关键词： 急性缺血性卒中   弥散加权成像   影像组学   机器学习   预后  

摘要： 目的:基于弥散加权成像(DWI)的影像组学特征及机器学习方法构建急性缺血性卒中(AIS)患者90天预后的预测模型并进行验证,同时与使用临床特征构建的模型的预测效能进行比较。方法:回顾性分析于2020年1月至2022年1月在广西医科大学第二附属医院诊断为AIS患者的临床及影像资料,收集所有患者的临床特征等基线资料,根据90d-m RS评分,将患者分为预后良好组和不良组。对患者的基线资料进行分析并构建基于临床特征的AIS预后预测模型。将患者按7:3的比例随机分配到训练集和测试集,采集患者的DWI图像,采用MRIcro GL软件进行手动图像分割,使用Python的pyradiomics程序包进行影像组学特征提取,通过LASSO降维处理后获取最佳影像组学特征,将筛选出的特征纳入机器学习的支持向量机(SVM)算法进行建模。通过训练集训练模型,并在测试集上测试模型训练结果,采用受试者工作特征(ROC)曲线评估模型预测效能。结果:共纳入171例AIS患者,预后良好和不良者分别为134例和37例。单因素Logistic回归分析示既往卒中史、住院并发症、DWI-ASPECTS评分、入院时NIHSS评分、发病前m RS评分与AIS患者不良预后相关(p<0.05)。多因素Logistic回归分析示DWI-ASPECTS评分(OR=0.748,95%CI:0.611-0.916)和入院NIHSS评分(OR=1.213,95%CI:1.074-1.371)是AIS患者不良预后的独立预测因子(p<0.05)。数据划分结果为训练集119例和测试集52例。每例患者共提取出851个影像组学特征,经特征选择及降维处理后最终筛选出9个特征。基于临床特征的预测模型曲线下面积(AUC)为0.865,准确度为81.3%,灵敏度为81.1%,特异度为81.3%。基于影像组学特征的预测模型训练集AUC为0.930,准确度为92.0%,灵敏度为76.0%,特异度为97.0%;测试集AUC为0.906,准确度为90.0%,灵敏度为75.0%,特异度为95.0%。结论:基于DWI的影像组学特征及机器学习方法构建的预测模型,能够较准确地预测AIS患者90天功能预后,且其预测效能比基于临床特征构建的模型更好。

关键词： 潜在源模型   HMM模型   随机控制  

摘要： 传统计量方法使用回归方法实现金融时间序列预测,近年随着计算机的发展,机器学习方法被引入量化投资领域,机器学习算法进而被应用于金融资产价格预测之上。潜在源模型是一种以贝叶斯回归为基础的机器学习方法,通过获取训练数据的聚类特征用于贝叶斯回归从得到有效的预测价格;这种方法使用历史数据替代经验数据有效降低了参数估计的维度。HMM是机器学习方法中一类经典的算法,其是动态贝叶斯网络的一类特例,具有有效反映时间序列动变化特征的特点,其内部可调用动态贝叶斯网络一致的递归算法能够有效避免过拟合和降低训练量。本文主要内容如下:(1)构建潜在源模型,使用Kmeans聚类算法对训练集进行聚类获得包含价格走势特征的原型向量,再根据原型向量进行贝叶斯回归得到预测价格变动从得到价格序列预测值。(2)构建HMM模型,将整段测试集作为模型输入以观测值生成的方式获得预测结果并进行改进,改进为用对训练集进行滚动划分,每个划分区间使用HMM模型拟合,对测试集相同长度区间寻找最接近的历史价格序列并以历史价格序列涨跌幅作为预测涨幅得到预测值。(3)构建潜在源-HMM模型,利用滚动方法的HMM拟合得到的预测值作为潜在源模型的输入,得到新的原型向量后进行贝叶斯回归得到最终的预测结果。(4)对以上模型分别进行回测,回测过程使用随机最优控制方法进行动态调仓以保证性能指标最优,并加以CTA策略中的配对交易作为与机器学习算法的参照。本文研究结果发现,由潜在源模型和HMM模型结合的量化策略预测结果优于单独应用两模型的预测效果。

关键词： 股票多分类   支持向量机   神经网络   LSTM  

摘要： 随着社会经济的发展,金融市场愈发规范,金融市场的体量也愈发壮大,社会上的各类基金、债券、股票、期货等也大幅度的融入到了我们的生活中。而利用现有的统计学方法或相关理论技术对投资活动做出相关策略建议是十分具有发展前景的。本文将目标锁定在当前社会比较热门的白酒类股票的涨跌幅预测上,为了进一步提高实际操作的可操作性和预测的准确性,本文的预测目标确定为白酒类股票的k日涨跌幅三分类预测。对应的股票标的有泸州老窖、贵州茅台、五粮液、金种子酒、顺鑫农业、舍得酒业等15只股票标的。对应的预测时间窗口k值,本文将分别取5日、10日、15日、20日、25日等来对比预测效果。对于三分类的标签划分阈值,本文采取动态阈值,即取当前日期样本的前250个样本的下0.4分位数作为标签划分阈值(样本数不足250个时,取当前样本之前的所有样本即可)。本文的数据来源于wind数据库,一共15只股票,每只股票的数据时间记录为2010年1月1日至2021年12月1日,共计43410条记录。数据包含常见行情指标(开盘价,收盘价、最高价、最低价、换手率等)和技术指标(MA,MACD,KDJ等)。考虑到不同维度特征在数量级上存在较大差异,本文对数据做了归一化处理,同时也做了特征筛选与特征扩充,增添了一系列0-1分布的特征。针对多分类问题,本文模型评价指标主要考虑Accuracy、F-1score(macro)、AUC等。对于部分数据集类别不平衡的情况,本文采取了在训练模型时增大对类别少的样本判别错误的惩罚力度来改善这一情况。在实证分析部分中,本文提出了具有3层LSTM层和一层softmax层的LSTM神经网络结构模型与其他分类模型,并分别从不同角度(不同股票数据,不同时间窗口、不同模型、是否特征扩充)对模型的预测效果进行了对比。最后的结果表明,本文的LSTM模型在所有模型中表现最佳,对股票数据具有非常好的分类效果。

关键词： 蛋白质耐热性   蛋白质最适温度   机器学习   PCA   Boruta   数据库  

摘要： 有效区分蛋白质的热稳定性差异,探索影响蛋白质的耐热性的因素,一直是生物科学研究人员的重要研究课题之一。在这项研究中,使用不同的机器学习方法,结合了蛋白质的自身特征以及来源微生物的生长温度特征,进行蛋白质耐热性的分类以及蛋白质最适温度的预测,并对蛋白质耐热性的机制进行了研究。主要内容如下:(1)在具有72条蛋白质序列的小数据集上,基于Boruta和主成分分析PCA降维方法的结合,第一次建立了BOCA算法。该算法不仅可以获得所有影响蛋白质耐热性的重要特征,还可以对特征进行降维,去除重要特征间的相关性,减少特征间的冗余。将BOCA算法结合不同的机器学习模型,实现了耐热和非耐热蛋白质的分类模型。使用BOCA算法最终将434维特征向量缩减为新的18维特征向量。结果表明,BOCA特征筛选算法与以径向基为核函数的支持向量机模型SVM相结合在耐热蛋白质和非耐热蛋白质的分类中具有良好的性能。在训练集和测试集上分别达到了97.78%和96.92%的准确度。通过筛选出的特征发现耐热蛋白质含有更多带电和极性氨基酸以及分子间氢键,还证明了二肽对蛋白质耐热性的重要性。带电以及具有极性的体积较大的氨基酸的含量、二肽组成以及分子间氢键的数量是影响蛋白质耐热性的关键因素。(2)为了使BOCA+SVM模型更具有可信性,使用该模型对四种耐热程度的4000个蛋白质以及六种耐热程度的3000个蛋白质进行分类。在训练集和测试集上对四种耐热程度的蛋白质的分类准确度分别达到了95.65%和96.40%。在训练集和测试集上对六种耐热程度的蛋白质的分类准确度分别达到了69%和70%(3)另外,结合了蛋白质的生理特征,理化特征和序列特征,应用回归模型对蛋白质的最适温度进行预测。最后在20个单个氨基酸含量与来源微生物的生长温度共21维特征组合上的随机森林模型达到了决定系数R为0.57的预测效果。(4)构建了综合信息数据库Uni Mine,相比于现有的其他蛋白质信息数据库,Uni Mine不仅集成了已经被人工注释的蛋白质的基本信息数据以及网页数据库链接,例如PDB数据库、STRING数据库等。并且还将代谢反应相关的蛋白质化合物活性数据库Chembl30和Bindingdb2022进行了集成。将这些蛋白质化合物的结构、Uniprot id、参与反应的活性值IC50、Ki、Kd本地化。另外在Uni Mine数据库中还加入了蛋白质耐热性分类、蛋白质最适温度的预测模型以及蛋白质序列比对程序。从Uni Mine中可以快速的获取蛋白质的一些功能与性质。

关键词： 生育相关蛋白   机器学习   精子发生   卵子发生   胚胎发生   富集分析  

摘要： 蛋白质以不同方式参与生命活动。它们在各种生物过程中发挥着重要作用,比如在与生育生殖等相关的生命活动。这些生命活动包括精子发生,卵子发生,胚胎发生以及其他分化过程,如器官发生。这些生命活动受许多蛋白质信号级联调节。在精子发生中,管周肌样细胞利用肌动蛋白和肌球蛋白的收缩丝,把含有不动精子的睾丸液引入睾丸网,还通过分泌纤连蛋白、胶原蛋白、蛋白聚糖参与血睾丸屏障的产生和维持。在卵子发生中,TATA结合蛋白2(TBP2)的表达和作用将会影响早期卵泡发育的进展。在胚胎发生中,细胞粘附蛋白E-钙粘蛋白不仅在压实(compaction)阶段发挥重要作用,还在极化(polarisation)阶段使细胞获得极性。因此,由于生殖蛋白质的重要性,对它们进行分类预测将为详细了解精子发生、卵子发生和胚胎发生的每个步骤的生物学过程和机制提供知识基础。因此,本论文准备构建分类模型对与精子发生相关的蛋白质,与卵子发生相关的蛋白质以及与胚胎发生相关的蛋白质进行分类预测。本论文通过构建三种不同的机器学习模型对该问题进行了研究。首先,本工作收集了相关的蛋白质数据,并使用了基于氨基酸组成及基于理化性质的特征提取方法对其进行了特征提取;通过方差分析(ANOVA)以及增量特征选择方法对特征进行了筛选从而获得最优特征子集;又分别建立了随机森林(Random Forest,RF),极端梯度提升树算法(e Xtreme gradient boosting algorithm,XGBoost)及支持向量机(Support Vector Machines,SVM)模型对分类问题进行研究。在构建分类器时,通过富集分析的结果发现:卵子发生相关蛋白质的富集通路可能会被富集到胚胎发生相关蛋白质的通路中,这说明两者的蛋白质可能会在特征上具有相似性,进而可能会使分类预测结果变差。所以准备构建一个两层的分类器。第一层分类器是将胚胎发生相关蛋白质和其他两类蛋白质(精子发生相关蛋白质和卵子发生相关蛋白质)进行分类,第二层分类器则是将精子发生相的蛋白质和卵子发生相关蛋白质进行分类;最后,通过对评价指标的比较,选择了分类效果较好的支持向量机(Support Vector Machines,SVM)模型作为分类器。最终得到了一个两层的支持向量机模型进行分类预测。第一层分类器(胚胎发生相关蛋白质与剩余生育相关蛋白质)独立测试集的准确率和ROC曲线下的面积分别为81.95%和0.89。第二层分类器(精子发生相关蛋白质与卵子发生相关蛋白质)独立测试集准确率和ROC曲线下的面积分别为84.74%和0.90。通过富集分析发现与精子发生相关的蛋白质主要富集到GO:007283(spematogensis)通路上,与卵子发生相关的蛋白质主要富集到GO:0048477(oogenesis)通路上,与胚胎发生相关的蛋白质主要富集到GO:0001701(in utero embryonic development)通路上。并且通过对这三种蛋白质进行组合后富集分析发现,胚胎发生相关蛋白质会影响到卵子发生相关蛋白质的富集,精子发生相关蛋白质的富集不受其他两种蛋白质的影响。

关键词： 机器学习   水泥—粉煤灰   砂浆   抗折强度  

摘要： 针对低水胶比的水泥—粉煤灰砂浆，采用典型的机器学习技术—人工神经网络方法，建立了基于砂胶比、粉煤灰掺量、水胶比及养护龄期的最佳抗折强度模型。并结合模型的决定系数R2及均方根误差RMSE等对模型进行综合评价。结果表明，提出的水泥—粉煤灰砂浆抗折强度的最佳人工神经网络模型具有较高的R2和较小的RMSE。模型未出现过拟合或欠拟合现象。因此，文章所提出的低水胶比的水泥—粉煤灰砂浆抗折强度的最佳人工神经网络模型具有一定的适用性与可靠性，可为水泥—粉煤灰砂浆配制及工程应用提供辅助参考。

关键词： 臭氧污染   源反演方法   随机森林算法   数值模式   预报时效  

摘要： 自2013年以来，我国实施了“大气十条”等一系列大气污染防控政策与措施，大气污染防治获得阶段性成效，空气质量明显改善。然而，在细颗粒物(PM2.5)浓度下降的同时，近地面臭氧(O3)浓度快速上升。O3污染日益突出，造成的健康风险不断升高。O3污染防控具有非常迫切的需求，对O3准确预报是其污染防控的关键一环。数值模式是大气污染物溯源、模拟和预报的核心工具，但由于O3生成机制复杂，模式物理化学机制仍待调整完善;O3污染源排放结构变化较大，自下而上清单方法往往难以及时更新，因此O3的数值模拟和预报仍面临较大的挑战。本研究针对当前O3模拟和预报面临的复杂不确定性问题，聚焦区域O3模拟和预报的偏差订正。首先从模式排放源输入数据角度，介绍并评估了传统资料同化的源反演方法对重点城市群夏季模拟O3的改进效果;接着从数值模式结果出发，利用新兴的机器学习方法构建了随机森林偏差订正模型，改进了数值模式模拟和预报O3的效果，并对比分析了源反演方法和随机森林算法在改进区域O3模拟和预报中的差异。主要研究结果如下:　　首先在嵌套网格空气质量预报模式系统(NAQPMS)的基础上，评估污染源反演方法对以中国多尺度排放清单(MEIC)为主的先验排放清单中臭氧前体物排放量的优化估计。分析时段为2019年6至8月，重点评估了污染源反演对我国“2+26”城市、长三角、珠三角、成渝四个重点城市群O3模拟的改进效果。评估结果表明，污染源反演获得的“2+26”城市、长三角、珠三角的氮氧化物(NOx)排放速率整体低于先验清单的排放速率约0.6μg/(m2.s)，但反演的挥发性有机物(VOCs)排放速率在“2+26”城市整体上高于先验清单的排放速率约0.5μg/(m2.s)。利用反演的NOx和VOCs排放量和NAQPMS模式对四个城市群O3进行模拟，发现反演排放数据可以显著改进夏季O3模拟性能，使得臭氧日最大八小时平均值（MDA8-O3）模拟的均方根误差(RMSE)从40～60μg/m3降低至20～30μ g/m3，模拟值与观测值的相关系数从0.6～0.7提升至0.8以上，模拟和观测O3浓度日变化峰值差异从2～50μg/m3缩小到2～20μg/m3。结果表明，基于地面观测数据的污染源反演可以有效改进重点城市群的O3模拟性能。　　为了揭示不同方法对O3模拟的改进效果，本研究探索了机器学习模型对O3模拟进行改进。结合WRF模拟的温度(T)、风(U、V)、地面向下短波辐射通量(SWDOWN)等多种气象要素，以及NAQPMS先验模拟的O3、PM2.5等多种大气污染物浓度，使用随机森林模型对“2+26”城市和成渝地区NAQPMS先验模拟的O3进行改进。NAQPMS先验模拟对“2+26”城市和成渝地区的O3模拟，特别是每日峰值O3模拟存在较大的误差。直接应用随机森林(Random Forest)方法，能够提高模拟O3时间变化的相关性，但对部分较高浓度的峰值O3仍然存在低估的问题。经过对方法本身、试验设计、数据精度和特征变量敏感性的分析，针对峰值期O3模拟改善设计并进行了一系列试验，通过试验结果的对比，本研究提出了基于气象综合指数(Meteorology Synthetic Index，MSI)、融合空气质量模式模拟数据的随机森林偏差订正模型。较NAQPMS先验模拟的结果，该订正模型可以使“2+26”城市和成渝的模拟O3相关性分别提高15.9％、21.4％，相关系数均提升至0.8以上，模拟偏差分别减少了91.2％、45.8％，同时可以有效改善峰值O3模拟和O3整体变化趋势。　　在上述试验基础上，结合WRF预报的T、U、V、SWDOWN等多种气象要素，以及NAQPMS基于未迭代反演源预报的O3、 PM2.5等多种大气污染物浓度，使用随机森林偏差订正模型对北京市NAQPMS反演源预报的O3进行订正改进。NAQPMS反演预报对北京地区的O3预报，特别是每日峰值O3存在显著高估。使用基于气象综合指数(MSI)、融合空气质量模式预报数据的随机森林偏差订正模型进行订正后，预报与观测的相关性平均提升了53.5％，相关系数均值达到0.79;平均偏差减少了92.3％，平均偏差的数值均低于14.5μg/m3。同时评估了模型在24h，48h至168h的不同预报时效下的改进能力，大部分预报时效下O3的相关系数接近0.8，均方根误差均值接近35μg/m3，基于MSI的随机森林偏差订正模型在各预报时效下均对NAQPMS预报O3展现出稳定良好的改进水平。　　为了进一步探究随机森林方法对O3预报的改进效果，本研究同时开展了使用订正模型在24h预报时效下的O3预报试验。较NAQPMS反演预报，模型预报24小时O3的相关系数提升了23.4％，均值为0.82;均方根误差降低了59.1％，均值接近43μg/m3;平均偏差降低了8

关键词： 死因死亡率预测   Lee-Carter模型   支持向量回归机   人工神经网络   预期寿命  

摘要： 伴随着经济的迅速发展和医疗水平的不断提高,人口预期寿命不断延长,预期寿命快速提高的背后是总体死亡率的下降,而总体死亡率是由不同死亡原因的死亡率共同决定的。因此本文将死因死亡率作为研究对象,参考国际疾病分类标准（ICD-10）和已有研究,并结合中国目前的死因结构,将死因划具体分为肿瘤、心脑血管疾病、呼吸和消化系统疾病、伤害、其他共五类。预测分析各类死因的死亡率,并探究未来各死因对预期寿命的影响,以期为卫生部门合理分配公共卫生资源、制定正确的疾病预防控制计划提供依据。与此同时,机器学习发展迅猛,成为众多领域的研究热点。在以往的死亡率预测中,死亡率模型的时间项大多采用传统的ARIMA方法进行外推,针对ARIMA的局限性,本文引入人工神经网络（ANN）和支持向量回归机（SVR）两种机器学习方法,对Lee-Carter（LC）模型的时间因子k_t进行建模预测,构建“基于机器学习的死亡率预测模型”:LC-ANN和LC-SVR,并将预测结果与ARIMA进行对比。具体为:以LC模型为出发点,对模型进行参数估计,得到年龄因子a,b和时间因子k_t,将k_t值划分为样本内训练集（1990-2014年）和样本外测试集（2015-2019年）,经过分析后发现,样本内拟合效果排序为ANN>SVR>ARIMA,样本外预测效果排序为SVR>ARIMA>ANN。SVR虽样本内的拟合精度略逊色于ANN,但是其样本外的预测精度要高于ANN与ARIMA,具有良好的泛化能力。泛化性是评价一个预测模型优劣的首要因素,因此我们使用SVR预测2020-2029年各死因死亡率的k_t值,并将预测的k_t值回代到LC模型表达式中,得到未来十年各死因各年龄的死亡率。最后,基于预测的死亡率编制去死因生命表,进行去死因分析。分析结果表明,2019年去除心脑血管疾病、肿瘤、呼吸和消化系统疾病、伤害后,预期寿命的增加量分别为7.46、3.09、1.44和1.13岁,2029年对应为7.94和3.31、1.06和0.92岁,这在一定程度上说明肿瘤和心脑血管疾病对人口的死亡威胁程度较以往有所加深,呼吸和消化疾病、伤害对人的死亡威胁程度减弱,所以卫生部门可以考虑加大对肿瘤和心脑血管疾病的卫生资源供给与调配。

关键词： 抗氧剂   机器学习   分子模拟   基团贡献法  

摘要： 润滑油、聚合物等有机材料的广泛应用,使其成为人们生活中不可缺少的一部分。由于经常在高温和有氧气的环境下使用,这些材料十分容易被氧化,并随着时间的推移影响其使用性能和寿命。通常,人们在材料中加入适量的抗氧剂以延缓此氧化反应过程,其中,胺类抗氧剂因具有在中高温下依然保持着较高抗氧化活性的特点而备受关注。针对胺类抗氧剂的分子设计中,多数研究采用了传统的试错法实验对抗氧剂进行改性,虽获得了一些结果,但存在周期长、效率不高、分子机理不明等缺点。因此,本课题以基团贡献法为基础,对胺类抗氧剂的分子结构进行解析,采用分子模拟和机器学习相结合的方式,深入了解基团类别、取代基位置和组合方式等对抗氧化活性的影响规律,为芳基萘胺类抗氧剂的分子结构设计提供理论基础。主要研究内容如下:(1)以N-苯基-1-萘胺(PANA)和N-苯基-2-萘胺(PBNA)为骨架结构,采用穷举法构建了302个芳基萘胺类抗氧剂分子模型。通过量子力学模拟方法,分析影响抗氧化活性的化学因素,计算了上述芳基萘胺类抗氧剂的氢解离能(BDE)并对其结果进行统计分析,发现供电子基团(如胺基-NH)的引入可以降低BDE,而吸电子基团(如硝基-NO)则不利于BDE减小。通过分子动力学模拟,分析影响抗氧化活性的物理因素,计算了302个抗氧剂的溶度参数(δ)和结合能(E),经统计分析发现,烷基链的引入可以在降低δ的同时使E增大,意味着抗氧剂与基体之间相容性增加。以BDE、δ和E的平均值作为评判标准时,发现PANA的1号取代位置和PBNA的7号取代位置更有利于抗氧化活性的提升。此外,通过一系列建模及模拟计算过程,确定了一种能较全面描述抗氧剂分子结构的基团解析方案,包含10个基团描述符和3个分子连接性指数描述符,并完成了对所构建的302个抗氧剂的基团划分。此分子模拟计算和基团划分的结果共同组成了随后机器学习研究的数据集。(2)在机器学习的分析中,采用人工神经网络(ANN)模型,确定了芳基萘胺类抗氧剂分子结构参数与抗氧化活性之间的量化关系。ANN模型表现出较好的预测效果,预测结果与目标值之间的相关系数R在0.88以上,平均相对误差在6%以内。此外,通过随机森林(RF)模型,分析了基团种类和取代基位置对抗氧化活性的影响。结果表明,在化学因素方面,-NH有利于抗氧化活性的提升,同时,结果还显示PANA的1、5、10号和PBNA的7、8、10号取代位置对抗氧剂的抗氧化活性有显著影响。而物理因素方面,延长取代基中烷基链的长度或增加支化甲基-CH的数量,可以有效改善抗氧剂的物理性能;此外,PANA的1、5、7、8号和PBNA的2、3、6、7、8号取代位置对其物理因素有一定影响。总结归纳以上筛选出的在化学和物理方面对抗氧化活性有利的因素,设计出2种芳基萘胺类抗氧剂分子结构并进行模拟计算,结果表明,与PANA相比,所设计的新抗氧剂的抗氧化活性均有所提升,说明模拟计算和机器学习相结合的方法在抗氧剂分子设计研究中具有潜在的应用价值。综上,分子模拟和机器学习相结合的研究方式,可为分析抗氧剂的构效关系提供快捷的、全新的途径。此研究结果也为高效芳基萘胺类抗氧剂的分子设计提供了理论依据和数据支撑。