗原的识别。此外，对于非心肌梗死的冠心病，肌钙蛋白不能提供任何有价值的分组信息，取而代之的是血管造影术加心电图(金标准分组方法)，这可能是侵入性的，不适用于一般筛查。因此，需要改进冠心病的检测方法，特别是MI和非MI的检测方法。

因此，本领域的技术人员致力于开发一种基于深度学习技术提高质谱谱图分组稳定性的方法，基于MS的超快速、无标记、无抗体分组微量血清稳定代谢，实现更加快速、准确评估冠心病(包括心梗和非心梗性冠心病)，改善医疗保健现有技术水平。

发明内容