关键词： 司机严重事故风险等级   不平衡数据   机器学习   集成学习   深度学习  

摘要： 随着城市化成为全球发展的大趋势,车辆的持有量不断增加,随之而来的就是交通事故和伤亡人数的大量增加,这给社会和个人带来了极大的损失和困扰。同时城市化的进程和交通拥堵情况的加剧也促进了车联网技术的发展。且随着汽车行业的发展,车险业务也逐渐壮大起来,但企业在扩大车险业务范围的时候往往只注重完善盈利模式以及达成销售目标,从而忽视了对高风险司机的识别以及理赔成本的管控。故无论是从社会安全的角度来看还是从企业车险运营、车联网发展的角度来看,对司机进行风险识别都是重要研究方向。加之在大数据时代的背景下,获取海量用户数据变得越来越容易,机器学习算法也发展得相对成熟,对于客户风险识别的技术越来越先进。但目前针对于司机驾驶风险的识别与管控的相关研究还较少,且其中更多的是基于理论分析的角度进行研究,在使用数据对司机驾驶风险进行量化分类预测的角度上还有很大的研究空间。故本文主要基于事故司机的个人特征、车辆特征、道路特征以及行驶环境四大方面研究司机驾驶风险分类预测问题。首先根据参考文献以及经验选取可能对司机驾驶风险产生影响的特征,使用合理的方式对于缺失值、异常值进行处理,并对变量值进行编码和标准化。随后利用随机森林模型对选取的特征进行重要性的排序,选取重要性大于0.01的特征作为模型的输入变量。然后对数据的不平衡问题进行处理,分别采用SMOTE过采样、Near Miss欠采样以及SMOTETomek混合采样对数据进行平衡化处理,并将原始数据集以及三种平衡化处理后的数据集分别带入CART决策树、基分类器为CART决策树的Adaboost集成学习和ANN深度学习模型、将原始不平衡数据集带入适用于不平衡数据集的基于Adaboost集成学习的Easy Ensemble不平衡分类模型进行训练,并使用测试集对模型的效果进行评估。通过各类模型效果的比较,发现原始不平衡数据集直接带入模型的分类效果与随机分类类似,效果极差,而三种平衡化采用方法以及Easy Ensemble模型均一定程度上解决了不平衡数据无法进行有效分类预测的问题,模型的G＿means、F＿measure以及AUC值都得到了有效的提升,能够有效地识别出高风险司机。总得来说,SMOTETomek-Adaboost的预测分类效果最佳,该模型的AUC可以达到0.94,本文建议将该模型应用于高风险司机识别分类的问题上。

关键词： 用户研究   电商平台   购买预测   分类算法   XGBoost   CatBoost   模型融合  

摘要： 随着当下互联网技术的发展,人们的生活方式和习惯发生了极大的变化,电商平台飞速发展。在疫情背景下线下零售也转向电商梯队,线上化、数字化成为线下门店的转型战略。各大电商平台都在不断优化自家推荐算法,但如何推荐能够更加精准有效、促进交易的达成,是各大平台的挑战。解决这一问题就需要聚焦用户行为数据的研究,根据用户历史行为数据来预测用户行为。用户行为预测可以帮助电商平台了解用户的需求和行为,进而优化自家产品和服务,提高用户的满意度、活跃度、忠诚度,从而提高用户的留存,获得更多的收益,抢占市场领先地位。本文首先基于文献研究法,在用户研究领域中选取相关论文进行研究。总结并介绍了国内外相关学者在此方向的研究现状和研究结果,发现在此领域的常用分类算法模型众多,包括了逻辑回归算法模型、支持向量机算法模型、极度梯度提升XGBoost算法模型、随机森林算法模型等。本文将机器学习的方法和数据挖掘的相关理论应用到电商行业的用户行为研究中,在将主流分类算法如极度梯度提升XGBoost、支持向量机等应用到用户购买行为预测中的留存等问题转化成预测用户购买行为的研究问题。其次本文进行探索性数据分析,探寻了数据存在的趋势特征以及是否有缺失值等信息。进一步进行数据预处理,操作包括了对缺失值填充、时间数据分箱、离群值删除、类别型特征采用One-Hot编码等。接下来,本文根据实际对业务场景的理解,按照用户、店铺、商品及其叉乘的维度构建多个特征,并使用XGBoost算法进行特征选择,选择得分前30的特征将其用作模型训练。最后是模型训练和评估,选取支持向量机、随机森林、LightGBM、XGBoost、CatBoost结合训练集,对用户购买行为进行预测和分析。利用精准率、查重率、F1-Score等评价指标对五个模型结果对比评估,发现CatBoost的预测效果更好。之后通过对参数的学习和理解,对表现更好的CatBoost模型进行参数调整来优化模型得到catboost2模型,优化后的模型的评价指标表现略有提升。同时,本文分别通过硬投票法和softvoting的软投票方式将前文得到的支持向量机、随机森林、LightGBM、XGBoost、CatBoost2模型进行融合,融合模型的准确率、召回率、F1值均比单一模型有稍好的表现。

关键词： 机器学习   降维   逐步回归   正则化惩罚   Stepwise-Kriging模型  

摘要： Kriging模型是一种最小化均方误差损失的插值模型,由于具有较高的精度和准确性,该模型被广泛应用于具有较高计算成本的工程问题.在处理低维工程问题时,Kriging模型能够展现出较好的近似效果.然而,当处理的问题变得高维、复杂时,Kriging模型的性能显著下降,并且建模所需的时间急剧增加.出现这种情况的原因是高维的数据样本会导致Kriging建模过程相关矩阵和超参数计算的复杂度迅速增长,进而迫使Kriging模型的效率和精度低下,甚至出现建模失败等结果.因此,对高维的Kriging建模进行优化具有重要的理论意义和工程价值.鉴于以上考虑,本文对高维Kriging模型开展了研究,主要研究内容和成果如下:(1)针对高维Kriging建模时间过长和精度偏低等问题,提出了StepwiseKriging模型,有效弥补了高维Kriging方法的缺陷.将Kriging模型和机器学习的降维算法相结合,提出了一种基于逐步回归特征选择的Kriging方法,即Stepwise-Kriging模型.该方法在建立Kriging模型前,按照给定的p值大小,使用逐步回归技术将初始的高维数据进行特征选择,转化为低维数据.问题的关键是如何选取逐步回归过程中的最优p值,本文按照假定的步长进行划分,使用区间内不同的p值建立Stepwise-Kriging模型,并结合交叉验证结果,选择出误差最小的Stepwise-Kriging模型p值,以进行最优模型的建立及后续问题的分析与验证.由于降低了初始样本点的维数,该方法可以显著降低Kriging模型的计算时间.另外,得益于逐步回归可以有效解决多重共线性等问题的性质,在处理冗余变量多和变量共线性程度高的问题时,Stepwise-Kriging模型具有极大的优势.(2)对Stepwise-Kriging模型实施了正则化惩罚,建立了正则化StepwiseKriging模型,从而进一步提高了模型的精度和泛化能力.尽管提出的Stepwise-Kriging模型能够实现降维效果,但由于其本质上是将数据进行简单的降维,并没有改变模型的结构,故其精度和泛化能力有待进一步完善.特别是在处理具有很大的条件数的不适定反问题时,Stepwise-Kriging模型的结果缺乏一定的稳定性.因此,有必要对提出的模型进行合理的优化.考虑到正则化技术能够很好的处理该类问题,从理论上对Stepwise-Kriging模型的损失函数实施了正则化项的惩罚,并重新推导了模型.由于增加的正则化项系数(亦称为惩罚系数)需要使用者定义,于是,惩罚系数的选择也是一个亟需解决的问题.对给定的不同惩罚系数分别建立了Stepwise-Kriging模型,并结合交叉验证的结果确定了最优值.本文提出的Stepwise-Kriging模型和正则化Stepwise-Kriging模型都使用了一些数值函数和工程仿真实例进行了测试.测试结果验证了本文方法的精度和准确性,特别是当数据之间存在强相关性时,使用本文的方法具有显著的优势.

关键词： 机器学习   复杂网络   投资组合优化   全局最小方差模型  

摘要： 沪深300指数是我国A股市场的重要指标之一,它包含了沪市和深市300家规模较大、流动性较好的上市公司,代表了中国A股市场的整体走势。在此背景下,本文所提出的基于机器学习方法的两步骤投资组合优化以沪深300指数为研究对象,构建投资策略,从中挑选出具有投资价值的股票。 策略总体分为两个步骤,第一步是股票选择,利用Rice Quant平台上的因子,通过因子有效性分析,选出5个技术类因子和11个基本面因子,同时使用主成分分析法降维,降维成8维的特征,采用XGBoost和Light GBM机器学习方法建模,对沪深300指数股票池中的股票进行筛选,筛选出上涨概率较大的股票;第二步是投资组合优化,基于复杂网络理论,将股票市场看作是一个复杂网络,每只股票是一个节点,算出每只股票对数收益率之间的相关系数,利用阈值法,相关系数大于阈值存在连边,计算复杂网络的拓扑指标聚类系数,构建聚类系数矩阵,用聚类系数矩阵替换全局最小方差模型中的相关系数矩阵,从而改进全局最小方差模型,对第一步得到的股票进行投资组合,确定每只股票的投资比例。每日按照股票的投资比例进行交易,根据交易回测结果,计算相关的指标对量化策略进行评价。 在实证分析部分,本文选取2016年1月4日到2020年12月31日的沪深300指数成分股的数据进行建模,2021年1月4日到6月30日的数据作为回测期间。回测内容分成两个部分,第一部分是只使用机器学习模型选出上涨概率较大的股票,每只股票等权重购买。第二部分是使用本文提出的两步骤投资组合优化。回测结果表明,在不同参数的选择下,两步骤的投资组合优化都要优于第一部分的等权重购买策略。

关键词： 二手房   网络爬虫   网格搜索   CatBoost算法   SHAP  

摘要： 房地产行业作为我国经济建设的中坚力量,为人民生活幸福、国家发展稳步打下了坚实的基础。银保监会多次明确指出,要坚持房子“只住不炒”的定位,持续推进稳定房价、稳定预期的交易机制。随着各地一手房源开发受限,房地产行业由增量市场转型为存量市场,意味着房产交易市场流动着更多的二手房。目前,多个城市已出台有关二手房参考价机制政策,其目的在于规范房产交易市场,净化房产线上买卖渠道。该政策依托大数据及人工智能,为各大城市提供了精准有效的二手房参考价,为住宅买卖双方提供了更为透明化、合理化的交易价格。烟台市作为山东省沿海要地,近年来经济发展稳步增长,打造了一批具有竞争力的新兴产业集群。随着烟台市“12335”大城区建设格局的推进,未来势必会吸引众多外来人口在此安居,但目前烟台市暂未出台相关二手房参考价机制平台,因此研究烟台市二手房房价影响因素和趋势会进一步洞悉二手房发展走向以及合理监管二手房市场,为烟台市政府未来制定相关政策提供参考性价值。本文借助烟台市房产交易网站数据,从微观角度入手,建立集多类信息的烟台市二手房价格影响特征库,通过模型对比分析得到了能够有效评估烟台市二手房房价的机器学习模型。研究的整体结构主要有四个方面:数据的获取和预处理、特征选择、模型的构建、对比实验论证。形成的主要成果和结论如下:(一)借助网络爬虫,选择烟台链家二手房交易网站、烟台安居客网站以及高德地图API采集了包含住宅本身硬件条件信息、住宅所在区域的环境信息以及住宅周边基础设施信息的25892条烟台市二手房数据。通过对数据的可视化分析和探索性研究,完成了对数据集的清洗和整理工作,最终得到了24421条完整的烟台市二手房数据。(二)烟台市二手房数据集包含43个特征变量,其中17个数值型变量、26个类别型变量。为了高效适应算法的训练,对26个类别型变量进行了不同方式的量化编码,并选择Cat Boost嵌入式对数据集进行特征筛选,得到最佳建模特征子集。(三)构建基于机器学习的烟台市二手房价格预测模型,以Cat Boost算法作为主要参考模型,介绍了其可行性及算法原理,并采用Grid Search CV方法优化Cat Boost,在此基础上添加SHAP值可视化分析,从特征贡献值的角度加强模型可解释性。并另外构建四类常用房产估价模型,分别为决策树、K近邻、Ada Boost、随机森林,以此验证模型有效性。(四)采用五折交叉验证方式对烟台市二手房数据集划分训练集及验证集,在训练集上分别训练Cat Boost、决策树、K近邻、Ada Boost、随机森林五类机器学习模型,并加入改进后的Cat Boost。选取相应评价指标,根据训练结果对模型结果进行对比测试。研究结果表明,优化后的Cat Boost模型具有相对最高的拟合优度和相对最小的预测误差,其决定系数为0.967、平均绝对误差为126.17、均方根误差为297.19、平均相对误差百分比为10.2%。并且通过SHAP值分析得出区域、商圈是影响二手房交易价格的较为重要的因素。通过以上研究最终得到了能够有效预测烟台市二手房价格的机器学习模型,进一步丰富了房价评估的算法库,为烟台市未来制定二手房参考价政策提供了可行性分析。后续可在此基础上提供长期时效性数据,得到更加稳定的房价评估模型。

关键词： 生物信息学   DNA复制   表观遗传学   三维染色质互作  

摘要： DNA复制(DNA Replication)是指在细胞分裂间期,亲代DNA分子按照碱基互补配对原则合成两个相同的子代的过程。该过程是细胞生命活动的基础,能够确保在细胞分裂时将遗传信息准确传递给子细胞,对维持细胞遗传信息的稳定和众多生命活动过程起着至关重要的作用。对于具有较大基因组的真核生物,需要多个复制起始位点(Origin of DNA replication,ORI)同时进行复制,从而达到遗传信息高效传递的需求。因此,精密地协调基因组中众多复制起始位点的发生,是保证真核细胞遗传信息正确传递的关键。研究DNA复制起始机制的关键步骤是高精度、大规模地确定复制起始位点在基因组中的位置,然而当前复制起始位点识别模型在物种丰富度、特征有效性、与疾病关联分析方面均存在局限性,为此本文的研究重点是从多物种、多角度、多尺度来分析并识别复制起始位点。基于DNA序列、表观遗传标记、染色质三维结构、以及复制时序(Replication Timing)对复制起始进程的影响,本文将DNA复制与序列信息、表观遗传标记、三维染色质结构相关联,深入挖掘复制起始调控机制,构建真实反映复制发生规律的复制起始位点识别模型,并从时间维度探究DNA复制起始与疾病的关联关系,系统表征复制时序与癌症发生之间的关系。全文的具体研究内容如下:(1)针对复制起始位点识别模型的物种局限性,本文分析了不同真核物种复制起始位点的序列保守模式,并利用DNA序列信息构建了首个多物种真核基因组复制起始位点在线预测平台i ORI-Euk(http://***/server/i ORI-Euk/),解决了预测软件在实际使用层面可利用性不足的缺陷。i ORI-Euk模型按照以下步骤进行构建:首先,收集并构建真核复制起始位点基准数据集,利用k-mer组分和单核苷酸二进制编码提取序列信息;然后,利用特征组合策略结合F-score特征筛选方法获得最优特征子集;最后,采用支持向量机(Support Vector Machine,SVM)进行模型训练。5-折交叉检验结果显示i ORI-Euk的模型预测精度达到了80%～94%,证明了模型的鲁棒性,此外,方法间的比较分析表明,i ORI-Euk在预测精度值上比其它工具提高了4%～18%。基于模型的高预测性能,本文搭建了高效的复制起始位点在线预测平台i ORI-Euk,通过该平台,用户可轻松获取多种真核物种全基因组中潜在的复制起始位点的信息,以此满足用户对多物种的需求。(2)复制起始的触发受DNA序列信息调控外,还涉及复杂的表观调控机制,需要多种表观遗传标记协同发挥作用,仅从DNA序列层面可能不足以精确定位复制起始位点。因此,本文分析了表观遗传标记与人类基因组复制起始位点的关系,并探究了表观遗传信息识别复制起始位点的能力。研究结果表明,复制起始位点与活性表观遗传标记和染色质可及性高度耦合,表观遗传标记在复制起始区域与其侧翼区有显著富集差异,并且发现复制起始区域富含高GC含量的转录因子DNA模体(Motif),这些发现说明表观遗传信息具有预测复制起始位点的潜力。因此,本文利用表观遗传标记和转录因子的DNA模体序列刻画复制起始位点的表观遗传特征,并利用随机森林(Random Forest,RF)进行模型训练。结果显示,基于表观遗传标记和转录因子DNA模体序列特征的模型分别获得0.9033和0.9042的预测精度,证明了表观遗传标记在识别复制起始点中的有效性。(3)DNA复制起始位点的选择还与染色质三维构象相关,位于染色质结构域内部、聚集在一起的复制起始位点有更高的起始概率。为此,本文利用三维染色质构象数据,系统探究了三维染色质互作对人类基因组DNA复制起始的影响。具体研究策略如下:首先,单独使用三维染色质互作信息识别复制起始位点,研究结果表明染色质互作信息能够有效识别复制起始位点(AUC=0.8488)。为了获得更精确的预测模型,采用特征融合策略结合递归特征消除技术分别获得多模态特征集(染色质互作特征、表观遗传标记、DNA模体特征)和最优特征子集。结果显示多模态特征融合策略能够显著提升模型的预测性能(AUC=0.9627);此外,特征筛选方法有效地去除了大量的冗余特征,进一步提升了模型的鲁棒性(AUC=0.9638)。最终,本文研究证明了多模态表观遗传信息可以精确识别人类基因组复制起始位点,并解释了三维染色质结构对复制起始位点识别的重要性,提供了多模态特征识别真核复制起始位点的范例。本文开发的多模态特征识别真核基因组复制起始位点的研究框架可从Github(https://***/lin Ding-group/i ORI-Epi)免费获取。(4)本文前三个部分的研究突破了多物种、多模态特征的复制起始位点的研究局限,但缺乏从时间角度

关键词： 炭素混捏   混捏终点   机器学习   时序预测   LSTM算法  

摘要： 预焙阳极作为电解铝过程的重要原材料,其质量的好坏直接关系到铝电解的耗炭量、生产稳定性、铝的纯度等技术指标。炭素混捏为预焙阳极生产的重要工序,混捏终点判断影响着生阳极生产过程的自动化、生产效率和产品合格率。本文首先进行了影响炭素混捏终点的因素的机理研究,再对混捏工艺数据进行采集存储,最后利用机器学习方法建模,实现对炭素混捏终点的判断。所做工作及结论如下:(1)分析了影响炭素混捏终点的因素,明确了机器学习模型的各种输入量。通过对炭素混捏过程的分析,将影响混捏质量的因素和对混捏机工作有影响的因素进行总结归纳得出了影响炭素混捏终点的因素。再进行分析筛选,最终得到可后续采集并能作为机器学习模型的输入量有混合料温度、混捏时间、电机电流、电机电压、搅刀扭矩、搅刀旋转角度等。(2)通过混捏机智能传感系统采集了混捏工艺数据,并实现了两种数据传输及存储办法。对原有数字混捏机能采集到的电流、温度和压力等数据进行了分析,比较了多锅混捏运行数据的分布情况。结果表明数据存在采集频率低、采集因素不全等问题。进一步利用课题组设计的混捏机智能传感系统对混捏数据进行采集,实现了两种数据传输及存储方法,并选用了4G模块的数据透传方法,最终得到了混捏工艺的运行数据。(3)基于机器学习方法实现了对炭素混捏终点的判断。通过分析机器学习建模方法,明确了判断炭素混捏终点的实现步骤。本文根据混捏终点的评判标准不同,采用了两种建模方法。先建立了判断混捏是否完成的分类模型,将机器学习算法应用在炭素混捏终点的判断上。在得到了智能传感系统采集的数据后,再根据其数据的时间特性,进一步利用了时序预测方法,建立回归模型。根据实验结果,使用LSTM算法的时序预测模型判断混捏终点效果最好,其预测混捏剩余时间平均绝对误差控制在30秒内,误差峰值不超过60秒,模型预测结果符合预期。后续对该模型进行实际应用,实现了对炭素混捏终点的判断。

关键词： 粗糙集理论   多级评分   认知诊断   属性约简   机器学习   决策表  

摘要： 认知诊断(cognitive diagnostic assessment,CDA)不仅能够评估个体能力值水平,还可以提供各知识点属性的掌握情况,使得针对性补救教学成为可能。研究者们开发了许多参数化的认知诊断模型,取得了很好的成果,但也存在一些问题,这些问题包括被试量依赖、估计时间过长等,这些问题使得认知诊断无法很好的应用于实际需要。为了解决以上问题,研究者提出了将以分类算法为主的粗糙集方法用于认知诊断中,粗糙集作为刻化和处理不确定性的数学工具,无需先验信息,即可导出分类规则以对论域中的对象进行分类。由此开发出的认知诊断粗糙集方法有着无需项目参数、无需大量被试、适用于属性个数多的测验、无需等值、能够提供学生诊断的即时反馈等优点。然而,已有认知诊断粗糙集方法在属性约简方法和决策规则判准上仍然不成熟,存在一定的问题,例如遗传算法约简结果易局部收敛导致可靠性不足;决策规则判准方法结果粗糙;在较大样本下表现无法提升,以及无法用于目前实际考试中最为常见的多级评分项目。针对以上问题,本文对认知诊断粗糙集方法中的属性约简和决策规则判准两个环节进行了改进,并将认知诊断粗糙集方法拓广到多级评分测验。为了探究改进的认知诊断粗糙集方法效果及其影响因素,本文共开展了四项研究,其中三项模拟研究及一项实证研究。研究一主要在模拟条件下,对粗糙集四种具有代表性的属性约简方法在各条件下进行比较;研究二模拟在认知诊断粗糙集方法下,对六种机器学习方法与决策规则判准的结果进行了比较;研究三通过对比两种决策表的设计,开发了多级评分认知诊断粗糙集方法;研究四在实证数据下验证了改进后认知诊断粗糙集方法的有效性。研究结果表明:(1)在4种属性层级关系条件下,条件信息熵的属性约简方法在粗糙集方法中表现都高于其他几种约简方法,包括已有研究中使用过的遗传算法,且条件信息熵的方法的判准率显著高于遗传算法的判准率。(2)随着属性数增加、猜测失误率提高,DINA(deterministic inputs,noisy“and”gate)模型的判准率下降很快,而粗糙集方法相对更稳定一些。(3)在绝大多数条件下,六种机器学习方法中支持向量机、随机森林和朴素贝叶斯分类器在粗糙集方法中表现高于简单使用决策规则对被试的属性掌握模式进行判准,且朴素贝叶斯分类器方法表现最佳;在属性数较多且样本量较大的条件下,即对于机器学习方法来说训练集较大时,机器学习方法的表现明显好于决策规则方法,二者的判准率存在显著差异。(4)所开发的多级评分认知诊断粗糙集方法虽然与PC-DINA(partial credit DINA)模型结果还有一定的差距,但其判准速度快、不依赖被试量以及判准性能良好的优点依然得到保持,具有一定的实用价值。(5)在实证研究中,改进后的认知诊断粗糙集方法在模式判准率上高于原始的认知诊断粗糙集方法和DINA,在属性判准率上几者表现相近。

关键词： 酸面团   微生物多样性   高通量测序   机器学习  

摘要： 酸面团是由谷物加工产物和水为主要原料,经自然发酵或接种微生物后培养发酵形成的传统面食发酵制品。本课题以河南、山东、山西和陕西地区的酸面团为研究对象,采用传统分离培养方法和高通量测序技术对酸面团微生物群落结构解析,利用机器学习的聚类和降维算法对水分、地理位置与酸面团微生物群落结构进行相关性分析,并采用随机森林算法对关键微生物识别,以期为酸面团产业化生产提供理论参考。首先,采用传统分离培养法从65个酸面团样品中分离到乳酸菌17种,共275株,分别是旧金山果实乳杆菌、解淀粉芽孢杆菌、植物乳植物杆菌、柠檬明串珠菌、屎肠球菌、食窦魏斯氏菌、戊糖片球菌、面包伴生乳杆菌、融合魏斯氏菌、肠膜明串珠菌、短促生乳杆菌、弯曲广泛乳杆菌、类干酪乳酪杆菌、乳酸片球菌、清酒广泛乳杆菌、罗西氏糠乳杆菌和欺诈明串珠菌。其中,旧金山果实乳杆菌和植物乳植物杆菌为优势菌种,分别占18.2%和15.3%。分离到酵母菌9种,共160株,分别是酿酒酵母、异常威克汉姆酵母、膜璞毕赤酵母、仙人掌有孢汉逊酵母、哈萨克斯坦酵母、季也蒙毕赤酵母、戴尔有孢圆酵母、扣囊复膜酵母和库德毕赤酵母。其中,酿酒酵母和异常威克汉姆酵母为优势菌种,分别占37.5%和23.1%。其次,通过高通量测序技术鉴定到酸面团中真菌主要为酿酒酵母、哈萨克斯坦酵母、扣囊复膜酵母和异常威克汉姆酵母,其中,酿酒酵母在80%的酸面团中存在,为优势菌种。不同地区酸面团真菌群落组成存在明显差异,陕西地区的酸面团中哈萨克斯坦酵母相对丰度最高,而扣囊复膜酵母在山西地区的酸面团中相对丰度最高。旧金山果实乳杆菌、戊糖片球菌、食窦魏斯氏菌、植物乳植物杆菌和柠檬明串珠菌为主要细菌菌种,其中以旧金山果实乳杆菌为优势菌种。相较于其他地区,河南地区的酸面团戊糖片球菌较多,而食窦魏斯氏菌在陕西地区的酸面团中相对丰度较高。最后,基于机器学习算法探究水分含量、地理位置和酸面团微生物群落的相关性及关键微生物识别。实验结果表明,水分含量对酸面团中微生物影响较大,而地理因素影响较小。水分含量在15%以上的酸面团中关键乳酸菌为旧金山果实乳杆菌和柠檬明串珠菌,水分含量15%以下的酸面团中以戊糖片球菌和短乳促生杆菌为关键乳酸菌。对不同地区的酸面团关键微生物识别,结果表明河南地区酸面团关键乳酸菌为柠檬明串珠菌、短促生乳杆菌和弯曲广泛乳杆菌,关键酵母菌为酿酒酵母和东方伊萨酵母;扣囊复膜酵母为山东地区的关键酵母菌;山西地区酸面团关键乳酸菌为戊糖片球菌和类食品乳杆菌;陕西地区酸面团关键乳酸菌为旧金山果实乳杆菌,关键真菌为哈萨克斯坦酵母。

关键词： 抑郁症   生物标志物   因果样本权重   小样本学习  

摘要： 抑郁症是一种常见的精神障碍,据临床研究统计约27%的人在一生中会出现抑郁症或与抑郁症发作类似的症状,抑郁症的早期诊断对抑郁症的治疗具有重要意义。传统的抑郁症诊断通常由临床医生依据患者的自述症状和量表检查结果进行判断,这种方法依赖于医生的临床经验和医疗知识,具有一定的主观局限性,容易发生误诊或漏诊。因此临床上急需一个客观的诊断方法来提高抑郁症疾病的诊断率。蛋白质组学技术在蛋白质组水平上研究蛋白质表达水平的变化,蛋白质组学技术对生物样品中的蛋白质表达进行分析,可以有效帮助我们提高对疾病病理生理机制的理解,有助于疾病临床诊断工具的开发。已有研究证明抑郁症患者的血浆蛋白质存在差异表达,因此本文基于血浆质谱数据进行抑郁症分类预测及生物标志物发现研究。使用液相色谱/串联质谱采集得到的质谱数据经过鉴定可以得到蛋白质组学数据,此类数据通常具有“大P,小N”的特点,即特征数量多,而样本数量少,使用机器学习方式处理此类型数据时,往往效果不佳。因此本文从小样本学习的角度出发,提出了一种小样本血浆蛋白质组学数据的抑郁症分类预测模型。相比于传统机器学习模型,该模型的分类精度显著提升。生物标志物指的是通过客观测量生命状态的特征,发现抑郁症相关的生物标志物可以促使我们可以更好地理解抑郁症的发病机制,并为开发更加便捷有效的抑郁症诊断方法提供基础。因此本文提出了一种基于可解释的方法用于发现抑郁症的血浆蛋白质生物标志物。本文研究内容具体包括以下三个方面:(1)血浆质谱数据预处理及数据分析对受试者的血浆质谱数据进行了蛋白质鉴定,得到每个样本的蛋白质组学数据,包括每个样本的蛋白质定量信息,由于数据存在蛋白质污染、噪声信息和缺失值等问题,因此我们进行了进一步的预处理操作,得到最终的实验数据集,并基于该数据分析了抑郁症患者和健康人血浆蛋白质组学数据的相似性与差异性。(2)构建了基于小样本血浆蛋白质组学数据的抑郁症分类预测模型针对抑郁症蛋白质组学数据普遍具有特征维度高,而样本数量少的问题,本文提出了一种基于小样本血浆蛋白质组学数据的抑郁症分类预测模型。该模型以层次图卷积网络(Hierarchical Graph Convolution Network,HIGCN)和跳跃知识网络(Jumping Knowledge Networks,JKNet)为基础,引入了因果样本权重模块,以最小化特征相关性带来的影响,提高模型泛化能力。在训练模型时引入Drop Edge思想来缓解深度学习模型在小样本数据集上的过拟合问题,提高了模型的预测精度。最后在公开数据集通过实验验证了方法的有效性。(3)提出了一种基于模型可解释分析的抑郁症生物标志物发现方法本研究提出了一种基于模型可解释性的方法,用于发现抑郁症的血浆蛋白质生物标志物。首先,通过统计学分析方法筛选出在抑郁症患者和健康人群之间存在差异表达的蛋白质。然后,使用这些差异蛋白质作为特征训练分类模型。接着,采用模型无关的可解释性方法LIME和SHAP对模型预测结果进行了解释,根据蛋白质特征的对于模型的全局特征重要性排名,确定最终的抑郁症蛋白质生物标志物。研究还对找出的蛋白质生物标志物进行了统计学和生物学角度的分析,以验证其有效性和可靠性。最后,使用找出的蛋白质生物标志物作为特征训练分类模型,验证其分类能力。