一种基于神经网络的LAMP分析方法及系统
文献发布时间:2023-06-19 11:26:00
技术领域
本发明涉及基因检测技术领域,尤其涉及一种基于神经网络的LAMP分析方法及系统。
背景技术
环介导等温扩增(loop-mediated isothermal amplification,LAMP)技术是一种核酸扩增检测技术,具有特异、灵敏、快速、简便等优点,被广泛应用于细菌、病毒、寄生虫等的快速检测中。LAMP技术依赖于自动循环的链置换反应,通过识别靶序列上6个特异区域的引物,在等温条件下进行快速扩增,从而实现定性、定量分析。现有的LAMP定性、定量分析方法中主要是阈值时间(Tt)方法。阈值时间(Tt)方法通过设定的阈值来获得样品对应的扩增曲线的阈值时间(Tt),然后通过对比待测样品的阈值时间(Tt)与已知浓度的标准样品、阴性对照样品的阈值时间(Tt),实现对未知样品的定性或定量分析。阈值时间(Tt)法的成立的条件是核酸的扩增过程是理想的指数增长过程,同时阳性未知样本与各个浓度梯度的标准样本具有相同的扩增效率。然而,真实的LAMP扩增过程非常复杂,不能满足上诉条件,因此应用阈值时间(Tt)法进行LAMP定性、定量分析时会存在一定的结果偏差。为了消除这种分析误差,本发明应用神经网络算法的泛化能力和非线性回归性能,提升定性、定量分析的性能。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种基于神经网络的LAMP分析方法及系统,无需明确的LAMP扩增过程数学模型,避免求解中间参数,简化定量分析步骤同时提升定量分析性能。
为了实现以上目的,本发明采用以下技术方案:
一种基于神经网络的LAMP分析方法,包括步骤:
S1.获取样品扩增曲线原始数据;
S2.对样品扩增曲线原始数据进行预处理,得到神经网络模型所需的输入向量;
S3.建立LAMP神经网络分析模型;
S4.基于建立的LAMP神经网络分析模型预测未知样品的数量、浓度或阴阳性。
进一步的,所述步骤S1中获取样品扩增曲线原始数据是通过使用实时监测扩增信号的仪器进行LAMP后获得样品扩增曲线原始数据的。
进一步的,所述步骤S2中预处理包括去除背景、信号平滑去噪、信号求导及归一化。
进一步的,所述步骤S3具体为:利用训练样本的输入向量和已知结果,训练建立基于神经网络的LAMP分析模型。
进一步的,所述步骤S4具体为:将未知样品的扩增曲线原始数据进行预处理,得到的未知样品输入变量,将得到的输入变量输入至建立的LAMP神经网络分析模型进行分析,输出分析结果。
相应的,还提供一种基于神经网络的LAMP分析系统,包括:
获取模块,用于获取样品扩增曲线原始数据;
处理模块,用于对样品扩增曲线原始数据进行预处理,得到神经网络模型所需的输入向量;
建立模块,用于建立LAMP神经网络分析模型;
预测模块,用于基于建立的LAMP神经网络分析模型预测未知样品的数量、浓度或阴阳性。
进一步的,所述获取模块中获取样品扩增曲线原始数据是通过使用实时监测扩增信号的仪器进行LAMP后获得样品扩增曲线原始数据的。
进一步的,所述处理模块中预处理包括去除背景、信号平滑去噪、信号求导及归一化。
进一步的,所述建立模块中建立LAMP神经网络分析模型具体为:利用训练样本的输入向量和已知结果,训练建立基于神经网络的LAMP分析模型。
进一步的,所述预测模块中基于建立的LAMP神经网络分析模型预测未知样品的数量、浓度或阴阳性具体为:将未知样品的扩增曲线原始数据进行预处理,得到的未知样品输入变量,将得到的输入变量输入至建立的LAMP神经网络分析模型进行分析,输出分析结果。
与现有技术相比,本发明基于神经网络的LAMP分析方法,无需求取参数阈值时间(Tt)等中间参数用于定性、定量分析,直接应用神经元网络的泛化能力,根据输入样本的荧光扩增信号,对样本进行定性、定量分析,避免对扩增曲线进行非线性拟合和特征参数提取过程造成的结果偏差和有用信息损失,从而提升本方法定性、定量分析的性能。
附图说明
图1是实施例一提供的一种基于神经网络的LAMP定量分析方法流程图;
图2是实施例一提供用于LAMP定量分析的广义回归神经网络(GRNN)结构图;
图3是实施例一提供扩增曲线的原始数据和求导结果,其中图3(a)为原始扩增曲线,图3(b)为一阶导数曲线,图3(c)为二阶导数曲线,图3(d)为三阶导数曲线;
图4是实施例一提用于LAMP定量分析的广义回归神经网络(GRNN)模型的光滑因子σ值(spread)与模型预测的平均相对误差的关系示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷,提供了一种基于神经网络的LAMP分析方法及系统。
实施例一
本实施例提供一种基于广义回归神经网络(GRNN)的LAMP定量方法,包括步骤:
S11.获取样品扩增曲线原始数据;
S12.对样品扩增曲线原始数据进行预处理,得到广义回归神经网络(GRNN)模型所需的输入向量;
S13.建立LAMP广义回归神经网络(GRNN)定量分析模型;
S14.基于建立的LAMP广义回归神经网络(GRNN)定量分析模型预测未知样品的数量或浓度。
在步骤S11中,获取样品扩增曲线原始数据。
通过使用通用的实时监测扩增信号的仪器进行LAMP,便可获得用于后续分析的标准样品扩增曲线原始数据。
在步骤S12中,对样品扩增曲线原始数据进行预处理,得到LAMP广义回归神经网络(GRNN)定量分析模型所需的输入向量。
对样品扩增曲线原始数据进行去除背景、信号平滑去噪、信号求导及归一化等预处理,得到LAMP广义回归神经网络(GRNN)定量分析模型所需的输入向量。
在步骤S13中,建立LAMP广义回归神经网络(GRNN)定量分析模型。
获取最优广义回归神经网络(GRNN)参数,建立LAMP广义回归神经网络(GRNN)定量分析模型。
其中,获取最优广义回归神经网络(GRNN)参数,具体为:
采用留一法(leave one out,LOT)交叉验证方法来优化光滑因子σ,求得模型最优平滑因子σ
建立LAMP广义回归神经网络(GRNN)定量分析模型,具体为:
利用训练样本的输入向量和已知结果以及最优平滑因子σ
在步骤S14中,基于建立的LAMP广义回归神经网络(GRNN)定量分析模型预测未知样品的数量或浓度。
获得未知样品扩增曲线原始数据。
对未知样品扩增曲线原始数据进行去除背景、信号平滑去噪、信号求导及归一化等预处理,得到LAMP广义回归神经网络(GRNN)定量分析模型所需的输入向量。
输入未知样品的扩增曲线原始数据经预处理后的未知样品输入变量到所属的LAMP广义回归神经网络(GRNN)定量分析模型进行分析,得到分析结果。
本实施例建立基于广义回归神经网络(GRNN)的环介导等温扩增(LAMP)定量分析模型,利用广义回归神经网络良好的函数泛化与逼近性能,通过标准样本建立模型,并应用该模型对待测样本进行模板数量预测。
本实施例基于现有技术存在的问题,认为可以利用已知目标模板数量的标准样本的扩增曲线信号直接建立用于定量分析的广义回归神经网络模型,减少对扩增曲线进行非线性拟合和特征参数提取的过程中带来的结果偏差和有用信息损失,利用人工神经网络泛化能力和非线性拟合能力,提升对LAMP定量分析的性能。
广义回归神经网络(GRNN)理论基础及结构:
广义回归模型神经网络的理论基础是非线性回归。设随机向量X和随机变量y的联合概率密度函数为f(X,y),已知X的预测值为X
应用非参数技术(Parzen窗)进行非参数估计,可由样本数据
其中,X
将公式(2)带入公式(1)得:
又由于
由公式(4)可以看出预测值
广义回归神经网络(GRNN)在结构上由四层构成,它们分别为输入层(inputlayer)、模式层(pattern layer)、加和层(summation layer)和输出层(output layer)。输入层的各单元是线性单元,每个单元对应于输入自变量x的一维;模式层又称隐回归层,每个单元对应于一个训练样本,以高斯函数
基于广义回归神经网络(GRNN)的LAMP定量模型建立:
本实施例设计了基于广义回归神经网络(GRNN)的LAMP定量模型,利用广义回归神经网络(GRNN)的泛化能力和非线性拟合能力,提升对LAMP定量分析的性能,所设计的定量模型原理图如图2所示。模型包含的输入层、模式层、加和层和输出层说明如下。
(1)模型的输入层
模型的输入为经过预处理的待测样本荧光扩增信号,样本的初始荧光扩增信号会包含有无关信息和噪声,比如随机噪声、背景信号等。在建立定量模型前要对初始荧光扩增信号进行必要的预处理,以提高信号的信噪比和定量模型的稳定性。本实施例对荧光信号预处理主要包括:去除背景、信号平滑去噪、信号求导及归一化。去除背景的目的是去除背景信号从而突出有用信息。信号平滑去噪的目的是去除随机噪声从而提高信噪比。信号求导的目的是消除基线、背景的干扰,分辨重叠峰,提高分辨率和灵敏度,如图3所示。归一化的目的是消除扩增信号具有不同的最大、最小值对分析结果的影响。
(2)模型的模式层
模型的模式层每个神经元都对应一个用于建立模型的标准样本,这些标准样本点是模型做预测时进行非线性拟合的中心点。一般要求标准样本的模板数量梯度能够覆盖待测样本的模板数量范围。
(3)模型的加和层
加和层有两个单元,分别计算公式(4)中的分子和分母。
(4)模型的输出层
模型的输出为待测样本的目标模板数量或浓度。
(5)模型性能的评价
本实施例通过采用均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)以及决定系数(R
其中,O
(6)模型参数优化
基于广义回归神经网络(GRNN)的LAMP定量模型中,光滑因子σ的取值决定了模型的性能。σ的取值非常大时候,待测样本输出值近似等于所有训练样本输出值的均值,预测偏差大。σ的取值非常小的时候,当待测样本包含在训练样本中时,预测值与真实值会非常接近,但是当待测样本离训练样本非常远时,预测值与真实值会相差很大。因此,优化光滑因子σ的取值是建立基于广义回归神经网络(GRNN)的LAMP定量模型的关键。本实施例采用留一法(leave one out,LOT)交叉验证方法来优化光滑因子σ,在标准样本中依次留一个样本作为验证样本集,求得其相对误差最小时对应平滑因子为最优平滑因子σ
在本实施例中,如果进行相对定量分析,还需要对输出的待测样本的目标模板数量按照参照基因和参照样本进行校正处理,最终得到样本的相对数量。
本实施例的基于广义回归神经网络(GRNN)的LAMP定量分析方法无需求取阈值时间(Tt)等中间参数用于定量分析,直接应用神经元网络的泛化能力,根据输入样本的荧光扩增信号,对样本进行定量分析,避免对扩增曲线进行非线性拟合和特征参数提取过程造成的结果偏差和有用信息损失,从而提升本方法定量分析的性能。
实施例二
本实施例提供一种基于广义回归神经网络(GRNN)的LAMP定量系统,包括:
获取模块,用于获取样品扩增曲线原始数据;
处理模块,用于对样品扩增曲线原始数据进行预处理,得到LAMP广义回归神经网络(GRNN)定量分析模型所需的输入向量;
建立模块,用于建立LAMP广义回归神经网络(GRNN)定量分析模型;
预测模块,用于基于建立的LAMP广义回归神经网络(GRNN)定量分析模型预测未知样品的数量或浓度。
进一步的,所述获取模块中获取样品扩增曲线原始数据是通过使用实时监测扩增信号的仪器进行LAMP后获得样品扩增曲线原始数据的。
进一步的,所述处理模块中预处理包括去除背景、信号平滑去噪、信号求导及归一化。
进一步的,所述建立模块中建立LAMP广义回归神经网络(GRNN)定量分析模型具体为:利用训练样本的输入向量和已知结果,训练建立基于广义回归神经网络的LAMP分析模型。
进一步的,所述预测模块中基于建立的LAMP广义回归神经网络(GRNN)定量分析模型预测未知样品的数量或浓度具体为:将未知样品的扩增曲线原始数据进行预处理,得到的未知样品输入变量,将得到的输入变量输入至建立的LAMP广义回归神经网络(GRNN)定量分析模型进行分析,输出分析结果。
需要说明的是,本实施例提供的一种基于广义回归神经网络的LAMP定量系统与实施例一类似,在此不多做赘述。
本实施例的基于广义回归神经网络(GRNN)的LAMP定量分析方法无需求取阈值时间(Tt)等中间参数用于定量分析,直接应用神经元网络的泛化能力,根据输入样本的荧光扩增信号,对样本进行定量分析,避免对扩增曲线进行非线性拟合和特征参数提取过程造成的结果偏差和有用信息损失,从而提升本方法定量分析的性能。
实施例三
本实施例提供一种基于BP神经网络的LAMP定性分析方法,包括步骤:
H11.获取样品扩增曲线原始数据;
H12.对样品扩增曲线原始数据进行预处理,得到BP神经网络模型所需的输入向量;
H13.构建BP神经网络分析模型;
H14.训练构建的BP神经网络分析模型。
H15.基于训练好的BP神经网络分析模型预测未知样品的阴阳性。
在步骤H11中,获取样品扩增曲线原始数据。
通过使用通用的实时监测扩增信号的仪器进行LAMP,便可获得用于后续分析的标准样品扩增曲线原始数据。
在步骤H12中,对样品扩增曲线原始数据进行预处理,得到BP神经网络模型所需的输入向量。
对样品扩增曲线原始数据进行去除背景、信号平滑去噪、信号求导及归一化等预处理,得到BP神经网络模型所需的输入向量。
在步骤H13中,构建BP神经网络分析模型。
根据系统输入和输出数据的特点确定BP神经网络的结构,从而构建对应的BP神经网络。
在步骤H14中,使用已知结果的训练样本数据训练构建BP神经网络。
在步骤H15中,基于训练好的BP神经网络分析模型预测未知样品的阴阳性。
本实施例建立基于BP神经网络的环介导等温扩增(LAMP)定性分析模型,利用BP神经网络良好的联想记忆和预测性能对待测样本进行阴阳性预测。
本实施例基于现有技术存在的问题,认为可以利用已知结果的训练样本的扩增曲线信号直接建立用于定性分析的BP人工神经网络模型,减少对扩增曲线进行非线性拟合和特征参数提取的过程中带来的结果偏差和有用信息损失,利用BP人工神经网络的联想记忆和预测功能,提升对LAMP定性分析的性能。
需要说明的是,一种基于神经网络的LAMP分析方法包括定量分析和定性分析。实施例一中举例的是定量分析,实施例三中举例的是定性分析。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
- 一种基于神经网络的LAMP分析方法及系统
- 一种基于神经网络的车辆电控系统安全性分析方法和装置