【技术实现步骤摘要】
本申请涉及医学、生物学及生物信息学的，特别是涉及一种基于菌属特征的自闭症风险预测方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、自闭症谱系障碍（autism spectrum disorder，asd），是一类以严重孤独、缺乏情感反应、语言发育障碍、刻板重复动作等反应为特征的发育障碍疾病。随着近十年高通量测序技术的进步，让肠道微生物组的分析更加便捷，大量研究揭示了肠道菌群与健康之间的关联，肠道菌群及其代谢物作为大脑发育和行为的关键调节器，影响着我们大脑的功能及情绪和行为，反之亦然。也就是说，在我们的中枢神经系统和肠道菌群之间存在双向交流，这就是肠脑轴。肠道菌群与焦虑、抑郁、精神分裂，以及自闭症相关，针对肠道菌群的疗法也成了一个不断增长的科研热点。
2、传统的针对自闭症的风险等级的预测方法，主要是检测个别特异性菌种的丰度和多样性指数是否在正常范围内用于判断自闭症风险，来进行风险等级划分，但由于影响肠道菌群的因素很多，个体差异非常大，单个指标的正常范围有很大波动，导致有较大概率出现每个指标都落在正常范围的假阴性结果，或者仅单个指标异常的假阳性结果，从而导致传统的针对自闭症的风险等级的预测准确率较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提升针对自闭症的风险等级的预测准确率的基于菌属特征的自闭症风险预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种基于菌属特征的自闭症风险预测
3、获取目标对象中目标部位分布的针对目标菌属的菌属样本数据；所述目标菌属包括与自闭症患者相关联的菌属；
4、根据所述菌属样本数据的香农多样性指数、所述菌属样本数据中各所述目标菌属的丰度值，确定所述菌属样本数据对应的特征向量；
5、将所述菌属样本数据对应的特征向量输入到预训练的自闭症概率预测模型；所述自闭症概率预测模型用于输出与所述菌属样本数据对应的自闭症预测概率值；
6、根据所述自闭症预测概率值和预设的风险等级划分规则，确定所述目标对象对应的自闭症风险等级；所述自闭症风险等级包括所述目标对象出现自闭症症状的风险概率所处的级别。
7、在其中一个实施例中，所述方法还包括：
8、获取训练样本数据集；
9、根据所述预训练的自闭症概率预测模型，预测得到所述训练样本数据集中各样本数据的所述自闭症预测概率值；
10、根据所述各样本数据的所述自闭症预测概率值和所述训练样本数据集中各样本数据的组别标签，分别确定健康组和患者组的概率分布曲线；
11、根据所述健康组和患者组的概率分布曲线，确定所述风险等级划分规则。
12、在其中一个实施例中，所述根据所述健康组和患者组的概率分布曲线，确定所述风险等级划分规则，包括：
13、获取所述健康组和患者组的概率分布曲线的交叉点的第一概率值；
14、获取所述健康组和患者组的概率分布曲线的第二概率值；所述第二概率值包括同一概率值的情况下所述健康组的概率密度值为所述患者组的概率密度值的预设倍数的概率值；
15、根据所述第一概率值和所述第二概率值，确定所述风险等级划分规则。
16、在其中一个实施例中，所述根据所述自闭症预测概率值和预设的风险等级划分规则，确定所述目标对象对应的自闭症风险等级，包括：
17、在所述自闭症预测概率值小于或者等于所述第一概率值的情况下，确定所述自闭症风险等级为第一等级；
18、在所述自闭症预测概率值大于所述第一概率值，且小于所述第二概率值的情况下，确定所述自闭症风险等级为第二等级；
19、在所述自闭症预测概率值大于或者等于所述第二概率值的情况下，确定所述自闭症风险等级为第三等级。
20、在其中一个实施例中，所述方法还包括：
21、获取训练样本数据集，并确定所述训练样本数据集中各菌属的丰度值；
22、根据所述各菌属的丰度值的差异特征，确定所述目标菌属；
23、根据所述训练样本数据集中各目标菌属的香农多样性指数、所述训练样本数据集中各菌属的丰度值，确定所述训练样本数据集中各样本数据对应的特征向量；
24、基于所述训练样本数据集中各样本对应的特征向量和组别标签，利用k折交叉验证的方法对初始化的自闭症概率预测模型进行训练，得到所述预训练的自闭症概率预测模型。
25、在其中一个实施例中，所述基于所述训练样本数据集中各样本对应的特征向量和组别标签，利用k折交叉验证的方法对初始化的自闭症概率预测模型进行训练，得到所述预训练的自闭症概率预测模型，包括：
26、将所述训练样本数据集划分为k个不相交的子集；
27、将k个所述子集中的一个作为测试集，剩余k-1个作为训练集；
28、根据所述训练集对初始化的自闭症概率预测模型进行训练，并根据所述测试集对每次训练后的模型进行测试，得到每次训练的分类结果指标；
29、在所述每次训练的分类结果指标的平均值作满足预设指标阈值的情况下，结束模型训练，并将训练后的模型作为所述预训练的自闭症概率预测模型。
30、第二方面，本申请还提供了一种基于菌属特征的自闭症风险预测装置。所述装置包括：
31、菌属样本数据获取模块，用于获取目标对象中目标部位分布的针对目标菌属的菌属样本数据；所述目标菌属包括与自闭症患者相关联的菌属；
32、特征向量确定模块，用于根据所述菌属样本数据的香农多样性指数、所述菌属样本数据中各所述目标菌属的丰度值，确定所述菌属样本数据对应的特征向量；
33、概率预测模块，用于将所述菌属样本数据对应的特征向量输入到预训练的自闭症概率预测模型；所述自闭症概率预测模型用于输出与所述菌属样本数据对应的自闭症预测概率值；
34、等级确定模块，用于根据所述自闭症预测概率值和预设的风险等级划分规则，确定所述目标对象对应的自闭症风险等级；所述自闭症风险等级包括所述目标对象出现自闭症症状的风险概率所处的级别。
35、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
36、获取目标对象中目标部位分布的针对目标菌属的菌属样本数据；所述目标菌属包括与自闭症患者相关联的菌属；
37、根据所述菌属样本数据的香农多样性指数、所述菌属样本数据中各所述目标菌属的丰度值，确定所述菌属样本数据对应的特征向量；
38、将所述菌属样本数据对应的特征向量输入到预训练的自闭症概率预测模型；所述自闭症概率预测模型用于输出与所述菌属样本数据对应的自闭症预测概率值；
39、根据所述自闭症预测概率值和预设的风险等级划分规则，确定所述目标对象对应的自闭症风险等级；所述自闭症风险本文档来自技高网...
【技术保护点】
1.一种基于菌属特征的自闭症风险预测装置，其特征在于，所述装置包括：
2.根据权利要求1所述的装置，其特征在于，所述装置还用于：
3.根据权利要求2所述的装置，其特征在于，所述风险等级划分规则确定模块包括：
4.根据权利要求3所述的装置，其特征在于，所述等级确定模块包括：
5.根据权利要求1所述的装置，其特征在于，所述装置还包括：
6.根据权利要求5所述的装置，其特征在于，所述模型训练模块，包括：
7.根据权利要求1所述的装置，其特征在于，所述目标菌属包括：Veillonella、Ruminococcus、Streptococcus、Bacteroides、Clostridium、Haemophilus、Lachnoclostridium、Roseburia、Dorea、Megamonas、Bifidobacterium、Faecalibacterium、Coprococcus、Blautia、Prevotella、Dialister、Desulfovibrio、Lachnospira。
8.一种
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于菌属特征的自闭症风险预测方法的步骤，所述方法包括：
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现基于菌属特征的自闭症风险预测方法的步骤，所述方法包括：
...【技术特征摘要】
1.一种基于菌属特征的自闭症风险预测装置，其特征在于，所述装置包括：
2.根据权利要求1所述的装置，其特征在于，所述装置还用于：
3.根据权利要求2所述的装置，其特征在于，所述风险等级划分规则确定模块包括：
4.根据权利要求3所述的装置，其特征在于，所述等级确定模块包括：
5.根据权利要求1所述的装置，其特征在于，所述装置还包括：
6.根据权利要求5所述的装置，其特征在于，所述模型训练模块，包括：
7.根据权利要求1所述的装置，其特征在于，所述目标菌属包括：veillonella、ruminococcus、streptococcus、bacteroides、clostridium、haemophilus、lachnoclostridium、rosebur...
【专利技术属性】
技术研发人员：刘晶星，黄平，林华明，曾莉，苏展勤，吴渊源，赵静，
申请(专利权)人：广州达安临床检验中心有限公司，
类型：发明
国别省市：
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。