[发明专利]一种急性缺血性卒中临床表型构建方法、关键生物标志物筛选方法及其应用

说明书

本发明提供了一种急性缺血性卒中临床表型构建方法、关键生物标志物筛选方法及其应用，属于生物信息学技术领域。本发明基于多组学数据和数据驱动下挖掘急性缺血性卒中临床表型的方法，实现患者临床结局及治疗反应性评估的机器学习算法，并将其应用于急性缺血性卒中的患者风险分层及辅助治疗决策，形成了有效的临床评估工具。本发明还筛选一组急性缺血性卒中预后关键生物标志物，可以根据不同病理生理学机制对患者进行准确预测疾病风险，其优势在于应用机器学习的方法在大量数据中挖掘可靠的关键生物标志物，使构建的预测模型在实现高度精准预测的同时，也便于在临床中应用。

技术领域

本发明属于生物信息学技术领域，具体涉及一种急性缺血性卒中临床表型构建方法、关键生物标志物筛选方法及其应用。

背景技术

脑血管病是严重威胁人类健康与生命的重大疾病，已成为全球性致死、致残的主要病因之一，其中急性缺血性卒中(acute ischemic stroke，AIS)作是最为常见的类型。缺血性卒中二级预防措施包括抗栓治疗、控制血压、控制血糖和降低胆固醇治疗等对降低卒中复发风险、改善预后至关重要。然而，有证据表明部分缺血性卒中患者在接受指南推荐的规范化二级预防治疗后仍存在较高卒中复发风险。上述证据表明现有的二级预防措施不能满足所有脑血管病患者的有效风险管理，亟待发现新的能够有效对缺血性卒中患者进行风险分层管理的工具，通过个体化精准管理进一步改善卒中患者预后。现有卒中风险评价多采用传统危险因素等临床信息作为主要评价内容对缺血性卒中进行风险分层，包括卒中预后评估工具I(SPI-I)、SPI-II、Essen卒中风险评分、California风险评分以及ABCD评分系统等，然而，传统的评分及预测模型信度及效度有限，在外部队列的泛化性能较差。

临床表型是描述患者个体差异的单一或一组疾病属性，与临床结局(如治疗反应、复发、死亡等)密切相关，是研究疾病风险的重要基础。缺血性卒中是一种复杂的、多因素疾病，目前尚缺乏基于多个生物标志物的急性缺血性卒中临床表型研究，如何发现有效的生物标志物，构建能够实现疾病预后风险分层、反应疾病病理生理学机制以及治疗反应性的缺血性卒中临床表型是实现缺血性卒中精准诊疗亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种急性缺血性卒中临床表型构建方法、关键生物标志物筛选方法及应用。

本发明提供了一种急性缺血性卒中临床表型的构建方法，包括以下步骤：

1)对急性缺血性卒中病例的临床信息、影像信息和血液检测指标共92个特征进行数据整理；

2)采用信息增益和轻量级梯度提升学习方法从92个特征中选取与疾病预后相关的排名前30的特征；

3)将步骤2)中筛选的30个特征基于最大化贝叶斯信息准则进行聚类分析，根据BIC最小的数值确定最佳聚类数，确定分为4个临床表型；

4)将步骤2)中筛选的30个特征，采用高斯混合模型进行无监督聚类分析，得到4个聚类簇；

5)比较步骤4)中4个聚类簇的临床信息、血液检测指标及临床结局差异，得到4个临床表型。

优选的，所述临床结局包括卒中复发、复合血管事件、不良功能结局和死亡。

本发明提供了所述构建方法获得的4个临床表型，包括以糖代谢、脂代谢异常为主要特征的临床表型1、以炎症、肾功能异常为主要特征的临床表型2、以小动脉闭塞为主要特征的临床表型3和以同型半胱氨酸代谢异常为主要特征的临床表型4。

本发明提供了一种基于机器学习的急性缺血性卒中预后相关的关键生物标志物筛选方法，包括以下步骤：

将所述构建方法中筛选的30个特征使用信息增益和LightGBM算法优化筛选，得到关键生物标志物。