买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏和福生物科技有限公司

摘要：本发明公开了一种基于肿瘤分子诊断知识库的肿瘤突变分析方法，涉及肿瘤突变分析技术领域，该分析方法包括以下步骤：提取肿瘤基因组图谱内关于miRNA与甲基化的信息数据搭建诊断知识库；通过诊断知识库获取表达谱，并进行差异表达与相关性分析处理明确肿瘤组与正常对照组之间的差异表达与相关性；根据差异表达与相关性分析结果建立肿瘤状态判断模型判断肿瘤突变的风险概率；若风险概率高于预设值则停止突变分析并判定为已产生肿瘤突变；通过诊断知识库获取甲基化芯片数据构建肿瘤突变预测模型；将实时诊断数据输入至肿瘤突变预测模型中，并根据预测结果建立图对比分析图。本发明能够直观地进行肿瘤突变分析，提升了肿瘤突变诊断的效率。

主权项：1.一种基于肿瘤分子诊断知识库的肿瘤突变分析方法，其特征在于，该基于肿瘤分子诊断知识库的肿瘤突变分析方法包括以下步骤：S1、提取肿瘤基因组图谱内关于miRNA与甲基化的信息数据，并采集相应的临床数据连同提取数据进行分类存储搭建诊断知识库；S2、通过诊断知识库获取肿瘤组与正常对照组的miRNA表达谱，并进行差异表达与相关性分析处理明确肿瘤组与正常对照组之间的差异表达与相关性；S3、根据差异表达与相关性分析结果建立肿瘤状态判断模型，并将实时诊断数据的miRNA表达谱输入至判断模型内判断肿瘤突变的风险概率；S4、若风险概率低于预设值则继续执行步骤S5，若风险概率高于预设值则停止突变分析并判定为已产生肿瘤突变；S5、通过诊断知识库获取甲基化芯片数据进行肿瘤组织分解估计，并根据估计结果结合预测算法构建肿瘤突变预测模型；S6、将实时诊断数据输入至肿瘤突变预测模型中，并根据预测结果建立图对比分析图判断突变程度；所述通过诊断知识库获取肿瘤组与正常对照组的miRNA表达谱，并进行差异表达与相关性分析处理明确肿瘤组与正常对照组之间的差异表达与相关性包括以下步骤：S21、从诊断知识库中获取肿瘤组和正常对照组的miRNA表达数据，并对获取到的数据进行规范化处理；S22、根据高度稳定策略筛选正常对照组的miRNA表达谱的稳定基因对，并将筛选出的稳定基因对在肿瘤组内寻找逆转基因对，所述逆转基因对表示与稳定基因对中的miRNA表达谱相比，在肿瘤组内miRNA表达谱发生改变的基因对；S23、根据变异表达的原理判断肿瘤组与正常对照组的miRNA表达谱的差异表达；S24、通过相关性算法对差异表达的逆转基因对进行相关性分析，寻找表达模式相似的miRNA表达谱；所述根据差异表达与相关性分析结果建立肿瘤状态判断模型，并将实时诊断数据的miRNA表达谱输入至判断模型内判断肿瘤突变的风险概率包括以下步骤：S31、获取差异表达与相关性分析结果得到miRNA基因结果，并采用特征选择算法选择miRNA基因结果内的特征值；S32、采用混合推荐算法对特征值进行加权融合，并通过混合算法寻找融合后的特征值中的最优权值，生成最终的特征预测矩阵；S33、根据特征预测矩阵构建肿瘤判断模型，并提取实时诊断数据内的miRNA表达谱输入至判断模型内；S34、判断模型根据输入的miRNA表达谱数据，输出肿瘤突变的判断结果，并根据判断结果分析肿瘤状态；所述采用混合推荐算法对特征值进行加权融合，并通过混合算法寻找融合后的特征值中的最优权值，生成最终的特征预测矩阵包括以下步骤：S321、对特征值与miRNA基因结果进行整合并建立特征值-基因结果矩阵，并对矩阵的相似程度进行计量构建相似度矩阵完成初次加权；S322、将相似度矩阵分解为特征值与基因结果两个低维矩阵，并对低维矩阵进行训练相乘，得到新的判断特征完成加权的操作；S323、采用混合算法生成寻优解模拟miRNA在判断特征的位置，并预设适应值寻找当前判断特征内的最优值；S324、利用模拟miRNA模拟不断更新判断特征的最优值，直至收敛得到最终全局的最优权值生成最终的特征预测矩阵；所述通过诊断知识库获取甲基化芯片数据进行肿瘤组织分解估计，并根据估计结果结合预测算法构建肿瘤突变预测模型包括以下步骤：S51、通过诊断知识库获取肿瘤组的DNA甲基化芯片数据，并利用分解法对芯片数据内的肿瘤组织进行分解估计；S52、将估计得到的肿瘤组织中各细胞类型的所占比例和细胞类型特异性的甲基化位点作为生物标志物；S53、将生物标志物作为输入并结合预测算法构建肿瘤突变预测模型；所述通过诊断知识库获取肿瘤组的DNA甲基化芯片数据，并利用分解法对芯片数据内的肿瘤组织进行分解估计包括以下步骤：S511、明确数据的获取需求，在诊断知识库内搜索所需数据提取DNA甲基化芯片数据备用；S512、对DNA甲基化芯片数据采用分解法得到细胞类型，并将细胞种类输入至差分整合算法中得到种类分量；S513、将种类分量和原始细胞类型作差，得到固有细胞类型，采用随机投影方式对固有细胞类型进行降维处理；S514、对降维完成的固有细胞类型进行数值分解并对分解值加入高斯噪声，通过分解逆运算法生成各固有细胞类型的所占比例；S515、将固有细胞类型与所占比例进行收集存储完成肿瘤组织的分解估计；所述对DNA甲基化芯片数据采用分解法得到细胞类型，并将细胞种类输入至差分整合算法中得到种类分量包括以下步骤：S5121、预先设定分解法的分解幅度与分解次数，定义给定幅度的噪声序列，并将噪声序列添加至DNA甲基化芯片数据中；S5122、采用模态分解将含有噪声序列的DNA甲基化芯片数据分解为若干个分解值，并求解分解值的整体平均值作为最终的细胞类型；S5123、求解细胞类型的自相关图与偏相关图，估计差分整合算法内自回归系数与平均项数的取值，根据自回归系数与平均项数的取值构建模型得到差分整合算法；S5124、将细胞类型作为输入利用差分整合算法进行分析提取细胞类型的种类分量反应各细胞类型在肿瘤组织内的相对比例；所述将生物标志物作为输入并结合预测算法构建肿瘤突变预测模型包括以下步骤：S531、提取生物标志物中表征细胞类型特异性的数据，并分析特异性数据与生物标志物的相关程度作为突变因子；S532、获取突变因子进行预处理，并引用优化算法优化极限学习机模型参数；S533、将优化完成的参数与突变因子作为输入发送至深度极限学习机进行训练构建肿瘤突变预测模型。

全文数据：

权利要求：

百度查询： 江苏和福生物科技有限公司 一种基于肿瘤分子诊断知识库的肿瘤突变分析方法