【技术实现步骤摘要】
本专利技术涉及生物学领域，尤其涉及一种基于异质性的细胞代谢网络建模方法及其应用。
技术介绍
1、合成生物学是生物科学近年来兴起的新兴领域，近年来合成生物的研究进展很快。合成生物学与传统生物学通过解剖生命体以研究其内在构造的办法不同，合成生物学的研究策略是相反的，它是从最基本的要素开始一步步建立生物体系，从而揭示生物的内部运行规律。
2、同时，合成生物学作为一门科学领域，也能够针对特定目的重新设计有机体，赋予其新的能力。世界各地的合成生物学研究人员和公司致力于解决医学、制造业和农业方面的问题。现阶段，合成生物学应用技术开发的模式很大程度上仍然是一个反复试错的过程，涉及设计-建造-测试-学习(dbtl)循环的多次迭代，该循环时间较长，迭代较慢，严重制约了合成生物学的应用。dbtl循环之所以缓慢和低效的一个重要原因在于其学习步骤的低效率。这是因为可供使用的学习数据量少，数据采集成本高通量低，无法全面准确的反映与复杂的代谢网络的特性。这同时也从根本上限制了先进的人工智能方法的应用。
3、异质性(heterogeneity)是一个普遍存在的生物学现象。多细胞生物个体由多种形态功能不同的细胞组成，多种类型细胞有序地结合在一起，形成了组织和器官。在疾病发生的情况下，异常的细胞常常藏匿于正常细胞之中。同样地，对于微生物而言，由同一祖先细胞繁殖形成的培养物(菌落或生物膜)中的微生物细胞之间也具有异质性。微生物种群内的这种细胞的异质性分化是由多种原因早成的，不仅有表观遗传学的差异，还有通过细胞间的遗传物质交换以及细胞内的自发
4、因此，本领域的技术人员致力于开发一种基于异质性的细胞代谢网络建模方法及其应用，具有数据量大、采集通量高的特点，能直接对复杂代谢网络进行基于数据和ai的解析与学习，从而建立可计算、可预测的细胞模型，进而能够对细胞进行生理响应预测和理性设计。
技术实现思路
1、为实现上述目的，本专利技术提供了一种基于异质性的细胞代谢网络建模方法，包括以下步骤：
2、基于异质性采集单细胞数据；
3、处理所述单细胞数据；
4、基于人工智能构建细胞代谢模型。
5、进一步地，在采集所述单细胞数据时，基于所述异质性的不同维度采集所述单细胞数据。
6、进一步地，选取单细胞转录组、单细胞蛋白质组、单细胞代谢组中的一个或多个采集所述单细胞数据。
7、进一步地，利用单细胞数据采集平台采集所述单细胞转录组的数据。
8、进一步地，使用细胞壁消化酶对单细胞进行细胞裂解，然后使用所述单细胞数据采集平台对逆转录后的细胞内容物进行数据采集。
9、进一步地，利用单细胞数据采集平台或质谱成像设备采集所述单细胞蛋白组的数据。
10、进一步地，利用所述质谱成像设备采集所述单细胞蛋白组的数据包括：将单细胞稀释后，置于导电玻片上，进行显微拍照，使用所述质谱成像设备采集数据。
11、进一步地，利用单细胞数据采集平台或质谱成像设备采集所述单细胞代谢组的数据。
12、进一步地，利用所述质谱成像设备采集所述单细胞蛋白组的数据的步骤包括：将单细胞稀释后，置于导电玻片上，进行显微拍照，使用所述质谱成像设备采集数据。
13、进一步地，处理所述单细胞数据的步骤包括：
14、生成所述单细胞数据的密集/稀疏数据矩阵；
15、对所述密集/稀疏数据矩阵进行批次校正；
16、对经过校正后的所述密集/稀疏数据矩阵进行细胞群体分析和兴趣指标筛选。
17、进一步地，进行所述细胞群体分析和兴趣指标筛选时，将符合预设条件的单细胞予以保留。
18、进一步地，所述预设条件包括：转录本/蛋白/代谢物表达超过100个特征的细胞，和/或超过1/5细胞共有的转录本/蛋白/代谢物。
19、进一步地，基于人工智能构建细胞代谢模型的步骤包括：
20、选择需要预测的目标物；
21、进行归一化；
22、选择人工智能算法建立针对所述目标物的模型。
23、进一步地，建立针对所述目标物的模型的步骤包括：
24、利用所述人工智能算法建立第一模型，对所述第一模型进行深度学习训练；
25、建立最优化代谢模型。
26、进一步地，在所述深度学习训练之后，使用预留的所述单细胞数据对所述第一模型进行测试。
27、进一步地，建立最优化代谢模型的步骤包括：
28、生成单一预测数据；
29、生成随机预测数据；
30、对所述单一预测数据和所述随机预测数据进行可视化处理；
31、根据所述可视化处理的结果建立所述目标物的所述最优化代谢模型。
32、进一步地，生成所述单一预测数据时，在保持其他数据值不变的前提下对每一条用于预测的数据在预设区间内进行波动。
33、进一步地，使用极坐标以及反映代谢物客观分布的图片对所述单一预测数据和所述随机预测数进行可视化。
34、本专利技术提供的上述细胞代谢网络建模方法可以应用在细胞生理响应预测中，包括以下步骤：
35、给定一组能够代表代谢特征数据组成的特征向量；
36、将所述特征向量输入利用上述细胞代谢网络建模方法建立的细胞代谢模型。
37、本专利技术提供的上述细胞代谢网络建模方法可以应用在细胞设计中，包括以下步骤：
38、生成数据并进行归一化；
39、利用上述细胞代谢网络建模方法建立的细胞代谢模型对所述生成数据进行预测；
40、获取最优化代谢模型。
41、本专利技术克服了目前基于设计-建造-测试-学习循环(dbtl)的合成生物学技术路线中测试数据量少，无法对复杂代谢网络内部关联进行有效学习，进而设计部分缺乏理性基础的缺点。本专利技术提供的方法，具有数据量大、采集通量高的特点，能直接对复杂代谢网络进行基于数据和ai的解析与学习，从而建立可计算、可预测的细胞模型，进而能够对细胞进行生理响应预测和理性设计。
42、以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。
本文档来自技高网...【技术保护点】
1.一种基于异质性的细胞代谢网络建模方法，其特征在于，包括以下步骤：
2.如权利要求1所述的细胞代谢网络建模方法，其特征在于，在采集所述单细胞数据时，基于所述异质性的不同维度采集所述单细胞数据。
3.如权利要求2所述的细胞代谢网络建模方法，其特征在于，选取单细胞转录组、单细胞蛋白质组、单细胞代谢组中的一个或多个采集所述单细胞数据。
4.如权利要求3所述的细胞代谢网络建模方法，其特征在于，利用单细胞数据采集平台采集所述单细胞转录组的数据。
5.如权利要求4所述的细胞代谢网络建模方法，其特征在于，使用细胞壁消化酶对单细胞进行细胞裂解，然后使用所述单细胞数据采集平台对逆转录后的细胞内容物进行数据采集。
6.如权利要求3所述的细胞代谢网络建模方法，其特征在于，利用单细胞数据采集平台或质谱成像设备采集所述单细胞蛋白组的数据。
7.如权利要求6所述的细胞代谢网络建模方法，其特征在于，利用所述质谱成像设备采集所述单细胞蛋白组的数据包括：将单细胞稀释后，置于导电玻片上，进行显微拍照，使用所述质谱成像设备采集数据。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。