【技术实现步骤摘要】
本专利技术涉及医学预测领域，特别涉及一种代谢不健康型肥胖的识别模型构建系统、存储介质及试剂盒及其应用。
技术介绍
1、研究逐渐表明，并非所有肥胖患者都会表现出相同的心血管疾病风险差异。基于这些观察，代谢健康型肥胖（mho）与代谢不健康型肥胖（muo）两个概念应运而生。在合并肥胖的基础上，若出现高血压及糖脂代谢紊乱则被分类为muo，此类患者通常存在内脏脂肪及异位脂肪的沉积，在生理及病理作用下，脂肪组织可分泌大量有害的脂肪因子，广泛参与各种心血管疾病的进展。相对的，mho是一种良性的肥胖，此类患者虽然体重超标，但他们没有明显的代谢紊乱如高血压、高血糖或血脂异常，心血管疾病风险相对较低。而muo患者则伴随着高血压、糖脂代谢紊乱等病症，他们的心血管事件风险显著升高。
2、当前，mho和muo的鉴别诊断主要依赖于检测患者是否已经出现血糖、血压或血脂水平的升高等临床症状。然而，等到这些症状出现时，muo患者的心血管疾病风险已经非常高了。现有的体格检查需要进行多种血液学测量和一系列涉及既往史、用药史的问卷调查，过程繁琐耗时且需要参与者的全程配合，且无法在早期阶段有效识别代谢不健康的状态。
技术实现思路
1、本专利技术的目的在于提供一种代谢不健康型肥胖的识别模型构建系统、存储介质及试剂盒。该代谢不健康型肥胖的识别模型构建系统包括采集模块、特征选择模块、训练模块和识别模块。通过使用特定血浆小分子代谢生物标志物的相对浓度值来构建代谢不健康型肥胖的识别模型，可以在临床症状尚未显现时，对代谢不
2、为解决上述问题，本专利技术提供以下技术方案。
3、在第一方面中，本专利技术提供一种代谢不健康型肥胖的识别模型构建系统，其包括：采集模块、特征选择模块、训练模块和识别模块。在该实施方式中，采集模块用于收集代谢健康型肥胖和代谢不健康型肥胖的各个受试者的血浆样本，从各个血浆样本中获取血浆小分子代谢生物标志物及其相对浓度值。特征选择模块用于基于各个血浆样本中获取血浆小分子代谢生物标志物及其相对浓度值，进行特征选择，以筛选得到用于早期识别的代谢不健康型肥胖的血浆小分子代谢生物标志物，作为特征选择后的血浆小分子代谢生物标志物。训练模块用于基于每个血浆样本中的特征选择后的血浆小分子代谢生物标志物及其相对浓度值，训练用于早期识别的代谢不健康型肥胖的最终的预测模型。识别模块用于获取待检测者的特征选择后的血浆小分子代谢生物标志物及其相对浓度值，将待检测者的特征选择后的血浆小分子代谢生物标志物及其相对浓度值输入所述最终的预测模型，以得到待检测者是否属于代谢不健康型肥胖的预测结果。
4、进一步的，上述代谢不健康型肥胖的识别模型构建系统中，所述采集模块用于获取互不重叠的第一受试者群和第二受试者群，其中，第一受试者群和第二受试者群，均包括互不重叠的代谢健康型肥胖和代谢不健康型肥胖的各个受试者。所述采集模块还可用于收集第一受试者群的第一血浆样本，从各个第一血浆样本中获取血浆小分子代谢生物标志物及其相对浓度值，作为第一集合。采集模块还可用于收集第二受试者群的第二血浆样本，从各个第二血浆样本中获取血浆小分子代谢生物标志物及其相对浓度值，作为测试集。
5、进一步的，上述代谢不健康型肥胖的识别模型构建系统中，特征选择模块用于在r(4.3.1)软件上使用lasso特征选择算法和五折交叉验证对第一集合上的所有血浆小分子代谢生物标志物如303个血浆小分子代谢生物标志物进行特征选择，lasso特征选择算法的实现依赖于glmnet包，其中，glmnet包通过内置程序生成超参数lambda对应的100个值的序列，用于控制l1 正则化对模型系数惩罚的力度，并确定在五折交叉验证中错分率最低时的lambda.min，最终计算得到的lambda.min = 0.02，以lambda.min为标准筛选出代谢物生物标志物。
6、进一步的，上述代谢不健康型肥胖的识别模型构建系统中，特征选择模块，用于将所述第一集合分为5份互不重叠的数据，每次将5份互不重叠的数据中未选取过的1份数据作为内部验证集，并且每次将剩余的4份数据作为训练集；其中，内部验证集和训练集，均包括互不重叠的代谢健康型肥胖和代谢不健康型肥胖的受试者。特征选择模块还可用于基于每次的训练集，在r(4.3.1)软件上使用lasso特征选择算法，循环训练特征选择模型5轮，以得到对应的5个特征选择模型。
7、特征选择模块还可用于对于超参数lambda对应的100个值的序列中每一个值，在每一轮对应的内部验证集输入5个特征选择模型中的对应的一个特征选择模型，分别得到每个值在每个内部验证集上所对应的一个错判率；由每个值对应的5个错判率，得到每个值对应的一个平均错判率；基于所有的值中的最小的平均错判率，选出对应错分率最低时的lambda.min，其中，lambda是超参数之一；基于错分率最低时的lambda.min，得到对应的代谢物标志物，作为特征选择后的血浆小分子代谢生物标志物。
8、进一步的，上述代谢不健康型肥胖的识别模型构建系统中，特征选择后的血浆小分子代谢生物标志物，包括：巯基乙胺 (cysteamine),4-甲基戊醛 (4-methylpentanal),3-羟基丁酸 ((r)-3-hydroxybutyric acid),氨基苯酚 (4-aminophenol),丙酮酸(pyruvic acid),苏氨酸 (l-threonine),琥珀酸酐 (succinic anhydride),苏糖醇 (d-threitol),甘油 (glycerol),亚牛磺酸 (hypotaurine),肌酐 (creatinine),腺嘌呤(adenine),缬氨酸 (l-valine),半胱氨酸 (l-cysteine),异烟酸 (picolinic acid),牛磺酸 (taurine),谷氨酸 (l-glutamic acid),甲硫氨酸 (l-methionine),瓜氨酸(citrulline),葡萄糖 (d-glucose),精氨酸 (l-arginine),抗坏血酸 (ascorbic acid),硫辛酸 (lipoic acid),乙酰肉碱 (propionylcarnitine),甘油磷酸胆碱(glycerophosphocholine),硬脂酸 (stearic acid)和鞘氨醇 (sphingosine)。
9、进一步的，上述代谢不健康型肥胖的识别模型构建系统中，训练模块可用于基于每个血浆样本中的特征选择后的血浆小分子代谢生物标志物及其相对浓度值，训练用于早期识别的代谢不健康型肥胖的预测模型。
10、训练模块还可用于对训练完成的用于早期识别的代谢不健康型肥胖的预测模型，进行性能评估，将性能评估符合预设要求的用于早期识别的代谢不健康型肥胖的预测模型，作为最终的预测模型。
11、进一步的，上述代谢不健康型肥胖的识别模型构建系统中，所述训练模块用于在r(4本文档来自技高网...
【技术保护点】
1.一种代谢不健康型肥胖的识别模型构建系统，其特征在于，包括：
2.如权利要求1所述的代谢不健康型肥胖的识别模型构建系统，其特征在于，所述采集模块，用于获取互不重叠的第一受试者群和第二受试者群，其中，第一受试者群和第二受试者群，均包括互不重叠的代谢健康型肥胖和代谢不健康型肥胖的各个受试者；
3.如权利要求2所述的代谢不健康型肥胖的识别模型构建系统，其特征在于，所述特征选择模块,用于在R软件上使用Lasso特征选择算法和五折交叉验证对第一集合上的所有血浆小分子代谢生物标志物进行特征选择，Lasso特征选择算法的实现依赖于glmnet包，其中，glmnet包通过内置程序生成超参数lambda对应的100个值的序列，用于控制L1 正则化对模型系数惩罚的力度，并确定在五折交叉验证中错分率最低时的lambda.min，最终计算得到的lambda.min，以lambda.min为标准筛选出代谢物生物标志物。
4.如权利要求3所述的代谢不健康型肥胖的识别模型构建系统，其特征在于，所述特征选择模块，用于将所述第一集合分为5份互不重叠的数据，每次将5份互不重叠的
5.如权利要求1所述的代谢不健康型肥胖的识别模型构建系统，其特征在于，所述训练模块,用于基于每个血浆样本中的特征选择后的血浆小分子代谢生物标志物及其相对浓度值，训练用于早期识别的代谢不健康型肥胖的预测模型；对训练完成的用于早期识别的代谢不健康型肥胖的预测模型，进行性能评估，将性能评估符合预设要求的用于早期识别的代谢不健康型肥胖的预测模型，作为最终的预测模型。
6.如权利要求5所述的代谢不健康型肥胖的识别模型构建系统，其特征在于，所述训练模块，用于在R软件上使用弹性网络算法并基于所述第一集合，进行用于早期识别的代谢不健康型肥胖的预测模型的训练，所述弹性网络算法的实现依赖于glmnet包，其中，用于控制L1正则化和L2正则化的比例的ElasticNet算法超参数alpha设置为0.5；用以控制对参数的惩罚力度的s设置为0.01。
7.如权利要求6所述的代谢不健康型肥胖的识别模型构建系统，其特征在于，所述训练模块，用于在R软件上，获取训练好的用于早期识别的代谢不健康型肥胖的预测模型分别在所述第一集合上的识别表现和在测试集上的识别表现；若训练好的用于早期识别的代谢不健康型肥胖的预测模型，在训练集和测试集的识别表现相差小于预设差值阈值，则将训练好的用于早期识别的代谢不健康型肥胖的预测模型，作为最终的预测模型。
8.一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器执行如下步骤：
9.一种用于代谢不健康型肥胖的早期识别的检测试剂盒，其特征在于，所述检测试剂盒包含代谢物生物标志物，该代谢物生物标志物至少包括以下物质：
...【技术特征摘要】
1.一种代谢不健康型肥胖的识别模型构建系统，其特征在于，包括：
2.如权利要求1所述的代谢不健康型肥胖的识别模型构建系统，其特征在于，所述采集模块，用于获取互不重叠的第一受试者群和第二受试者群，其中，第一受试者群和第二受试者群，均包括互不重叠的代谢健康型肥胖和代谢不健康型肥胖的各个受试者；
3.如权利要求2所述的代谢不健康型肥胖的识别模型构建系统，其特征在于，所述特征选择模块,用于在r软件上使用lasso特征选择算法和五折交叉验证对第一集合上的所有血浆小分子代谢生物标志物进行特征选择，lasso特征选择算法的实现依赖于glmnet包，其中，glmnet包通过内置程序生成超参数lambda对应的100个值的序列，用于控制l1 正则化对模型系数惩罚的力度，并确定在五折交叉验证中错分率最低时的lambda.min，最终计算得到的lambda.min，以lambda.min为标准筛选出代谢物生物标志物。
4.如权利要求3所述的代谢不健康型肥胖的识别模型构建系统，其特征在于，所述特征选择模块，用于将所述第一集合分为5份互不重叠的数据，每次将5份互不重叠的数据中未选取过的1份数据作为内部验证集，并且每次将剩余的4份数据作为训练集；其中，内部验证集和训练集，均包括互不重叠的代谢健康型肥胖和代谢不健康型肥胖的受试者；
5.如权利要求1所述的代谢不健康型肥胖的识别模型构建系统，其特征在于，所述训练模块,用于基于每个血浆样本中的特征选择后的血浆小分...
【专利技术属性】
技术研发人员：卜军，陈一凡，黄泓豪，徐伟，
申请(专利权)人：上海交通大学医学院附属仁济医院，
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。