一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法
技术领域
1.本发明涉及糖基化分析技术领域，具体涉及一种利用凝集素芯片对血浆vwf表面糖基化分析方法。
背景技术：2.血管性血友病因子(vwf)是由血管内皮细胞和巨核细胞/血小板合成的一种高度唾液酸化的糖蛋白。vwf在正常止血中起着两个重要作用：一是与血小板膜糖蛋白(glycoprotein，gp)ib-ix复合物结合介导血小板黏附到血管损伤部位暴露的内皮下组织；二是作为凝血因子viii(factorviii，fviii)的载体分子。血管内皮细胞合成的vwf一部分直接分泌到血液循环中，多数则被储存在weibel-palade小体中。血液循环中vwf主要来源于内皮细胞。vwf蛋白单体包含13个n-型和10个o-型聚糖(n-ando-glycans)位点，其中约90％以上的n-和o-型糖的末端糖基如半乳糖(galactose，gal)或n-乙酰半乳糖胺(galnac)在高尔基体内被唾液酸(sialicacid)进一步修饰。vwf聚糖唾液酸化修饰在调节其清除方面起着关键作用。
3.血管性血友病因子(vwf)上的聚糖决定簇在调节其对蛋白质水解和清除的敏感性。糖基化异常已被证明在许多不同的小鼠模型中引起血管性血友病(vwd)。然而由于聚糖组成碳水化合物在人类vwd发病机制中的重要性仍然存在大部分未经勘探，现有技术中无法进行vwf聚糖特性的准确评估。
技术实现要素：4.本发明的目的在于提供一种vwf凝集素芯片对血浆vwf表面糖基化分析方法，以解决现有技术中无法进行vwf聚糖特性的准确评估的技术问题。
5.为解决上述技术问题，本发明具体提供下述技术方案：
6.一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，包括以下步骤：
7.步骤s1、选取一组健康人和一组低vwf病人血浆样本分别作为一组健康血样和一组低vwf血样，采用抗vwf多克隆抗体包被的elisa检测vwf:ag浓度，并将每个健康血样和每个低vwf血样均进行0.1％pbs-吐温中稀释，以使每个健康血样和每个低vwf血样中vwf:ag浓度达到1μg/ml；
8.步骤s2、将每个健康血样和每个低vwf血样均与凝集素芯片进行孵育1小时，获取凝集素芯片的凝集素点阵荧光图片，将凝集素点阵荧光图片使用预先建立的芯片有效性判定模型确定出每个凝集素芯片的芯片有效性，并再基于芯片有效性在所有凝集素芯片中分别筛选出有效凝集素芯片，将孵育1小时后的有效凝集素芯片利用芯片扫描仪读出有效凝集素芯片中各个凝集素与健康血样和低vwf血样的凝集素结合力；
9.步骤s3、利用基于神经网络模型预先建立的有效样本识别模型对有效凝集素芯片中各个凝集素与健康血样和低vwf血样的凝集素结合力的结合力图像进行自动化识别，以在一组健康血样和一组低vwf血样中筛选出分析特异vwf糖基化谱的健康血样的有效样本
和低vwf血样的有效样本，并将健康血样的有效样本和低vwf血样的有效样本进行凝集素结合力对照分析得到与低vwf血样结合的特异性凝集素，并将特异性凝集素与健康血样和低vwf血样的凝集素结合力绘制出表征血样vwf表面糖基化特征的vwf糖基化谱。
10.作为本发明的一种优选方案，所述将凝集素点阵荧光图片使用预先建立的芯片有效性判定模型确定出每个凝集素芯片的芯片有效性，包括：
11.依次将每个健康血样的凝集素点阵荧光图片输入至芯片有效性判定模型，由芯片有效性判定模型输出每个健康血样的凝集素点阵荧光图片的芯片有效性；
12.依次将每个低vwf血样的凝集素点阵荧光图片输入至芯片有效性判定模型，由芯片有效性判定模型输出每个低vwf血样的凝集素点阵荧光图片的芯片有效性；
13.获取一组存在缺陷的历史凝集素点阵荧光残缺图片，并对所有历史凝集素点阵荧光残缺图片进行芯片有效性类别标签的人工标记，所述芯片有效性类别标签包括残缺图片和非残缺图片；
14.将历史凝集素点阵荧光残缺图片作为softmax神经网络的第一输入项，将历史凝集素点阵荧光残缺图片的芯片有效性类别标签作为softmax神经网络的第一输出项，以及将所述softmax神经网络基于所述第一输入项和所述第一输出项进行卷积训练得到所述芯片有效性判定模型；
15.所述芯片有效性判定模型的模型表达式为：
16.label1＝softmax(figure_vector1)；
17.式中，label1为芯片有效性类别标签的表达式标识符，softmax为softmax神经网络的表达式标识符，figure_vector1为凝集素点阵荧光残缺图片的表达式标识符。
18.作为本发明的一种优选方案，所述再基于芯片有效性在所有凝集素芯片中分别筛选出有效凝集素芯片，包括：
19.将所有健康血样中芯片有效性类别标签为非残缺的凝集素点阵荧光残缺图片对应的凝集素芯片筛选出并标记为健康血样的有效凝集素芯片；
20.将所有低vwf血样中芯片有效性类别标签为非残缺的凝集素点阵荧光残缺图片对应的凝集素芯片筛选出并标记为低vwf血样的有效凝集素芯片。
21.作为本发明的一种优选方案，所述利用基于神经网络模型预先建立的有效样本识别模型对有效凝集素芯片中各个凝集素与健康血样和低vwf血样的凝集素结合力的结合力图像进行自动化识别，包括：
22.依次将每个健康血样的结合力图像输入至健康血样有效样本识别模型，由健康血样有效样本识别模型输出每个健康血样的样本有效性；
23.依次将每个低vwf血样的结合力图像输入至低vwf血样有效样本识别模型，由低vwf血样有效样本识别模型输出每个低vwf血样的样本有效性；
24.所述健康血样有效样本识别模型的构建包括：
25.获取一组历史健康血样的结合力图像，并对所有历史健康血样的结合力图像进行样本有效性类别标签的人工标记，所述样本有效性类别标签包括无效血样和有效血样；
26.将历史健康血样的结合力图像作为softmax神经网络的第二输入项，将历史健康血样的结合力图像的样本有效性类别标签作为softmax神经网络的第二输出项，以及将所述softmax神经网络基于所述第二输入项和所述第二输出项进行卷积训练得到所述健康血
样有效样本识别模型；
27.所述健康血样有效样本识别模型的模型表达式为：
28.labe2＝softmax(figure_vector2)；
29.式中，labe2为健康血样样本有效性类别标签的表达式标识符，softmax为softmax神经网络的表达式标识符，figure_vector2为健康血样结合力图像的表达式标识符；
30.所述低vwf血样有效样本识别模型的构建包括：
31.获取一组历史低vwf血样的结合力图像，并对所有历史低vwf血样的结合力图像进行样本有效性类别标签的人工标记，所述样本有效性类别标签包括无效血样和有效血样；
32.将历史低vwf血样的结合力图像作为softmax神经网络的第三输入项，将历史低vwf血样的结合力图像的样本有效性类别标签作为softmax神经网络的第三输出项，以及将所述softmax神经网络基于所述第三输入项和所述第三输出项进行卷积训练得到所述低vwf血样有效样本识别模型；不清楚
33.所述低vwf血样有效样本识别模型的模型表达式为：
34.label3＝softmax(figure_vector3)；
35.式中，label3为低vwf样本有效性类别标签的表达式标识符，softmax为softmax神经网络的表达式标识符，figure_vector3为低vwf结合力图像的表达式标识符。
36.作为本发明的一种优选方案，所述健康血样的有效样本和有效低vwf血样的筛选包括：
37.将所有健康血样中样本有效性类别标签为有效血样的健康血样筛选出并标记为健康血样的有效样本；
38.将所有低vwf血样中样本有效性类别标签为有效血样的低vwf血样筛选出并标记为低vwf血样的有效样本。
39.作为本发明的一种优选方案，所述特异性凝集素的获得包括：
40.在健康血样的有效样本和低vwf血样的有效样本中均选取出n个有效样本；
41.在n个健康血样的有效样本中每个凝集素的凝集素结合力进行汇总得到健康血样中每个凝集素的凝集素结合力向量，所述健康血样中凝集素结合力向量的函数表达式为：xi＝{x
ij
|i∈[1,m],j∈[1,n]}，式中，xi为第i个凝集素的凝集素结合力向量，x
ij
为健康血样中第j个有效样本与第i个凝集素的凝集素结合力，m为有效凝集素芯片的凝集素总数量；
[0042]
在n个低vwf血样的有效样本中依次将每个凝集素的凝集素结合力进行汇总得到低vwf血样中每个凝集素的凝集素结合力向量，所述低vwf血样中凝集素结合力向量的函数表达式为：yi＝{y
ij
|i∈[1,m],j∈[1,n]}，式中，xi为第i个凝集素的凝集素结合力向量，x
ij
为健康血样中第j个有效样本与第i个凝集素的凝集素结合力，m为有效凝集素芯片的凝集素总数量；
[0043]
依次计算健康血样中凝集素结合力向量xi与低vwf血样中凝集素结合力向量yi的相似度，并将所述相似度与相似度阈值比较，其中，
[0044]
当所述相似度大于相似度阈值，则凝集素结合力向量对应的第i个凝集素为特异性凝集素；
[0045]
当所述相似度小于或等于相似度阈值，则凝集素结合力向量对应的第i个凝集素为非特异性凝集素；
[0046]
所述相似度利用欧式距离进行度量，所述相似度计算公式为：
[0047][0048]
式中，pi为xi和yi的相似度，t为转置运算符。
[0049]
作为本发明的一种优选方案，所述将特异性凝集素与健康血样和低vwf血样的凝集素结合力绘制出表征血样vwf表面糖基化特征的vwf糖基化谱，包括：
[0050]
在健康血样的有效样本提取出特异性凝集素对应的凝集素结合力绘制成表征健康血样vwf表面糖基化特征的健康血样的vwf糖基化谱；
[0051]
在低vwf血样的有效样本提取出特异性凝集素对应的凝集素结合力绘制成表征低vwf血样vwf表面糖基化特征的低vwf血样的vwf糖基化谱。
[0052]
作为本发明的一种优选方案，所述凝集素芯片中包括刀豆凝集素a、雪花莲凝集素、菜豆白凝集植物血凝素、菜豆红凝集植物血凝素、间质曼陀罗凝集素、水晶体凝集素、紫癜白血球凝集素、紫穗玛卡菌血凝素、黑参凝集素、白血球凝集素、欧几里香凝集素-i、莲藕凝集素、蓖麻凝集素-i、水晶刺桐凝集素、花生凝集素、木菠萝素、银耳凝集素ib4、紫藤凝集素、大豆凝集素、螺旋波马凝集素、砂仁凝集素、双花杜立克凝集素、银耳凝集素ii、小麦胚芽凝集素、番茄凝集素和马铃薯凝集素。
[0053]
作为本发明的一种优选方案，所述特异性凝集素包括黑参凝集素和蓖麻凝集素-i。
[0054]
本发明与现有技术相比较具有如下有益效果：
[0055]
本发明加入机器视觉，利用神经网络模型进行人工智能自动化识别，在所有实验样本筛选出特异的vwf糖基化谱的有效样本，避免无效样本对后续vwf糖基化谱的分析造成干扰，而且进行血样对照分析得到准确评估vwf聚糖特性的特异性凝集素，后续只需要进行黑参凝集素和蓖麻凝集素-i的凝集分析就能得到表征血样的vwf聚糖特性，提高血浆vwf表面糖基化分析的分析效率和分析准确度。
附图说明
[0056]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0057]
图1为本发明实施例提供的vwf表面糖基化分析方法流程图。
具体实施方式
[0058]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059]
如图1所示，本发明提供了一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，包括以下步骤：
[0060]
一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，包括以下步骤：
[0061]
步骤s1、选取一组健康人和一组低vwf病人血浆样本分别作为一组健康血样和一组低vwf血样，采用抗vwf多克隆抗体包被的elisa检测vwf:ag浓度，并将每个健康血样和每个低vwf血样均进行0.1％pbs-吐温中稀释，以使每个健康血样和每个低vwf血样中vwf:ag浓度达到1μg/ml，在健康血样和低vwf血样均含有荧光标记物；
[0062]
步骤s2、将每个健康血样和每个低vwf血样均与凝集素芯片进行孵育1小时，获取凝集素芯片的凝集素点阵荧光图片，将凝集素点阵荧光图片使用预先建立的芯片有效性判定模型确定出每个凝集素芯片的芯片有效性，并再基于芯片有效性在所有凝集素芯片中分别筛选出有效凝集素芯片，将孵育1小时后的有效凝集素芯片利用芯片扫描仪读出有效凝集素芯片中各个凝集素与健康血样和低vwf血样的凝集素结合力；
[0063]
所述将凝集素点阵荧光图片使用预先建立的芯片有效性判定模型确定出每个凝集素芯片的芯片有效性，包括：
[0064]
依次将每个健康血样的凝集素点阵荧光图片输入至芯片有效性判定模型，由芯片有效性判定模型输出每个健康血样的凝集素点阵荧光图片的芯片有效性；
[0065]
依次将每个低vwf血样的凝集素点阵荧光图片输入至芯片有效性判定模型，由芯片有效性判定模型输出每个低vwf血样的凝集素点阵荧光图片的芯片有效性；
[0066]
获取一组存在缺陷的历史凝集素点阵荧光残缺图片，并对所有历史凝集素点阵荧光残缺图片进行芯片有效性类别标签的人工标记，所述芯片有效性类别标签包括残缺图片和非残缺图片；
[0067]
将历史凝集素点阵荧光残缺图片作为softmax神经网络的第一输入项，将历史凝集素点阵荧光残缺图片的芯片有效性类别标签作为softmax神经网络的第一输出项，以及将所述softmax神经网络基于所述第一输入项和所述第一输出项进行卷积训练得到所述芯片有效性判定模型；
[0068]
所述芯片有效性判定模型的模型表达式为：
[0069]
label1＝softmax(figure_vector1)；
[0070]
式中，label1为芯片有效性类别标签的表达式标识符，softmax为softmax神经网络的表达式标识符，figure_vector1为凝集素点阵荧光残缺图片的表达式标识符。
[0071]
所述再基于芯片有效性在所有凝集素芯片中分别筛选出有效凝集素芯片，包括：
[0072]
将所有健康血样中芯片有效性类别标签为非残缺的凝集素点阵荧光残缺图片对应的凝集素芯片筛选出并标记为健康血样的有效凝集素芯片；
[0073]
将所有低vwf血样中芯片有效性类别标签为非残缺的凝集素点阵荧光残缺图片对应的凝集素芯片筛选出并标记为低vwf血样的有效凝集素芯片。
[0074]
构建模型进行芯片有效性筛选，可以自动对有残缺的凝集素芯片进行剔除，避免进入后续流程，影响后续的分析结果准确性，而且自动识别相较于人工识别，减轻了人员负担，并且避免了人工识别的主观性。
[0075]
步骤s3、利用基于神经网络模型预先建立的有效样本识别模型对有效凝集素芯片中各个凝集素与健康血样和低vwf血样的凝集素结合力的结合力图像进行自动化识别，以在一组健康血样和一组低vwf血样中筛选出分析特异vwf糖基化谱的健康血样的有效样本和低vwf血样的有效样本，并将健康血样的有效样本和低vwf血样的有效样本进行凝集素结
合力对照分析得到与低vwf血样结合的特异性凝集素，并将特异性凝集素与健康血样和低vwf血样的凝集素结合力绘制出表征血样vwf表面糖基化特征的vwf糖基化谱。
[0076]
所述利用基于神经网络模型预先建立的有效样本识别模型对有效凝集素芯片中各个凝集素与健康血样和低vwf血样的凝集素结合力的结合力图像进行自动化识别，包括：
[0077]
依次将每个健康血样的结合力图像输入至健康血样有效样本识别模型，由健康血样有效样本识别模型输出每个健康血样的样本有效性；
[0078]
依次将每个低vwf血样的结合力图像输入至低vwf血样有效样本识别模型，由低vwf血样有效样本识别模型输出每个低vwf血样的样本有效性；
[0079]
所述健康血样有效样本识别模型的构建包括：
[0080]
获取一组历史健康血样的结合力图像，并对所有历史健康血样的结合力图像进行样本有效性类别标签的人工标记，所述样本有效性类别标签包括无效血样和有效血样；
[0081]
将历史健康血样的结合力图像作为softmax神经网络的第二输入项，将历史健康血样的结合力图像的样本有效性类别标签作为softmax神经网络的第二输出项，以及将所述softmax神经网络基于所述第二输入项和所述第二输出项进行卷积训练得到所述健康血样有效样本识别模型；
[0082]
所述健康血样有效样本识别模型的模型表达式为：
[0083]
labe2＝softmax(figure_vector2)；
[0084]
式中，labe2为健康血样样本有效性类别标签的表达式标识符，softmax为softmax神经网络的表达式标识符，figure_vector2为健康血样结合力图像的表达式标识符；
[0085]
所述低vwf血样有效样本识别模型的构建包括：
[0086]
获取一组历史低vwf血样的结合力图像，并对所有历史低vwf血样的结合力图像进行样本有效性类别标签的人工标记，所述样本有效性类别标签包括无效血样和有效血样；
[0087]
将历史低vwf血样的结合力图像作为softmax神经网络的第三输入项，将历史低vwf血样的结合力图像的样本有效性类别标签作为softmax神经网络的第三输出项，以及将所述softmax神经网络基于所述第三输入项和所述第三输出项进行卷积训练得到所述低vwf血样有效样本识别模型；不清楚
[0088]
所述低vwf血样有效样本识别模型的模型表达式为：
[0089]
label3＝softmax(figure_vector3)；
[0090]
式中，label3为低vwf样本有效性类别标签的表达式标识符，softmax为softmax神经网络的表达式标识符，figure_vector3为低vwf结合力图像的表达式标识符。
[0091]
构建模型进行样本有效性筛选，可以自动对不符合的血样进行剔除，避免进入后续流程，影响后续的分析结果准确性，而且自动识别相较于人工识别，减轻了人员负担，并且避免了人工识别的主观性。
[0092]
所述健康血样的有效样本和有效低vwf血样的筛选，包括：
[0093]
将所有健康血样中样本有效性类别标签为有效血样的健康血样筛选出并标记为健康血样的有效样本；
[0094]
将所有低vwf血样中样本有效性类别标签为有效血样的低vwf血样筛选出并标记为低vwf血样的有效样本。
[0095]
所述特异性凝集素的获得包括：
[0096]
在健康血样的有效样本和低vwf血样的有效样本中均选取出n个有效样本；
[0097]
在n个健康血样的有效样本中每个凝集素的凝集素结合力进行汇总得到健康血样中每个凝集素的凝集素结合力向量，所述健康血样中凝集素结合力向量的函数表达式为：xi＝{x
ij
|i∈[1,m],j∈[1,n]}，式中，xi为第i个凝集素的凝集素结合力向量，x
ij
为健康血样中第j个有效样本与第i个凝集素的凝集素结合力，m为有效凝集素芯片的凝集素总数量；
[0098]
在n个低vwf血样的有效样本中依次将每个凝集素的凝集素结合力进行汇总得到低vwf血样中每个凝集素的凝集素结合力向量，所述低vwf血样中凝集素结合力向量的函数表达式为：yi＝{y
ij
|i∈[1,m],j∈[1,n]}，式中，xi为第i个凝集素的凝集素结合力向量，x
ij
为健康血样中第j个有效样本与第i个凝集素的凝集素结合力，m为有效凝集素芯片的凝集素总数量；
[0099]
依次计算健康血样中凝集素结合力向量xi与低vwf血样中凝集素结合力向量yi的相似度，并将所述相似度与相似度阈值比较，其中，
[0100]
当所述相似度大于相似度阈值，则凝集素结合力向量对应的第i个凝集素为特异性凝集素；
[0101]
当所述相似度小于或等于相似度阈值，则凝集素结合力向量对应的第i个凝集素为非特异性凝集素；
[0102]
所述相似度利用欧式距离进行度量，所述相似度计算公式为：
[0103][0104]
式中，pi为xi和yi的相似度，t为转置运算符。
[0105]
对于第i个凝集素而言，一组低vwf血样和一组健康血样的相似度越低，则说明在第i个凝集素上低vwf血样具有特异性表现，即后续可以利用第i个凝集素进行低血管性血友病检测的vwf糖基化分析，得到表征血样的vwf聚糖特性，用于探索vwf聚糖唾液酸化修饰在调节其清除方面起着关键作用。
[0106]
所述将特异性凝集素与健康血样和低vwf血样的凝集素结合力绘制出表征血样vwf表面糖基化特征的vwf糖基化谱，包括：
[0107]
在健康血样的有效样本提取出特异性凝集素对应的凝集素结合力绘制成表征健康血样vwf表面糖基化特征的健康血样的vwf糖基化谱；
[0108]
在低vwf血样的有效样本提取出特异性凝集素对应的凝集素结合力绘制成表征低vwf血样vwf表面糖基化特征的低vwf血样的vwf糖基化谱。
[0109]
所述凝集素芯片中包括刀豆凝集素a、雪花莲凝集素、菜豆白凝集植物血凝素、菜豆红凝集植物血凝素、间质曼陀罗凝集素、水晶体凝集素、紫癜白血球凝集素、紫穗玛卡菌血凝素、黑参凝集素、白血球凝集素、欧几里香凝集素-i、莲藕凝集素、蓖麻凝集素-i、水晶刺桐凝集素、花生凝集素、木菠萝素、银耳凝集素ib4、紫藤凝集素、大豆凝集素、螺旋波马凝集素、砂仁凝集素、双花杜立克凝集素、银耳凝集素ii、小麦胚芽凝集素、番茄凝集素和马铃薯凝集素。
[0110]
所述特异性凝集素包括黑参凝集素和蓖麻凝集素-i，黑参凝集素主要识别n-型糖上的α2,6唾液酸(sa)，而蓖麻凝集素i特异性识别去唾液酸的β-gal/β-galnac，能够充分的分析出vwf糖基化特征。
[0111]
本发明加入机器视觉，利用神经网络模型进行人工智能自动化识别，在所有实验
样本筛选出特异的vwf糖基化谱的有效样本，避免无效样本对后续vwf糖基化谱的分析造成干扰，而且进行血样对照分析得到准确评估vwf聚糖特性的特异性凝集素，后续只需要进行黑参凝集素和蓖麻凝集素-i的凝集分析就能得到表征血样的vwf聚糖特性，提高血浆vwf表面糖基化分析的分析效率和分析准确度。
[0112]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。
技术特征：1.一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，其特征在于，包括以下步骤：步骤s1、选取一组健康人和一组低vwf病人血浆样本分别作为一组健康血样和一组低vwf血样，采用抗vwf多克隆抗体包被的elisa检测vwf:ag浓度，并将每个健康血样和每个低vwf血样均进行0.1％pbs-吐温中稀释，以使每个健康血样和每个低vwf血样中vwf:ag浓度达到1μg/ml；步骤s2、将每个健康血样和每个低vwf血样均与凝集素芯片进行孵育1小时，获取凝集素芯片的凝集素点阵荧光图片，将凝集素点阵荧光图片使用预先建立的芯片有效性判定模型确定出每个凝集素芯片的芯片有效性，并再基于芯片有效性在所有凝集素芯片中分别筛选出有效凝集素芯片，将孵育1小时后的有效凝集素芯片利用芯片扫描仪读出有效凝集素芯片中各个凝集素与健康血样和低vwf血样的凝集素结合力；步骤s3、利用基于神经网络模型预先建立的有效样本识别模型对有效凝集素芯片中各个凝集素与健康血样和低vwf血样的凝集素结合力的结合力图像进行自动化识别，以在一组健康血样和一组低vwf血样中筛选出分析特异vwf糖基化谱的健康血样的有效样本和低vwf血样的有效样本，并将健康血样的有效样本和低vwf血样的有效样本进行凝集素结合力对照分析得到与低vwf血样结合的特异性凝集素，并将特异性凝集素与健康血样和低vwf血样的凝集素结合力绘制出表征血样vwf表面糖基化特征的vwf糖基化谱。2.根据权利要求1所述的一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，其特征在于：所述将凝集素点阵荧光图片使用预先建立的芯片有效性判定模型确定出每个凝集素芯片的芯片有效性，包括：依次将每个健康血样的凝集素点阵荧光图片输入至芯片有效性判定模型，由芯片有效性判定模型输出每个健康血样的凝集素点阵荧光图片的芯片有效性；依次将每个低vwf血样的凝集素点阵荧光图片输入至芯片有效性判定模型，由芯片有效性判定模型输出每个低vwf血样的凝集素点阵荧光图片的芯片有效性；获取一组存在缺陷的历史凝集素点阵荧光残缺图片，并对所有历史凝集素点阵荧光残缺图片进行芯片有效性类别标签的人工标记，所述芯片有效性类别标签包括残缺图片和非残缺图片；将历史凝集素点阵荧光残缺图片作为softmax神经网络的第一输入项，将历史凝集素点阵荧光残缺图片的芯片有效性类别标签作为softmax神经网络的第一输出项，以及将所述softmax神经网络基于所述第一输入项和所述第一输出项进行卷积训练得到所述芯片有效性判定模型；所述芯片有效性判定模型的模型表达式为：label1＝softmax(figure_vector1)；式中，label1为芯片有效性类别标签的表达式标识符，softmax为softmax神经网络的表达式标识符，figure_vector1为凝集素点阵荧光残缺图片的表达式标识符。3.根据权利要求2所述的一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，其特征在于：所述再基于芯片有效性在所有凝集素芯片中分别筛选出有效凝集素芯片，包括：将所有健康血样中芯片有效性类别标签为非残缺的凝集素点阵荧光残缺图片对应的凝集素芯片筛选出并标记为健康血样的有效凝集素芯片；
将所有低vwf血样中芯片有效性类别标签为非残缺的凝集素点阵荧光残缺图片对应的凝集素芯片筛选出并标记为低vwf血样的有效凝集素芯片。4.根据权利要求3所述的一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，其特征在于：所述利用基于神经网络模型预先建立的有效样本识别模型对有效凝集素芯片中各个凝集素与健康血样和低vwf血样的凝集素结合力的结合力图像进行自动化识别，包括：依次将每个健康血样的结合力图像输入至健康血样有效样本识别模型，由健康血样有效样本识别模型输出每个健康血样的样本有效性；依次将每个低vwf血样的结合力图像输入至低vwf血样有效样本识别模型，由低vwf血样有效样本识别模型输出每个低vwf血样的样本有效性；所述健康血样有效样本识别模型的构建包括：获取一组历史健康血样的结合力图像，并对所有历史健康血样的结合力图像进行样本有效性类别标签的人工标记，所述样本有效性类别标签包括无效血样和有效血样；将历史健康血样的结合力图像作为softmax神经网络的第二输入项，将历史健康血样的结合力图像的样本有效性类别标签作为softmax神经网络的第二输出项，以及将所述softmax神经网络基于所述第二输入项和所述第二输出项进行卷积训练得到所述健康血样有效样本识别模型；所述健康血样有效样本识别模型的模型表达式为：labe2＝softmax(figure_vector2)；式中，labe2为健康血样样本有效性类别标签的表达式标识符，softmax为softmax神经网络的表达式标识符，figure_vector2为健康血样结合力图像的表达式标识符；所述低vwf血样有效样本识别模型的构建包括：获取一组历史低vwf血样的结合力图像，并对所有历史低vwf血样的结合力图像进行样本有效性类别标签的人工标记，所述样本有效性类别标签包括无效血样和有效血样；将历史低vwf血样的结合力图像作为softmax神经网络的第三输入项，将历史低vwf血样的结合力图像的样本有效性类别标签作为softmax神经网络的第三输出项，以及将所述softmax神经网络基于所述第三输入项和所述第三输出项进行卷积训练得到所述低vwf血样有效样本识别模型；不清楚所述低vwf血样有效样本识别模型的模型表达式为：label3＝softmax(figure_vector3)；式中，label3为低vwf样本有效性类别标签的表达式标识符，softmax为softmax神经网络的表达式标识符，figure_vector3为低vwf结合力图像的表达式标识符。5.根据权利要求4所述的一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，其特征在于：所述健康血样的有效样本和有效低vwf血样的筛选，包括：将所有健康血样中样本有效性类别标签为有效血样的健康血样筛选出并标记为健康血样的有效样本；将所有低vwf血样中样本有效性类别标签为有效血样的低vwf血样筛选出并标记为低vwf血样的有效样本。6.根据权利要求5所述的一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，其特征在于：所述特异性凝集素的获得包括：
在健康血样的有效样本和低vwf血样的有效样本中均选取出n个有效样本；在n个健康血样的有效样本中每个凝集素的凝集素结合力进行汇总得到健康血样中每个凝集素的凝集素结合力向量，所述健康血样中凝集素结合力向量的函数表达式为：x
i
＝{x
ij
|i∈[1,m],j∈[1,n]}，式中，x
i
为第i个凝集素的凝集素结合力向量，x
ij
为健康血样中第j个有效样本与第i个凝集素的凝集素结合力，m为有效凝集素芯片的凝集素总数量；在n个低vwf血样的有效样本中依次将每个凝集素的凝集素结合力进行汇总得到低vwf血样中每个凝集素的凝集素结合力向量，所述低vwf血样中凝集素结合力向量的函数表达式为：y
i
＝{y
ij
|i∈[1,m],j∈[1,n]}，式中，x
i
为第i个凝集素的凝集素结合力向量，x
ij
为健康血样中第j个有效样本与第i个凝集素的凝集素结合力，m为有效凝集素芯片的凝集素总数量；依次计算健康血样中凝集素结合力向量x
i
与低vwf血样中凝集素结合力向量y
i
的相似度，并将所述相似度与相似度阈值比较，其中，当所述相似度大于相似度阈值，则凝集素结合力向量对应的第i个凝集素为特异性凝集素；当所述相似度小于或等于相似度阈值，则凝集素结合力向量对应的第i个凝集素为非特异性凝集素；所述相似度利用欧式距离进行度量，所述相似度计算公式为：式中，p
i
为x
i
和y
i
的相似度，t为转置运算符。7.根据权利要求6所述的一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，其特征在于，所述将特异性凝集素与健康血样和低vwf血样的凝集素结合力绘制出表征血样vwf表面糖基化特征的vwf糖基化谱，包括：在健康血样的有效样本提取出特异性凝集素对应的凝集素结合力绘制成表征健康血样vwf表面糖基化特征的健康血样的vwf糖基化谱；在低vwf血样的有效样本提取出特异性凝集素对应的凝集素结合力绘制成表征低vwf血样vwf表面糖基化特征的低vwf血样的vwf糖基化谱。8.根据权利要求7所述的一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，其特征在于，所述凝集素芯片中包括刀豆凝集素a、雪花莲凝集素、菜豆白凝集植物血凝素、菜豆红凝集植物血凝素、间质曼陀罗凝集素、水晶体凝集素、紫癜白血球凝集素、紫穗玛卡菌血凝素、黑参凝集素、白血球凝集素、欧几里香凝集素-i、莲藕凝集素、蓖麻凝集素-i、水晶刺桐凝集素、花生凝集素、木菠萝素、银耳凝集素ib4、紫藤凝集素、大豆凝集素、螺旋波马凝集素、砂仁凝集素、双花杜立克凝集素、银耳凝集素ii、小麦胚芽凝集素、番茄凝集素和马铃薯凝集素。9.根据权利要求8所述的一种利用凝集素芯片对血浆vwf表面糖基化谱的分析方法，其特征在于，所述特异性凝集素包括黑参凝集素和蓖麻凝集素-i。
技术总结本发明公开了一种利用凝集素芯片对血浆VWF表面糖基化谱的分析方法，包括以下步骤：利用基于神经网络模型预先建立的有效样本识别模型筛选出分析特异VWF糖基化谱的健康血样的有效样本和低VWF血样的有效样本，并将健康血样的有效样本和低VWF血样的有效样本进行凝集素结合力对照分析得到与低VWF血样结合的特异性凝集素，并将特异性凝集素与健康血样和低VWF血样的凝集素结合力绘制出表征血样VWF表面糖基化特征的VWF糖基化谱。本发明加入机器视觉，利用神经网络模型进行人工智能自动化识别在所有实验样本筛选出特异的VWF糖基化谱的有效样本，避免无效样本对后续VWF糖基化谱的分析造成干扰。分析造成干扰。分析造成干扰。
技术研发人员：蒋艺枝 黄东平
受保护的技术使用者：皖南医学院第一附属医院（皖南医学院弋矶山医院）
技术研发日：2022.07.19
技术公布日：2022/11/1
