基于TPIS、ENOA、PPIB泪液标志物的妊娠鉴别人工智能模型构建方法及试剂盒

技术领域

本发明涉及妊娠鉴别领域，具体涉及基于TPIS、ENOA、PPIB泪液标志物的妊娠鉴别人工智能模型构建方法，还涉及妊娠鉴别的试剂盒。

背景技术

人工智能训练生成的鉴别程序已逐步替代人工生成的鉴别公式或主管经验成为鉴别的主流工具。人工智能训练的元素包括特征、特征的数据、适合特征数据类型的机器学习或深度学习算法。目前的妊娠鉴别的主要特征只有一种，即血液或尿液中的人绒毛膜促性腺激素(human chorionic gonadotropin，hCG)水平。然而，单一特征限制了妊娠鉴别人工智能模型的发展。因此，亟需开发新的具有妊娠鉴别特征的新标志物，提供一种新的妊娠鉴别工具，有利于妊娠鉴别技术的发展。

发明内容

有鉴于此，本发明的目的之一在于提供一种基于TPIS、ENOA、PPIB泪液标志物的妊娠鉴别人工智能模型构建方法；本发明的目的之二在于提供一种基于泪液蛋白的妊娠鉴别试剂盒。

为达到上述目的，本发明提供如下技术方案：

1、基于TPIS、ENOA、PPIB泪液标志物的妊娠鉴别人工智能模型构建方法，包括如下步骤：

(1)收集正常女性和孕早期女性泪液样本，检测受试者TPIS、ENOA、PPIB的泪液浓度，得到TPIS、ENOA、PPIB的数据集；

(2)将步骤(1)得到的数据集输入sklearn.ensemble.RandomForestClassifier程序，通过随机森林法训练妊娠鉴别人工智能模型，采用训练参数如下：第一个隐藏层神经元数200，第二个隐藏层神经元数100，第一个隐藏层激活函数relu，第一个隐藏层激活函数tanh，epochs＝20，batch size＝32；经50次随机测试集测试，每次鉴别的AUC值均超过0.99通过人工智能模型训练。

本发明优选的，所述TPIS的Uniprot数据库接收号为P60174，ENOA的Uniprot数据库接收号为P06733，PPIB的Uniprot数据库接收号为P23284。

本发明优选的，所述TPIS、ENOA、PPIB的泪液浓度在未孕和孕早期女性中存在显著差异，其泪液浓度具有作为鉴别妊娠指标。

本发明优选的，所述人工智能模型指能够依据受试者TPIS、ENOA、PPIB的泪液浓度数据鉴别该受试者是否妊娠的一个人工智能程序。

本发明优选的，所述训练为基础的机器学习和深度学习训练。

本发明优选的，所述检测受试者TPIS、ENOA、PPIB的泪液浓度的原理是亲和标记、光谱、色谱或质谱。

本发明优选的，所述检测受试者TPIS、ENOA、PPIB的泪液浓度的原理是酶联免疫吸附。

2、一种基于泪液蛋白的妊娠鉴别试剂盒，包括泪液蛋白TPIS、ENOA和PPIB的检测试剂。

本发明优选的，所述泪液蛋白TPIS、ENOA和PPIB的检测试剂为ELISA试剂。

本发明的有益效果在于：本发明公开了基于TPIS、ENOA、PPIB泪液标志物的妊娠鉴别人工智能模型构建方法，通过研究发现TPIS、ENOA、PPIB的泪液浓度具有作为妊娠鉴别特征的性质，并通过TPIS、ENOA、PPIB的泪液浓度数据完成了妊娠鉴别人工智能模型的训练。本发明提供了一种新的妊娠鉴别工具的制备方法，有利于提高妊娠鉴别技术的准确性和灵敏度。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为TPIS未孕和孕早期女性泪液浓度图谱。

图2为TPIS鉴别妊娠AUC值。

图3为ENOA未孕和孕早期女性泪液浓度图谱。

图4为ENOA鉴别妊娠AUC值。

图5为PPIB未孕和孕早期女性泪液浓度图谱。

图6为PPIB鉴别妊娠AUC值。

图7为基于TPIS、ENOA、PPIB泪液标志物的妊娠鉴别人工智能模型构建流程示意图

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实施例1、TPIS、ENOA、PPIB未孕及孕早期女性泪液蛋白浓度检测

招募正常女性(C组)和孕早期(ES组)研究志愿者各182名和176名，入组标准为：无妊娠史、无慢性疾病史、6个月内无用药史、妊娠期间无医学上的异常情况、无眼科疾病史、体检证明无关键器官的异常情况。获得泪液样本，采用ELISA方法检测受试者TPIS、ENOA、PPIB的泪液浓度。TPIS的泪液浓度图谱如图1所示，其鉴别妊娠的AUC值为0.9854，如图2所示。ENOA的泪液浓度图谱如图3所示，其鉴别妊娠的AUC值为0.9586，如图4所示。PPIB的泪液浓度图谱如图5所示，其鉴别妊娠的AUC值为0.8657，如图6所示。本实施例中泪液总蛋白提取和指定蛋白泪液浓度的ELISA检测方法参见Benitez-Del-Castillo JM,Soria J,AceraA,

表1、基于TPIS、ENOA、PPIB泪液标志物的妊娠鉴别人工智能模型构建数据集

实施例2、基于TPIS、ENOA、PPIB泪液标志物的妊娠鉴别人工智能模型构建

将实施例1中所测得的数据集(表1)输入sklearn.ensemble.RandomForestClassifier程序，通过随机森林法训练妊娠鉴别人工智能模型，构建示意图和超参数见图7。经50次随机测试集测试的结果如表2所示，每次鉴别的AUC值均超过0.99。本实施例中sklearn.ensemble.RandomForestClassifier训练程序的使用方法参见Kim J,Lee M,Lee MK,WangSM,Kim NY,Kang DW,Um YH,Na HR,Woo YS,Lee CU,Bahk WM,Kim D,Lim HK.Developmentof Random Forest Algorithm Based Prediction Model of Alzheimer's DiseaseUsing Neurodegeneration Pattern.Psychiatry Investig.2021Jan；18(1):69-79.doi:10.30773/pi.2020.0304.Epub 2021Jan 25.PMID:33561931；PMCID:PMC7897872.本实施例中AUC、灵敏度(sensitivity)、特异性(specificity)等专有名词的定义参见

表2、训练过程中50次随机分配的测试集测试结果

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。