本發(fā)明屬于醫(yī)療健康檢測，尤其涉及一種基于腸道菌液分析的健康狀態(tài)檢測方法及系統(tǒng)。

背景技術：

1、腸道菌群作為人體內(nèi)的重要微生物群體，與健康狀況有著密切的關系。近年來的研究發(fā)現(xiàn)，腸道菌群的組成和功能變化與多種疾病的發(fā)生、發(fā)展密切相關，如肥胖、糖尿病、心血管疾病、消化系統(tǒng)疾病，甚至一些神經(jīng)系統(tǒng)疾病。腸道菌群不僅參與消化過程，還與免疫系統(tǒng)、代謝功能以及神經(jīng)系統(tǒng)的調(diào)節(jié)密切相關。因此，腸道菌群的狀態(tài)成為反映人體健康的重要指標。

2、隨著基因組學技術和代謝組學技術的不斷發(fā)展，腸道菌群分析技術已取得了顯著進展。傳統(tǒng)的腸道菌群檢測主要依賴于培養(yǎng)法，但這一方法無法檢測出大部分無法培養(yǎng)的微生物，因此，基因測序技術（如16srrna基因測序、宏基因組測序等）成為主流的腸道菌群分析技術。

3、盡管腸道菌群分析技術已取得了一定的突破，但仍然面臨著個體差異、動態(tài)變化以及數(shù)據(jù)分析等多方面的問題，因此需要一種更加全面且精準的腸道狀態(tài)檢測手段。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于腸道菌液分析的健康狀態(tài)檢測方法及系統(tǒng)，可以通過以下技術方案實現(xiàn)：

2、第一方面，本技術實施例提供了一種基于腸道菌液分析的健康狀態(tài)檢測方法，包括如下步驟：

3、采集糞便樣本并通過樣本處理后得到腸道菌液樣本；

4、對所述腸道菌液樣本進行信息提取以獲得微生物信息；

5、對所述微生物信息進行生物信息分析，得到信息分析結果；

6、根據(jù)所述信息分析結果對健康狀態(tài)進行評估，獲得健康評估結果；

7、基于所述信息分析結果和所述健康評估結果建立腸道-健康關聯(lián)模型；獲取多種腸道相關疾病的疾病信息并將其與所述腸道-健康關聯(lián)模型建立關聯(lián)關系，形成疾病風險預測模型并用于預測所述腸道相關疾病的風險程度；

8、其中，所述對所述腸道菌液樣本進行信息提取，包括：

9、從所述腸道菌液樣本中獲取高通量測序數(shù)據(jù)；

10、基于所述高通量測序數(shù)據(jù)對腸道菌群進行分類并根據(jù)分類結果建立腸道菌群分布模型；

11、根據(jù)所述腸道菌群分布模型得到所有菌種類型的菌種豐度表；

12、基于所述菌種豐度表篩選所述腸道菌群的主要組成成分；

13、根據(jù)所述腸道菌群的主要組成成分挖掘所述腸道菌群的snp；

14、則所述微生物信息包括腸道菌群種類、菌種豐度表、腸道菌群主要組成成分、腸道菌群的snp以及差異菌的k組腸型差異特征。

15、優(yōu)選地，所述采集糞便樣本并通過樣本處理后得到腸道菌液樣本，具體為：

16、獲取受檢對象的糞便樣本并記錄獲取樣本時間，若所述獲取樣本時間超過規(guī)定的微生物活性時間，則重新獲取新的糞便樣本；

17、對所述糞便樣本進行預處理，包括均勻化和分散處理；

18、對預處理后的糞便樣本進行微生物提取并進行質(zhì)量檢查，得到所述腸道菌液樣本；

19、其中，所述對預處理后的糞便樣本進行微生物提取，具體為：

20、提取所述糞便樣本中的dna并對其中所有的16s?rdna進行高通量測序。

21、優(yōu)選地，所述基于所述高通量測序數(shù)據(jù)對腸道菌群進行分類，包括：

22、菌群分類：使用高斯混合模型對所述腸道菌群進行分類，識別有益菌、致病菌和有害菌的比例；

23、模型建立：依據(jù)所述高斯混合模型的分類結果，建立受檢對象個體的腸道菌群分布模型，用于反映各類菌種的豐度情況。

24、優(yōu)選地，所述基于所述高通量測序數(shù)據(jù)對腸道菌群進行分類，還包括：對所述腸道菌群中出現(xiàn)的差異菌進行分類，具體為：

25、將所述高通量測序數(shù)據(jù)分為檢測組數(shù)據(jù)和對照組數(shù)據(jù)；

26、將所述高通量測序數(shù)據(jù)中每個樣本的特征由絕對豐度轉(zhuǎn)換為相對豐度，還將樣本中出現(xiàn)頻率小于預設值且相對豐度等于零的絕對豐度特征篩除；

27、將所述高通量測序數(shù)據(jù)中的全部樣本根據(jù)絕對豐度的相似度分成k組腸型；

28、計算所述檢測組數(shù)據(jù)和所述對照組數(shù)據(jù)的相對豐度差異并排序，得到k組腸型各自對應的差異特征。

29、優(yōu)選地，所述對所述微生物信息進行生物信息分析，包括：

30、根據(jù)所述腸道菌群的snp獲取snp的蛋白序列，并將所述蛋白序列映射到kegg數(shù)據(jù)庫中進行比對，根據(jù)最高比對得分結果獲得參與的生物路徑信息以及腸道菌的動態(tài)變化；

31、根據(jù)所述k組腸型差異特征構建k個機器學習模型，輸入一組已知絕對豐度的樣本數(shù)據(jù)，將所述樣本數(shù)據(jù)的絕對豐度轉(zhuǎn)換為相對豐度，利用所述k個機器學習模型預測所述樣本數(shù)據(jù)的非健康概率。

32、優(yōu)選地，所述對所述微生物信息進行生物信息分析，還包括：

33、根據(jù)建立的所述腸道菌群分布模型對比健康菌群的標準模型，檢測受檢對象腸道菌群的失衡情況，并識別出過度增殖有害菌或缺乏有益菌；?且基于失衡情況的檢測結果為受檢對象生成個性化的調(diào)控方案。

34、優(yōu)選地，所述檢測受檢對象腸道菌群的失衡情況，包括：

35、根據(jù)所述腸道菌群分布模型提取各菌群種類的相對豐度，并與預先建立的健康標準模型中的相應菌群比例進行對比；

36、采用kl散度算法量化所述受檢對象的菌群分布與健康標準分布之間的差異；

37、根據(jù)失衡檢測的結果分析菌群的失衡情況，當kl散度超出設定的閾值時，識別為過度增殖有害菌或缺乏有益菌，并標記潛在的健康風險。

38、優(yōu)選地，所述根據(jù)所述信息分析結果對健康狀態(tài)進行評估，包括：

39、基于所述信息分析結果構建健康評估模型；

40、利用所述健康評估模型對受檢對象的健康狀態(tài)進行評估；

41、其中，構建所述健康評估模型，包括：

42、構建所述腸道菌群的相對豐度矩陣并提取特征矩陣；

43、基于分類列和所述特征矩陣構建第一訓練矩陣并進行數(shù)據(jù)集訓練；

44、篩選所述第一訓練矩陣中的若干最優(yōu)特征列和樣本分類列以構建第二訓練矩陣；

45、對所述第二訓練矩陣進行數(shù)據(jù)集訓練并基于訓練結果構建風險評估模型。

46、優(yōu)選地，建立所述腸道-健康關聯(lián)模型，包括：

47、基于所述信息分析結果和所述健康評估結果篩選出與健康狀態(tài)相關的腸道微生物特征；

48、基于所述腸道微生物特征，采用機器學習模型建立所述腸道-健康關聯(lián)模型；

49、其中，所述腸道-健康關聯(lián)模型用于建立所述腸道菌群與健康狀態(tài)之間的關聯(lián)，且識別關鍵微生物與健康參數(shù)之間的關系；

50、建立所述疾病風險預測模型，包括：

51、將所述腸道-健康關聯(lián)模型的識別結果與獲取的各種腸道相關疾病信息進行整合以獲得整合信息；

52、基于所述整合信息采用隨機森林建立所述疾病風險預測模型；

53、所述隨機森林用于分析腸道特征與不同腸道相關疾病之間的關系，并結合所述腸道-健康關聯(lián)模型的識別結果預測所述腸道相關疾病的風險程度。

54、第二方面，本技術實施例提供了一種基于腸道菌液分析的健康狀態(tài)檢測系統(tǒng)，應用如上所述的一種基于腸道菌液分析的健康狀態(tài)檢測方法，包括：

55、樣本采集及處理模塊：用于采集糞便樣本并通過樣本處理后得到腸道菌液樣本；

56、生物信息提取模塊：用于對所述腸道菌液樣本進行信息提取以獲得微生物信息；

57、生物信息分析模塊：用于對所述微生物信息進行生物信息分析，得到信息分析結果；

58、健康評估模塊：用于根據(jù)所述信息分析結果對健康狀態(tài)進行評估，獲得健康評估結果；

59、關聯(lián)模型構建模塊：基于所述信息分析結果和所述健康評估結果建立腸道-健康關聯(lián)模型；獲取多種腸道相關疾病的疾病信息并將其與所述腸道-健康關聯(lián)模型建立關聯(lián)關系，形成疾病風險預測模型并用于預測所述腸道相關疾病的風險程度；

60、其中，所述對所述腸道菌液樣本進行信息提取，包括：

61、從所述腸道菌液樣本中獲取高通量測序數(shù)據(jù)；

62、基于所述高通量測序數(shù)據(jù)對腸道菌群進行分類并根據(jù)分類結果建立腸道菌群分布模型；

63、根據(jù)所述腸道菌群分布模型得到所有菌種類型的菌種豐度表；

64、基于所述菌種豐度表篩選所述腸道菌群的主要組成成分；

65、根據(jù)所述腸道菌群的主要組成成分挖掘所述腸道菌群的snp；

66、則所述微生物信息包括腸道菌群種類、菌種豐度表、腸道菌群主要組成成分、腸道菌群的snp以及差異菌的k組腸型差異特征。

67、本發(fā)明的有益效果為：本發(fā)明提供了從樣本采集、dna提取、基因組學分析到數(shù)據(jù)解讀和健康評估的完整流程，通過上述步驟的協(xié)同作用來全面評估腸道健康狀況，并為個性化的健康管理提供科學依據(jù)。并且在生物信息提取與分析中通過高通量測序以及基因組測序等來綜合分析腸道菌液的代謝能力和功能狀態(tài)，以此來判斷腸道的健康狀況。還通過結合機器學習或人工智能算法進行數(shù)據(jù)挖掘，建立腸道菌群與健康狀態(tài)之間的關聯(lián)模型，以此來識別潛在的疾病風險，從而進一步保障了健康評估與檢測的準確性和可靠性。還可以為個人健康管理提供更加精準的支持。