CN116153414A - 基于肠道微生物的宿主生命早期年龄预测模型构建方法 - Google Patents
基于肠道微生物的宿主生命早期年龄预测模型构建方法 Download PDFInfo
- Publication number
- CN116153414A CN116153414A CN202310130546.8A CN202310130546A CN116153414A CN 116153414 A CN116153414 A CN 116153414A CN 202310130546 A CN202310130546 A CN 202310130546A CN 116153414 A CN116153414 A CN 116153414A
- Authority
- CN
- China
- Prior art keywords
- host
- intestinal
- age
- constructing
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供了一种基于肠道微生物的宿主生命早期年龄预测模型构建方法,通过收集涉及生命早期的肠道微生物测序原始数据及其宿主的背景信息,获得构建年龄预测模型的肠道微生物相对丰度信息表,进行微生物特征选择,并构建年龄预测模型验证,利用年龄预测模型对将要预测的样本数据进行年龄预测。本发明基于宿主生命早期肠道微生物群落变化与宿主发育之间的关系,利用肠道微生物在宿主生命早期发挥的重要作用以及不断发育的特点,构建了基于肠道微生物的宿主生命早期年龄预测模型,以及获取在宿主生命早期重要的肠道微生物标志物信息,作为宿主生命早期健康状态评价指标之一;构建的模型预测效果更好、精度越高。
Description
技术领域
本发明涉及肠道微生物研究领域,具体涉及一种宿主年龄预测模型构建方法。
背景技术
肠道微生物与宿主健康之间存在着紧密的关联。一方面,肠道微生物是人体组成不可缺少的部分,不仅帮助人体从食物中吸收营养,还在包括物质代谢、生物屏障、免疫调控和宿主防御等功能上发挥重要的作用。比如,肠道微生物可以间接的影响个体对免疫治疗的反应,定植在肠道黏膜表面的菌群对于宿主免疫***的成熟起着关键作用,表现在肠道菌群及其代谢产物在维持肠道上皮细胞的完整性和刺激免疫耐受性等方面。反过来,宿主不同的健康状态会影响肠道微生物的生活方式,例如宿主免疫***会抑制肠道中导致产生慢性炎症的致病菌的繁衍;宿主在不同年龄阶段的肠道微生物组成也是不一样的,研究表明随着年龄的增长,肠道微生物群落结构会发生显著改变,比如乳酸菌、双歧杆菌等有益菌含量会逐渐减少,而大肠杆菌、产气荚膜梭菌等潜在致病菌含量会逐渐增加,这进一步会影响肠上皮细胞的功能。肠道微生物菌群与宿主存在的共生和协同进化的关系,可以促进宿主免疫***的发育及调节机体免疫***平衡。
随着对肠道微生物研究的不断深入,研究表明从出生到2-3岁阶段,肠道微生物群落结构会发生显著改变,之后微生物会保持相对稳定。Fredrik等人在Cell Host&Microbe发表的研究表明,成年人肠道微生物群中占多数的细菌属都是在发育早期3年内形成的,这表明了肠道微生物群可能在发育早期特别敏感,并会对以后的健康产生深远影响。同样地,Charisse Petersen等人在Cell Reports Medicine上的研究表明了从刚出生到发育至600天的婴儿肠道微生物群落在不断的成熟,同时还发现发育过程中肠道微生物多样性的降低与后期宿主发生过敏症状具有显著的相关性。Advanced Experimental MedicalBiology上发表的一篇研究综述表明,生命最初1000天是人体肠道微生物定植与成型的关键时期,也是免疫***发展与成熟的关键时间,会深刻地影响宿主今后的代谢能力、免疫功能和微生物组成。以上这些研究结果都充分表明了肠道微生物在宿主生命早期的重要性。
到目前为止,一些现有技术在利用肠道微生物构建宿主生命早期年龄预测模型还存在着不足,比如CN113574604A发明申请构建的人类微生物组的衰老标记物和微生物组的衰老时钟模型方法,只针对15到90岁宿主个体,不适用宿主在生命早期的预测;比如CN114093515A发明申请提供了一种基于肠道菌群预测模型集成学习的年龄预测方法,但是没有对宿主个体的年龄做区分判定,根据生命早期(0-3岁)和后期年龄阶段肠道微生物显著不同的研究,该技术可能对于生命早期的年龄预测具有偏差性,并且模型预测性能不足60%;而CN111128378A发明申请,虽然提供了一种用于评估婴幼儿肠道菌群发育年龄的预测方法,但是没有提供明确的肠道微生物标志物信息,也没有提供预测模型的准确度和其他评估指标,没有较高的可利用性。
发明内容
发明目的:针对现有技术的不足,本发明提供了一种基于肠道微生物的宿主生命早期年龄预测模型构建方法,解决了现有技术中缺乏宿主早期生命预测研究、构建模型数据集小以及模型预测性能不足等问题。
技术方案:为了解决上述技术问题,本发明一种基于肠道微生物的宿主生命早期年龄预测模型构建方法,包括以下步骤:
步骤一,收集涉及生命早期的肠道微生物测序原始数据及其宿主的背景信息;
步骤二,对原始数据进行分析整合,获得最终构建年龄预测模型的肠道微生物相对丰度信息表;
步骤三,肠道微生物特征选择,构建年龄预测模型并验证;
步骤四,利用年龄预测模型对将要预测的样本数据进行年龄预测。
进一步,步骤一通过关键词检索相关文献,关键词包括infant gut microbiota、16S rRNA,对初步收集获得的文献进行筛选,过滤没有BioProject信息、肠道微生物数据测序数据集不公开、测序样本来源为非肠道和宿主年龄信息不明确的样本,留下的样本根据文献中的BioProject信息,在数据库检索获取对应样本肠道微生物测序数据批量进行下载。
进一步,步骤一利用关键词在数据库检索,关键词包括infant gut microbiota、16S rRNA,在数据库检索直接获取项目的BioProject信息、宿主信息以及测序数据,过滤测序样本来源为非肠道和没有宿主年龄信息的样本,批量下载原始测序数据。
更进一步,所述数据库包括NCBI的SRA数据库或ENA数据库。
进一步,步骤二对原始数据进行分析整合:首先删除年龄在1000天以上的样本,其次转换不同样本的年龄信息单位统一为月;其次对原始测序数据进行分析处理,先使用Trimmomatic对原始测序数据进行初步质量控制,包括去除接头序列和低质量序列,为了避免后续不同项目整合分析受到测序深度的影响,去除了质控后序列数目小于20000的样本;对质量控制后的高质量序列进行后续分析,最终获得了肠道微生物的相对丰度信息表。
更进一步,所述后续分析包括DADA2分析流程、QIIME2分析流程或USEARCH的OTU分析流程,所述DADA2分析流程包括dada2降噪处理、嵌合体序列去除、ASV序列以及样本组成表生成和数据库物种注释分析。
更进一步,物种注释分析的数据库包括SILVA数据库、Greengenes数据库或RDP数据库。
进一步,步骤三利用肠道微生物相对丰度表以及对应的宿主年龄信息来构建年龄预测模型:
①根据随机抽样的原理,按照比例构建年龄预测模型的训练集和测试集,利用训练集构建随机森林模型,默认生成500棵决策树,并用测试集对构建好的模型进行评估;
②对于构建好的随机森林模型,利用随机森林模型中importance函数功能评估模型中微生物的重要性并排序:根据IncNodePurity值判定微生物的重要性,IncNodePurity值是通过残差平方和来度量,代表了每个变量对分类树每个节点上观测值的异质性的影响,从而比较变量的重要性,该值越大表示该变量的重要性越大;再利用十折交叉验证法筛选获取微生物特征数据集;
③根据筛选获取的微生物特征数据集构建年龄预测随机森林模型,对该数据集按照比例构建训练集和测试集,利用训练集构建年龄预测随机森林模型,默认生成500棵决策树,并用测试集对构建好的模型进行评估。
进一步,步骤四对于待预测年龄的宿主样本,获得该样本的微生物相对丰度表,导入年龄预测随机森林模型进行预测,从而获得待预测宿主样本的年龄预测结果。
更进一步,步骤四获取样本的微生物相对丰度信息的方式包括16S rRNA、宏基因组测序和微生物qPCR实验分析。
有益效果:本发明基于宿主生命早期肠道微生物群落变化与宿主发育之间的关系,利用肠道微生物在宿主生命早期发挥的重要作用以及不断发育的特点,构建了基于肠道微生物的宿主生命早期年龄预测模型,以及获取在宿主生命早期重要的肠道微生物标志物信息;同时预测模型的特征筛选,可确定与宿主生命早期年龄变化密切相关的肠道微生物标志物,作为宿主生命早期健康状态评价指标之一;构建的模型预测效果更好、精度越高。
附图说明
图1为本发明预测模型构建方法流程图;
图2为步骤三①基于全部微生物特征构建的随机森林模型,使用训练集预测年龄与实际年龄的预测准确性示意图;
图3为步骤三①基于全部微生物特征构建的随机森林模型,使用测试集预测年龄与实际年龄的预测准确性示意图;
图4为十折交叉验证结果图;
图5为步骤三③基于筛选的微生物特征构建的随机森林模型,使用训练集预测年龄与实际年龄的预测准确性示意图;
图6为步骤三③基于筛选的微生物特征构建的随机森林模型,使用测试集预测年龄与实际年龄的预测准确性示意图。
具体实施方式
一种基于肠道微生物的宿主生命早期年龄预测模型的构建方法,如图1所示:
步骤一,收集肠道微生物测序原始数据以及宿主的背景信息,为了使得最终模型精度更高,需要在前期尽可能的收集数据,这里通过两种方式来收集:
方式一:通过关键词检索相关文献,关键词包括infant gut microbiota、16SrRNA,在学术平台检索近10年发表的文献,过滤没有BioProject信息、肠道微生物数据测序数据集不公开、测序样本来源为非肠道和宿主年龄信息不明确的样本获取过滤后的文献中的BioProject项目编号;方式二:利用关键词infant gut microbiota和16S rRNA直接在NCBI(National Center for Biotechnology Information)的SRA(Sequence ReadArchive)数据库检索,获取有BioProject和宿主信息的项目编号。
通过以上两种方式获得的BioProject项目编号,如果是同一项目,则只保留其中一个即可,在NCBI的SRA数据库检索后可以获取对应样本微生物测序数据的ftp下载连接,并利用ascp软件批量进行下载,并下载对应宿主样本的年龄等背景信息,至此收集到了后续构建模型的初步数据集。下载原始数据利用ftp下载连接以及ascp下载工具,目的是为了批量快速下载原始数据,也可以使用其他下载工具,例如weget工具或者在网页界面直接点击链接直接下载。
上述两种方式检索到的数据集如果是同一个项目,则只保留其中一个即可,最终保留的是这两种方式获取到的数据集的并集。在本实施例中,最终收集到23个数据集共包含24104个样本信息。
步骤二,对上一步收集到的原始数据进行分析整合,获得最终构建年龄预测模型的数据:
先对样本的年龄信息统一标准,本发明针对生命早期的宿主年龄预测,所以删除了年龄在1000天以上的样本;其次转换不同样本的年龄信息单位统一为月,转换标准按照1年=12月,1月=30天,比如某样本A的年龄信息为2年,则转换为2×12=24(月);B样本年龄信息为45天,则转换为45/30=1.50(月);
对满足年龄要求的样本进行原始测序数据的分析处理,先使用Trimmomatic对原始测序数据进行初步质量控制,包括去除接头序列和低质量序列,为了避免后续不同项目整合分析受到测序深度的影响,去除了质控后序列数目小于20000的样本;质控后的高质量序列利用DADA2流程进行后续分析,依次执行dada2降噪处理、嵌合体序列去除、ASV序列以及样本组成表生成和SILVA(版本v138)数据库物种注释分析,最终获得了肠道微生物的相对丰度信息表。微生物相对丰度表是指不同的肠道微生物在样本中的含量比例,是定量结果。相对丰度表包含了两层具体信息,一是微生物组成信息的描述,即有哪些微生物;二是这些微生物在不同样本中的定量结果。
本实施例最终保留的样本数目为12085,注释得到的微生物物种数目为1337个,即最终获得的相对丰度信息表是一个12085×1337维度的数据矩阵。
步骤三,选择微生物特征,经过上一步获得注释后的肠道微生物相对丰度表以及对应的宿主年龄信息来构建年龄预测模型并验证性能。因为并非所有的微生物都对模型构建的精度具有可观的贡献,有些微生物的相对丰度随着年龄时间的变化特征并不明显,可能对模型精度带来较高的误差以及增加运算资源消耗。因此,只需要选择贡献度最高的微生物即可构造精度较高的模型,并且所利用的计算资源也将大幅度的降低。
微生物特征选择基于微生物物种的重要性和十折交叉验证共同筛选的,具体方法如下:
①根据步骤二获得的12085(样本)×1337(微生物物种)数据集,以随机抽样的方式按照7:3的比例构建年龄预测模型的训练集和测试集,利用训练集以默认生成500棵决策树构建年龄预测随机森林模型,模型的解释率达到86.04%,表明在生命早期肠道微生物群落的变化与年龄发育密切相关。分别使用训练集和测试集对模型预测性能进行评估,如图2和图3所示,可以看到实际年龄与预测年龄之间有明显的线性关系,并对训练集和测试集的分析预测结果利用标准化平均方差(NMSE)来评价模型拟合效果,NMSE计算方式为:
NMSE=mean((pred-obs)^2)/mean((mean(obs)-obs)^2)
其中,pred表示预测值,obs表示实际值,mean表示求平均函数。
训练集和测试集计算的NMSE值分别为0.0223和0.1313,NMSE取值范围通常为0~1,值越小,说明模型越优于以均值进行预测的策略,模型拟合度越高。
②评估预测变量(微生物特征)的重要性,并对微生物特征进行筛选。利用随机森林模型中importance函数功能评估模型中微生物的重要性并排序,表1展示了对年龄预测模型有重要影响的关键微生物物种以及对应的IncNodePurity值,并通过十折交叉验证结果(图4)可以得到在选择20个重要微生物特征左右,模型误差较低,本实施例选择了前20个重要微生物特征作为最终构建年龄预测随机森林模型的数据。
表1对年龄预测模型有重要影响的关键微生物标志物
注:Factor表示具体的微生物特征信息;IncNodePurity,即increase in nodepurity,通过残差平方和来度量,代表了每个变量对分类树每个节点上观测值的异质性的影响,从而比较变量的重要性。该值越大表示该变量的重要性越大。
③利用上一步筛选得到的20个微生物特征重新构建随机森林模型,即12085(样本)×20(微生物物种)的数据集,同样以随机抽样的方式按照7:3的比例构建年龄预测模型的训练集和测试集,利用训练集以默认生成500棵决策树构建年龄预测随机森林模型,预测模型的解释率达到83.43%(图5),使用训练集和测试集对模型预测性分别进行评估,图5和图6所示,实际年龄与预测年龄之间存在明显的线性关系。也对训练集和测试集的分析预测结果利用标准化平均方差(NMSE)来评价模型拟合效果,计算得的NMSE值分别为0.0323和0.1612。
以上结果表明,利用筛选到的20个重要微生物特征构建的年龄预测随机森林模型,可以有效的揭示在生命早期宿主肠道微生物群落与宿主发育的密切关系,总结有如下优点:
a.预测模型的解释率高,达到83.43%;
b.预测模型拟合度高,误差较低,训练集和测试集的NMSE值分别只有0.0323和0.1612;
c.在预测模型效果一致的情况下,利用少量微生物特征构建模型的计算消耗资源更少,同时更加有利于待预测样本的数据准备。
步骤四,对待预测宿主样本进行年龄预测。例如,现在有一例20月大的婴幼儿的粪便样本A,通过16S rRNA测序方式和分析获得了该样本的微生物相对丰度表,只需获得表1微生物其中的至少一种即可。具体地,该宿主样本的肠道微生物包含在表1中的微生物共有14种,微生物组成相对丰度信息如表2所示。将该表直接导入到该实施例步骤三的第③步构建的随机森林年龄预测模型即可,运行后得到该宿主样本的预测年龄结果为15.4月,这表明该样本肠道微生物的发育是迟于宿主年龄实际的发育,提示可能需要通过干预手段调整该宿主的肠道微生物群落。
表2待预测样本A的微生物特征组成信息表
注:Factor表示具体的微生物特征信息;abundance(%)表示微生物的相对丰度值。
Claims (10)
1.一种基于肠道微生物的宿主生命早期年龄预测模型构建方法,其特征在于,包括以下步骤:
步骤一,收集涉及生命早期的肠道微生物测序原始数据及其宿主的背景信息;
步骤二,对原始数据进行分析整合,获得最终构建年龄预测模型的肠道微生物相对丰度信息表;
步骤三,肠道微生物特征选择,构建年龄预测模型并验证;
步骤四,利用年龄预测模型对将要预测的样本数据进行年龄预测。
2.根据权利要求1所述的基于肠道微生物的宿主生命早期年龄预测模型构建方法,其特征在于,步骤一通过关键词检索相关文献,关键词包括infant gut microbiota、16SrRNA,对初步收集获得的文献进行筛选,过滤没有BioProject信息、肠道微生物数据测序数据集不公开、测序样本来源为非肠道和宿主年龄信息不明确的样本,留下的样本根据文献中的BioProject信息,在数据库检索获取对应样本肠道微生物测序数据批量进行下载。
3.根据权利要求1所述的基于肠道微生物的宿主生命早期年龄预测模型构建方法,其特征在于,步骤一利用关键词在数据库检索,关键词包括infant gut microbiota、16SrRNA,在数据库检索直接获取项目的BioProject信息、宿主信息以及测序数据,过滤测序样本来源为非肠道和没有宿主年龄信息的样本,批量下载原始测序数据。
4.根据权利要求2或3所述的基于肠道微生物的宿主生命早期年龄预测模型构建方法,其特征在于,所述数据库包括NCBI的SRA数据库或ENA数据库。
5.根据权利要求1所述的基于肠道微生物的宿主生命早期年龄预测模型构建方法,其特征在于,步骤二对原始数据进行分析整合:首先删除年龄在1000天以上的样本,其次转换不同样本的年龄信息单位统一为月;其次对原始测序数据进行分析处理,先使用Trimmomatic对原始测序数据进行初步质量控制,包括去除接头序列和低质量序列;对质量控制后的高质量序列进行后续分析,最终获得了肠道微生物的相对丰度信息表。
6.根据权利要求5所述的基于肠道微生物的宿主生命早期年龄预测模型构建方法,其特征在于,所述后续分析包括DADA2分析流程、QIIME2分析流程或USEARCH的OTU分析流程,所述DADA2分析流程包括dada2降噪处理、嵌合体序列去除、ASV序列以及样本组成表生成和数据库物种注释分析。
7.根据权利要求6所述基于肠道微生物的宿主生命早期年龄预测模型构建方法,其特征在于,物种注释分析的数据库包括SILVA数据库、Greengenes数据库或RDP数据库。
8.根据权利要求1所述的基于肠道微生物的宿主生命早期年龄预测模型构建方法,其特征在于,步骤三利用肠道微生物相对丰度表以及对应的宿主年龄信息来构建年龄预测模型:
①根据随机抽样的原理,按照比例构建年龄预测模型的训练集和测试集,利用训练集构建随机森林模型,默认生成 500 棵决策树,并用测试集对构建好的模型进行评估;
②对于构建好的随机森林模型,利用随机森林模型中importance函数功能评估模型中微生物的重要性并排序:根据IncNodePurity值判定微生物的重要性,该值越大表示该变量的重要性越大;再利用十折交叉验证法筛选获取微生物特征数据集;
③根据筛选获取的微生物特征数据集构建年龄预测随机森林模型,对该数据集按照比例构建训练集和测试集,利用训练集构建年龄预测随机森林模型,默认生成 500 棵决策树,并用测试集对构建好的模型进行评估。
9.根据权利要求1所述的基于肠道微生物的宿主生命早期年龄预测模型构建方法,其特征在于,步骤四对于待预测年龄的宿主样本,获得该样本的微生物相对丰度表,导入年龄预测随机森林模型进行预测,从而获得待预测宿主样本的年龄预测结果。
10.根据权利要求9所述的基于肠道微生物的宿主生命早期年龄预测模型构建方法,其特征在于,步骤四获取样本的微生物相对丰度信息的方式包括16S rRNA、宏基因组测序和微生物qPCR实验分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130546.8A CN116153414A (zh) | 2023-02-17 | 2023-02-17 | 基于肠道微生物的宿主生命早期年龄预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130546.8A CN116153414A (zh) | 2023-02-17 | 2023-02-17 | 基于肠道微生物的宿主生命早期年龄预测模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116153414A true CN116153414A (zh) | 2023-05-23 |
Family
ID=86350378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310130546.8A Pending CN116153414A (zh) | 2023-02-17 | 2023-02-17 | 基于肠道微生物的宿主生命早期年龄预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116153414A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308255A (zh) * | 2019-05-08 | 2019-10-08 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
CN114093515A (zh) * | 2021-11-17 | 2022-02-25 | 江南大学 | 一种基于肠道菌群预测模型集成学习的年龄预测方法 |
CN114891904A (zh) * | 2022-04-29 | 2022-08-12 | 上海金域医学检验所有限公司 | 用于儿童asd诊断的母源肠道菌群标志物及其应用 |
CN115527608A (zh) * | 2022-11-08 | 2022-12-27 | 广西爱生生命科技有限公司 | 一种肠道年龄预测方法和*** |
CN115662505A (zh) * | 2022-09-13 | 2023-01-31 | 山西医科大学 | 一种未分化脊柱关节病的肠型评分模型及构建方法和应用 |
-
2023
- 2023-02-17 CN CN202310130546.8A patent/CN116153414A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308255A (zh) * | 2019-05-08 | 2019-10-08 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
CN114093515A (zh) * | 2021-11-17 | 2022-02-25 | 江南大学 | 一种基于肠道菌群预测模型集成学习的年龄预测方法 |
CN114891904A (zh) * | 2022-04-29 | 2022-08-12 | 上海金域医学检验所有限公司 | 用于儿童asd诊断的母源肠道菌群标志物及其应用 |
CN115662505A (zh) * | 2022-09-13 | 2023-01-31 | 山西医科大学 | 一种未分化脊柱关节病的肠型评分模型及构建方法和应用 |
CN115527608A (zh) * | 2022-11-08 | 2022-12-27 | 广西爱生生命科技有限公司 | 一种肠道年龄预测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Blanco-Míguez et al. | Extending and improving metagenomic taxonomic profiling with uncharacterized species using MetaPhlAn 4 | |
Wu et al. | Guild-based analysis for understanding gut microbiome in human health and diseases | |
Arrieta et al. | Early infancy microbial and metabolic alterations affect risk of childhood asthma | |
CN104540962B (zh) | 糖尿病生物标志物及其应用 | |
CN108804875A (zh) | 一种利用宏基因组数据分析微生物群体功能的方法 | |
CN106202891B (zh) | 一种面向医疗质量评价的大数据挖掘方法 | |
CN109706235A (zh) | 一种肠道微生物菌群的检测和分析方法及其*** | |
McKenney et al. | Feeding strategy shapes gut metagenomic enrichment and functional specialization in captive lemurs | |
CN110176305A (zh) | 一种利用高通量基因测序评估肠道菌群健康的方法 | |
CN108345768B (zh) | 一种确定婴幼儿肠道菌群成熟度的方法和标志物组合 | |
Ni et al. | A feature and algorithm selection method for improving the prediction of protein structural class | |
CN115116624B (zh) | 基于半监督迁移学习的药物敏感性预测方法和装置 | |
Malukiewicz et al. | The gut microbiome of exudivorous marmosets in the wild and captivity | |
CN112852916A (zh) | 肠道微生态的标志物组合、辅助诊断模型及其应用 | |
Jacobson et al. | Analysis of global human gut metagenomes shows that metabolic resilience potential for short-chain fatty acid production is strongly influenced by lifestyle | |
Bescucci et al. | Infection by Salmonella enterica serovar Typhimurium DT104 modulates immune responses, the metabolome, and the function of the enteric microbiota in neonatal broiler chickens | |
CN110358849A (zh) | 源于肠道的诊断胰腺炎的生物标志物、筛选方法及其用途 | |
Levi Mortera et al. | Functional and taxonomic traits of the gut microbiota in type 1 diabetes children at the onset: A metaproteomic study | |
RU2721234C1 (ru) | Способ и система отслеживания рациона и формирования заключения о качестве питания и/или индивидуальных рекомендаций по питанию | |
CN116153414A (zh) | 基于肠道微生物的宿主生命早期年龄预测模型构建方法 | |
Fernández-Baca et al. | Rice plant–soil microbiome interactions driven by root and shoot biomass | |
Brown et al. | Fecal 1H-NMR metabolomics: A comparison of sample preparation methods for NMR and novel in silico baseline correction | |
Wilmanski et al. | Gut Microbiome Pattern Reflects Healthy Aging and Predicts Extended Survival in Humans | |
CN111128378A (zh) | 一种用于评估婴幼儿肠道菌群发育年龄的预测方法 | |
CN115512844A (zh) | 基于smote技术和随机森林算法的代谢综合征风险预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |