[发明专利]诊断脑卒中认知障碍的蛋白标志物以及模型的训练方法

说明书

本发明属于生物学诊断技术领域，公开了诊断脑卒中认知障碍的蛋白标志物以及模型的训练方法，其特征在于，该蛋白标志物具体包括：ATP5B蛋白、OPCML蛋白、MOG蛋白和GFAP蛋白。本发明以这些差异表达蛋白作为变量构建预测脑卒中患者是否存在认知障碍风险的模型，经验证，该预测模型具有较高的灵敏度和特异度，能够较为准确地进行预测。

技术领域

本发明属于生物学诊断技术领域，尤其涉及一种诊断脑卒中认知障碍的蛋白标志物以及模型的训练方法。

背景技术

脑卒中后认知障碍是指在卒中这一临床事件发生以后出现的达到认知障碍诊断标准的一系列综合征。脑卒中极易导致认知功能障碍，从而严重影响患者的生活质量及生存时间。但是目前脑卒中后认知障碍的临床诊断主要依赖临床评估、神经认知功能测试及神经影像学检查，但这些方法存在主观性强、特异性差的缺点，目前尚缺乏被广泛认可的统一诊断标准。因此，寻找客观且灵敏的早期诊断方法具有重要的临床意义。

目前对于脑卒中后认知障碍的诊断主要是通过临床认知量表实现，并无客观指标来反映认知障碍情况。现有研究尚未发现临床公认可用的特异性分子标志物，这极大地阻碍了脑卒中后认知障碍病人的早期诊断，增加进展为卒中后痴呆的风险。

发明内容

针对现有技术存在的问题，本发明提供了一种诊断脑卒中认知障碍的蛋白标志物以及模型的训练方法。

本发明是这样实现的，一种诊断脑卒中认知障碍的蛋白标志物，其特征在于，该蛋白标志物具体包括：

ATP5B蛋白、OPCML蛋白、MOG蛋白和GFAP蛋白。

本发明另一目的在于提供一种用于诊断脑卒中认知障碍的模型的训练方法，其包括如下步骤：

S1：收集脑卒中患者血液样本；

S2：利用数据检测模块检测脑卒中患者样本中的蛋白标志物浓度；

S3：建立机器学习模型；

S4：根据获得的蛋白标志物浓度数据对建立的机器学习模型进行训练，获得用于预测脑卒中患者是否存在认知障碍风险的模型。

进一步，所述样本数量至少为20份。

进一步，所述S2中利用数据检测模块检测脑卒中患者样本中的蛋白标志物浓度采用Bradford法测定蛋白样品浓度，其原理是利用游离状态下的考马斯亮蓝为红色，在488nm波长处有最大吸收；而与蛋白结合后的考马斯亮蓝呈青色，色素-蛋白复合物的最大光吸收在595nm波长处。其光吸收值与蛋白浓度成正相关关系，因此可利用该方法对溶液中的蛋白浓度进行测定。

进一步，所述S3中建立机器学习模型具体包括；

S31：利用特征确定模块，从所述数据检测模块采集到的蛋白标志物浓度，经过抽取，确定具有代表性的原始特征，并通过KPCA主成分分析法对数据集的多维特征进行降维，得到具有代表性表示的的主成分特征；

S32：利用特征调整模块对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征，且与主成分特征进行对比，若两种特征呈现高度相关，则可将重构特征或组合特征输入模型训练模块，否则不断调整组合特征或重构特征，直至与主成分特征呈现高度相关性；

S33：利用模型训练模块对使用原始特征向量、组合特征或者重构新特征和每一份脑卒中患者样本对应的蛋白质浓度对模型进行训练，得到机器学习模型。

进一步，所述S32具体包括：

(1)对所述原始特征采用分类回归树算法，生成原始决策树；

(2)将所述原始决策树放入决策树模型中，并将所述原始决策树作为当前决策树；