本申請涉及醫(yī)學數(shù)據(jù)信息挖掘領(lǐng)域，更具體地涉及一種代謝組學數(shù)據(jù)融合優(yōu)化處理方法。
背景技術(shù)：
：隨著精準醫(yī)學時代的到來，疾病的準確分類對于制定個性化和精準化的治療方案極為重要。代謝組學是繼基因組學和蛋白組學后的一種相對較新的組學技術(shù)，該技術(shù)目的在于盡可能多得檢測生物樣品中的小分子代謝物，從而反映生物體在不同環(huán)境下(比如疾病發(fā)生發(fā)展過程、藥物/飲食干預(yù)等)的代謝變化情況。代謝組學技術(shù)可以在代謝物層面反映生物體個性化的差異，因此，該技術(shù)可以實現(xiàn)臨床疾病的分型和分類。代謝組學可以產(chǎn)生大量的數(shù)據(jù)信息，而且這些數(shù)據(jù)可以來源于不同的生物樣品，還可以來源于不同的分析平臺，但是我們不可忽視任何來源的數(shù)據(jù)，因為其中包含我們所需要病人信息。數(shù)據(jù)融合技術(shù)可以將不同來源的數(shù)據(jù)進行整合，從而實現(xiàn)更加準確的疾病分型和分類。不同來源的數(shù)據(jù)具有不同的特征，因此，在選擇數(shù)據(jù)前處理方法上也不可一概而論。但是，目前存在許多不同的數(shù)據(jù)前處理方法，如何根據(jù)不同數(shù)據(jù)特征選擇最佳的數(shù)據(jù)前處理方法是數(shù)據(jù)分析領(lǐng)域的一個熱點問題。另外，數(shù)據(jù)融合并不是簡單地將數(shù)據(jù)疊加一起，融合不同來源數(shù)據(jù)中重要信息將減少數(shù)據(jù)量，提高數(shù)據(jù)處理速度，但是，如何從不同來源的數(shù)據(jù)中選擇重要信息也是數(shù)據(jù)分析領(lǐng)域的一個備受關(guān)注的問題。技術(shù)實現(xiàn)要素：為解決當前存在的上述問題，本申請?zhí)岢隽艘环N代謝組學數(shù)據(jù)融合優(yōu)化處理方法本發(fā)明所采取的技術(shù)方案如下：一種代謝組學數(shù)據(jù)融合優(yōu)化處理方法，包括以下步驟：1)將關(guān)于多個病人的不同來源的代謝組學數(shù)據(jù)分別轉(zhuǎn)換成多個代謝數(shù)據(jù)矩陣；2)利用實驗設(shè)計方法分別優(yōu)化不同來源的代謝組學的數(shù)據(jù)最佳前處理方法，通過優(yōu)化后的數(shù)據(jù)最佳前處理方法對應(yīng)處理步驟1)中的代謝數(shù)據(jù)矩陣，結(jié)合分類模型找出貢獻較大的代謝物數(shù)據(jù)；3)將步驟2)找出貢獻較大的代謝物數(shù)據(jù)融合轉(zhuǎn)換成重要代謝數(shù)據(jù)矩陣；4)利用實驗設(shè)計方法優(yōu)化重要代謝數(shù)據(jù)矩陣的數(shù)據(jù)最佳前處理方法，通過優(yōu)化后的數(shù)據(jù)最佳前處理方法處理步驟3)中的重要代謝數(shù)據(jù)矩陣，結(jié)合分類模型對不同的病人進行分型和分類。優(yōu)選地，步驟1)中代謝組學數(shù)據(jù)的來源為血液、尿液、糞便、汗液、心臟組織、腎臟組織、肝臟組織、胃腸道組織中的一種或多種，所述代謝組學數(shù)據(jù)通過核磁共振波譜儀、液質(zhì)聯(lián)用儀、氣質(zhì)聯(lián)用儀、紅外光譜儀、紫外光譜儀、拉曼光譜儀中的一種或多種得到。優(yōu)選地，步驟2)中具體包括以下步驟：步驟2-1.通過實驗設(shè)計方法選擇不同數(shù)據(jù)前處理方法的組合方式；步驟2-2.分別對步驟1)得到的代謝數(shù)據(jù)矩陣按步驟2-1中的組合方式進行數(shù)據(jù)前處理；步驟2-3.將數(shù)據(jù)前處理后得到的數(shù)據(jù)輸入分類模型，通過實驗設(shè)計方法建立分類模型性能參數(shù)和不同數(shù)據(jù)前處理方法之間的關(guān)系，評價分類模型性能，分析不同前處理對分類模型性能參數(shù)的影響；步驟2-4.通過實驗設(shè)計方法最大化分類模型性能參數(shù)，選擇最佳數(shù)據(jù)前處理方法組合；步驟2-5.采用步驟2-4所得的最佳數(shù)據(jù)前處理方法組合，對步驟1)得到的代謝數(shù)據(jù)矩進行數(shù)據(jù)前處理，輸入分類模型，篩選出對疾病分型分類貢獻最大的代謝物數(shù)據(jù)。優(yōu)選地，步驟4)中具體包括以下步驟：步驟4-1.通過實驗設(shè)計方法選擇不同數(shù)據(jù)前處理的組合方式；步驟4-2.將步驟3)得到的代謝數(shù)據(jù)矩陣按步驟4-1中的組合方式進行數(shù)據(jù)前處理；步驟4-3.將數(shù)據(jù)前處理后得到的數(shù)據(jù)輸入分類模型，通過實驗設(shè)計方法建立分類模型性能參數(shù)和不同數(shù)據(jù)前處理方法之間的關(guān)系，評價分類模型性能，分析不同前處理對分類模型性能參數(shù)的影響；步驟4-4.將步驟3)得到的代謝數(shù)據(jù)矩陣按步驟4-3優(yōu)化的最佳前處理方案進行數(shù)據(jù)前處理，輸入分類模型，建立基于代謝組學數(shù)據(jù)的病人分類模型。優(yōu)選地，所述實驗設(shè)計方法為響應(yīng)面分析、混合設(shè)計、d優(yōu)化設(shè)計、拉丁方設(shè)計、交叉設(shè)計、配對設(shè)計、析因設(shè)計中的一種或多種。優(yōu)選地，所述數(shù)據(jù)前處理方法為歸一化、標準化、數(shù)據(jù)轉(zhuǎn)置、數(shù)據(jù)縮放、數(shù)據(jù)平滑、數(shù)據(jù)集成中的一種或多種。優(yōu)選地，分類模型為線性判別分析模型、偏最小二乘判別分析模型、人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機模型、隨機森林模型、決策樹模型、模糊聚類分析模型中的一種或多種。優(yōu)選地，評價分類模型性能通過擬合系數(shù)、預(yù)測性能、分類準確率、p值、受試者工作特征(roc)曲線中的一種或多種。優(yōu)選地，對疾病分型分類貢獻最大的代謝物數(shù)據(jù)根據(jù)分類模型輸出的每個代謝物的權(quán)重或者貢獻度，自定義設(shè)置閾值進行篩選。本發(fā)明的有益效果如下：融合不同來源的代謝組學數(shù)據(jù)，可以增加數(shù)據(jù)信息量，提高對疾病的分型和分類準確性，能夠輔助醫(yī)生更加精準地為病人制定個性化治療方案。本發(fā)明與現(xiàn)有方法相比，具有以下優(yōu)點：(1)數(shù)據(jù)前處理對于代謝組學數(shù)據(jù)分析至關(guān)重要，但是面對多種多樣的前處理方法，逐一嘗試必將費時費力，而且不同前處理方法間還存在交互效應(yīng)，因此，運用傳統(tǒng)的方法難以確定最佳的數(shù)據(jù)前處理方案。本發(fā)明利用實驗設(shè)計方法設(shè)計不同前處理組合方案，一方面節(jié)省優(yōu)化時間，另一方面還考慮不同方法之間的交互效應(yīng)。(2)本發(fā)明以分類模型性能為導向，利用實驗設(shè)計方法建立與不同數(shù)據(jù)前處理方法間的關(guān)系，通過最大化分類模型性能參數(shù)確定最佳數(shù)據(jù)前處理方案。與傳統(tǒng)方法相比，本發(fā)明提出的方法可以更加準確更有目的性地優(yōu)化代謝組學數(shù)據(jù)前處理方案。(3)本發(fā)明首先優(yōu)化不同來源的代謝組學數(shù)據(jù)的前處理方案，并通過分類模型篩選重要代謝物，最后融合篩選出的重要代謝物。與簡單地將不同來源數(shù)據(jù)疊加的方法相比，本發(fā)明提出的方法融合關(guān)鍵數(shù)據(jù)信息并濾去無用信息，從而降低數(shù)據(jù)維度，提高分類模型的運算速度。(4)本發(fā)明還優(yōu)化了融合后代謝組學數(shù)據(jù)的最佳前處理方案，更進一步提高分類模型的性能。(5)可以根據(jù)本發(fā)明，編輯程序并開發(fā)相應(yīng)的軟件來實施。附圖說明圖1為本發(fā)明所提出的代謝組學數(shù)據(jù)融合優(yōu)化處理方法的示意流程圖。圖2為不同來源的代謝組學數(shù)據(jù)轉(zhuǎn)換成的代謝數(shù)據(jù)矩陣統(tǒng)一格式。圖3為基于分類模型的重要代謝物的選擇，其中貢獻度值大于2.0的代謝物作為重要代謝物。具體實施方式下面結(jié)合附圖對本發(fā)明的實施方式進行詳細描述。圖1展示本發(fā)明所提出的一種代謝組學數(shù)據(jù)融合優(yōu)化處理方法的示意流程圖。參考圖1，該方法包括：步驟1：將關(guān)于多個病人的不同來源的代謝組學數(shù)據(jù)分別轉(zhuǎn)換成矩陣。不同來源的代謝組學數(shù)據(jù)可以是來源于不同的生物樣品，比如血液、尿液、糞便、汗液、心臟組織、腎臟組織、肝臟組織、胃腸道組織，也可以是來源于不同的分析技術(shù)，比如核磁共振波譜儀、液質(zhì)聯(lián)用儀、氣質(zhì)聯(lián)用儀、紅外光譜儀、紫外光譜儀、拉曼光譜儀。但是，這些數(shù)據(jù)都要分別轉(zhuǎn)換成統(tǒng)一的矩陣格式，如圖2所示，每一行是一個病人的相關(guān)信息，其中第一列為病人編號，第二列為病人分組，之后為代謝物數(shù)據(jù)。步驟2：利用實驗設(shè)計方法分別優(yōu)化不同來源的代謝組學數(shù)據(jù)最佳前處理方法，結(jié)合分類模型找出貢獻較大的代謝物數(shù)據(jù)。實驗設(shè)計方法可以根據(jù)具體實際情況選擇不同方法，比如響應(yīng)面分析、混合設(shè)計、d優(yōu)化設(shè)計、拉丁方設(shè)計、交叉設(shè)計、配對設(shè)計、析因設(shè)計；另外，數(shù)據(jù)前處理方法也可以根據(jù)實際情況選擇使用，比如歸一化、標準化、數(shù)據(jù)轉(zhuǎn)置、數(shù)據(jù)縮放、數(shù)據(jù)平滑、數(shù)據(jù)集成。步驟2具體包括以下步驟：步驟2-1：通過實驗設(shè)計方法選擇不同數(shù)據(jù)前處理的組合方式。例如，優(yōu)化3種不同的數(shù)據(jù)前處理方法的組合方案，每種前處理方法考慮3種不同的計算方式，即歸一化(a1,b1和c1)、數(shù)據(jù)轉(zhuǎn)置(a2,b2和c2)以及數(shù)據(jù)縮放(a3,b3和c3)。采用傳統(tǒng)的正交實驗，27種不同的組合方案需要被嘗試，但是假如選用實驗設(shè)計方法，比如d優(yōu)化設(shè)計，只需嘗試7次不同的數(shù)據(jù)前處理組合方案，如表1所示。表1不同數(shù)據(jù)前處理的組合方式前處理組合歸一化(f1)數(shù)據(jù)轉(zhuǎn)置(f2)數(shù)據(jù)縮放(f3)模型性能參數(shù)(p)1c1b2a3n12c1a2b3n23b1c2c3n34b1b2b3n45b1a2a3n56a1c2b3n67a1a2c3n7步驟2-2：分別對不同來源的代謝組學數(shù)據(jù)按步驟2-1中的方式進行數(shù)據(jù)前處理。步驟2-3：將前處理后的數(shù)據(jù)輸入分類模型，分析不同前處理對分類模型性能參數(shù)的影響。如表1所示，經(jīng)不同數(shù)據(jù)前處理組合方案處理過的數(shù)據(jù)會產(chǎn)生不同的分類模型性能參數(shù)。例如，通過實驗設(shè)計方法建立分類模型性能參數(shù)(p)和不同數(shù)據(jù)前處理方法(f1,f2和f3)之間的關(guān)系，如公式1所示，其中α、β、γ、δ、θ和μ表示模型系數(shù)，ε表示模型殘差，f1·f2、f1·f3和f2·f3表示不同數(shù)據(jù)前處理方法之間的交互效應(yīng)，該公式中的數(shù)據(jù)前處理方法可以是歸一化、標準化、數(shù)據(jù)轉(zhuǎn)置、數(shù)據(jù)縮放、數(shù)據(jù)平滑、數(shù)據(jù)集成中的多種組合。分類模型也可以根據(jù)實際情況選擇使用，比如線性判別分析模型、偏最小二乘判別分析模型、人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機模型、隨機森林模型、決策樹模型、模糊聚類分析模型；另外，模型性能評價可以選擇擬合系數(shù)、預(yù)測性能、分類準確率、p值、受試者工作特征(roc)曲線。公式1p＝α·f1+β·f2+γ·f3+δ·(f1·f2)+θ·(f1·f3)+μ·(f2·f3)+ε步驟2-4：通過實驗設(shè)計方法最大化分類模型性能參數(shù)，選擇最佳數(shù)據(jù)前處理方法組合，如公式2所示，其中α、β、γ、δ、θ和μ表示模型系數(shù)，ε表示模型殘差，f1·f2、f1·f3和f2·f3表示不同數(shù)據(jù)前處理方法之間的交互效應(yīng)，該公式中的數(shù)據(jù)前處理方法可以是歸一化、標準化、數(shù)據(jù)轉(zhuǎn)置、數(shù)據(jù)縮放、數(shù)據(jù)平滑、數(shù)據(jù)集成中的多種組合，max表示最大化運算命令。公式2max(p)＝α·p1+β·p2+γ·p3+δ·(p1·p2)+θ·(p1·p3)+μ·(p2·p3)+ε步驟2-5：采用步驟2-4優(yōu)化所得的最佳數(shù)據(jù)前處理方法組合，對代謝組學數(shù)據(jù)進行前處理，輸入分類模型，篩選出對疾病分型分類貢獻最大的代謝物數(shù)據(jù)。貢獻最大的代謝物數(shù)據(jù)可以根據(jù)分類模型輸出的每個代謝物的權(quán)重或者貢獻度，自定義設(shè)置閾值進行篩選。例如，如圖3所示，貢獻度值大于2.0的代謝物作為重要代謝物被篩選，進行下一步的數(shù)據(jù)融合。步驟3：將從不同來源的代謝組學數(shù)據(jù)中篩選出的重要代謝物數(shù)據(jù)轉(zhuǎn)換成同一個矩陣。步驟4：再次利用實驗設(shè)計方法優(yōu)化融合后的代謝組學數(shù)據(jù)最佳前處理方法，結(jié)合分類模型對不同的病人進行分型和分類，為醫(yī)生制定個性化的治療策略提供參考，具體包括以下步驟：步驟4-1：通過實驗設(shè)計方法選擇不同數(shù)據(jù)前處理的組合方式，同步驟2-1。步驟4-2：將融合后的代謝組學數(shù)據(jù)按步驟4-1的方式進行數(shù)據(jù)前處理。步驟4-3：將前處理后的數(shù)據(jù)輸入分類模型，并通過實驗設(shè)計方法確定最佳數(shù)據(jù)前處理方案，同步驟2-3。步驟4-4：將融合后的代謝組學數(shù)據(jù)按步驟4-3優(yōu)化的最佳前處理方案進行數(shù)據(jù)前處理，輸入分類模型，建立基于代謝組學數(shù)據(jù)的病人分類模型。本領(lǐng)域技術(shù)人員可以根據(jù)上述方法，編輯程序并開發(fā)相應(yīng)的軟件來實施。融合不同來源的代謝組學數(shù)據(jù)，可以增加數(shù)據(jù)信息量，提高對疾病的分型和分類準確性，能夠輔助醫(yī)生更加精準地為病人制定個性化治療方案。本發(fā)明的實施方式與現(xiàn)有方法相比，具有以下優(yōu)點：優(yōu)點1：數(shù)據(jù)前處理對于代謝組學數(shù)據(jù)分析至關(guān)重要，但是面對多種多樣的前處理方法，逐一嘗試必將費時費力，而且不同前處理方法間還存在交互效應(yīng)，因此，運用傳統(tǒng)的方法難以確定最佳的數(shù)據(jù)前處理方案。本發(fā)明利用實驗設(shè)計方法設(shè)計不同前處理組合方案，一方面節(jié)省優(yōu)化時間，另一方面還考慮不同方法之間的交互效應(yīng)。優(yōu)點2：本發(fā)明以分類模型性能為導向，利用實驗設(shè)計方法建立與不同數(shù)據(jù)前處理方法間的關(guān)系，通過最大化分類模型性能參數(shù)確定最佳數(shù)據(jù)前處理方案。與傳統(tǒng)方法相比，本發(fā)明提出的方法可以更加準確更有目的性地優(yōu)化代謝組學數(shù)據(jù)前處理方案。優(yōu)點3：本發(fā)明首先優(yōu)化不同來源的代謝組學數(shù)據(jù)的前處理方案，并通過分類模型篩選重要代謝物，最后融合篩選出的重要代謝物。與簡單地將不同來源數(shù)據(jù)疊加的方法相比，本發(fā)明提出的方法融合關(guān)鍵數(shù)據(jù)信息并濾去無用信息，從而降低數(shù)據(jù)維度，提高分類模型的運算速度。優(yōu)點4：本發(fā)明還優(yōu)化了融合后代謝組學數(shù)據(jù)的最佳前處理方案，更進一步提高分類模型的性能。本領(lǐng)域的技術(shù)人員可以理解，雖然本申請是通過描述具體實施方式來闡述本發(fā)明，但是實施方式中一些具體的方法是非限制性的，，比如實驗設(shè)計方法、前處理方法、分類模型、模型性能評價標準、代謝物篩選標準等，可以根據(jù)具體需求和條件進行修改和替換。當前第1頁12