本發(fā)明屬于預(yù)測(cè)模型構(gòu)建領(lǐng)域，具體來(lái)說(shuō)，特別涉及一種基于細(xì)胞代謝的細(xì)胞衰老預(yù)測(cè)模型構(gòu)建方法及系統(tǒng)。

背景技術(shù)：

1、中國(guó)專(zhuān)利申請(qǐng)cn110955961a公開(kāi)了一種免疫損傷分析方法，獲取免疫細(xì)胞亞群比例；基于該比例構(gòu)建免疫損傷模型的原始數(shù)據(jù)面板并進(jìn)行預(yù)處理，生成用于建模的特定免疫細(xì)胞亞群的面板數(shù)據(jù)；建立免疫損傷模型對(duì)樣本的免疫損傷程度進(jìn)行評(píng)分，解決了用細(xì)胞衰老檢測(cè)試劑盒判斷免疫細(xì)胞衰老存在操作復(fù)雜、實(shí)驗(yàn)條件嚴(yán)格、試劑配比要求高的問(wèn)題，還能對(duì)體檢者外周血樣本中的免疫細(xì)胞亞群比例與免疫損傷程度進(jìn)行量化，判斷其是否存在免疫提前衰老。

2、細(xì)胞衰老的發(fā)生影響因素較多，由于衰老細(xì)胞中的代謝物生成含量與正常細(xì)胞的代謝物生成含量之間差異性較大，表明代謝物的含量與細(xì)胞衰老的發(fā)生之間存在較強(qiáng)的關(guān)聯(lián)性；然而，目前發(fā)現(xiàn)的衰老代謝物可能在不同細(xì)胞類(lèi)型之間存在差異，因此無(wú)法根據(jù)單一的衰老代謝物對(duì)多種細(xì)胞的衰老進(jìn)行預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)相關(guān)技術(shù)中的問(wèn)題，本發(fā)明提出一種基于細(xì)胞代謝的細(xì)胞衰老預(yù)測(cè)模型構(gòu)建方法及系統(tǒng)，以克服現(xiàn)有相關(guān)技術(shù)所存在的上述技術(shù)問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

3、本發(fā)明為一種基于細(xì)胞代謝的細(xì)胞衰老預(yù)測(cè)模型構(gòu)建方法，包括以下步驟：

4、s1、采集多種類(lèi)型的細(xì)胞樣本的多種代謝物數(shù)據(jù)；

5、構(gòu)建表征數(shù)據(jù)處理模型，所述表征數(shù)據(jù)處理模型對(duì)多種類(lèi)型的細(xì)胞樣本的衰老表征數(shù)據(jù)進(jìn)行差異程度計(jì)算并構(gòu)建第一最終多層感知機(jī)分類(lèi)模型，得到第一衰老表征差異程度數(shù)據(jù)集矩陣；

6、s2、構(gòu)建第一分類(lèi)模型，所述第一分類(lèi)模型采用所述第一最終多層感知機(jī)分類(lèi)模型對(duì)第一衰老表征差異程度數(shù)據(jù)集矩陣進(jìn)行分類(lèi)，得到第二細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣；采用多種代謝物數(shù)據(jù)以及第二細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣構(gòu)建第二最終多層感知機(jī)分類(lèi)模型、第三最終多層感知機(jī)分類(lèi)模型、第四最終多層感知機(jī)分類(lèi)模型和第五最終多層感知機(jī)分類(lèi)模型；

7、s3、采用多種代謝物數(shù)據(jù)構(gòu)建第一最終bp預(yù)測(cè)模型、第二最終bp預(yù)測(cè)模型、第三最終bp預(yù)測(cè)模型、第四最終bp預(yù)測(cè)模型；

8、s4、構(gòu)建預(yù)測(cè)模型，所述預(yù)測(cè)模型采用第一最終bp預(yù)測(cè)模型、第二最終bp預(yù)測(cè)模型、第三最終bp預(yù)測(cè)模型、第四最終bp預(yù)測(cè)模型對(duì)待預(yù)測(cè)細(xì)胞樣本的多種代謝物數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到代謝物未來(lái)數(shù)據(jù)矩陣；構(gòu)建第二分類(lèi)模型，所述第二分類(lèi)模型采用所述多種最終多層感知機(jī)分類(lèi)模型對(duì)代謝物未來(lái)數(shù)據(jù)矩陣進(jìn)行分類(lèi)，得到第三細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣；

9、s5、構(gòu)建衰老判定模型，所述衰老判定模型根據(jù)第三細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣判定待預(yù)測(cè)細(xì)胞樣本在未來(lái)是否會(huì)發(fā)生衰老；

10、多種代謝物數(shù)據(jù)中包括sdha抗體含量數(shù)據(jù)、氧化脂含量數(shù)據(jù)、丙酮酸脫氫酶激酶4含量數(shù)據(jù)以及磷酸甘油酸脫氫酶含量數(shù)據(jù)；這些代謝物在細(xì)胞發(fā)生衰老時(shí)含量均會(huì)發(fā)生顯著的變化；因此本發(fā)明通過(guò)選用四種代謝物的含量數(shù)據(jù)，從四個(gè)方面來(lái)對(duì)細(xì)胞的衰老進(jìn)行預(yù)測(cè)，最后綜合這四個(gè)預(yù)測(cè)結(jié)果判定出細(xì)胞在未來(lái)時(shí)刻是否會(huì)發(fā)生衰老；基于上述方案，提高了預(yù)測(cè)的全面性，進(jìn)而提高了預(yù)測(cè)的準(zhǔn)確性；同時(shí)，由于細(xì)胞衰老時(shí)，其形態(tài)以及顏色均會(huì)發(fā)生變化，因此，本方案通過(guò)采集細(xì)胞在各個(gè)生長(zhǎng)時(shí)間點(diǎn)的表征數(shù)據(jù)，并將表征數(shù)據(jù)與細(xì)胞在未衰老時(shí)期的表征數(shù)據(jù)進(jìn)行差異性比較，得到可以反映出細(xì)胞是否發(fā)生衰老的第一衰老表征差異程度數(shù)據(jù)集矩陣；同時(shí)，另外采集多個(gè)細(xì)胞樣本的第一衰老表征差異程度數(shù)據(jù)以及對(duì)應(yīng)的細(xì)胞衰老等級(jí)數(shù)據(jù)，為后續(xù)構(gòu)建出可以根據(jù)細(xì)胞衰老表征差異程度數(shù)據(jù)預(yù)測(cè)出細(xì)胞的衰老等級(jí)數(shù)據(jù)的第一最終多層感知機(jī)分類(lèi)模型提供了數(shù)據(jù)支持；通過(guò)構(gòu)建第一最終多層感知機(jī)分類(lèi)模型，為對(duì)第一衰老表征差異程度數(shù)據(jù)集矩陣進(jìn)行對(duì)應(yīng)的衰老等級(jí)預(yù)測(cè)提供了分類(lèi)模型；為后續(xù)構(gòu)建可以根據(jù)代謝物的含量數(shù)據(jù)預(yù)測(cè)出對(duì)應(yīng)的衰老等級(jí)的第二最終多層感知機(jī)分類(lèi)模型、第三最終多層感知機(jī)分類(lèi)模型、第四最終多層感知機(jī)分類(lèi)模型和第四最終多層感知機(jī)分類(lèi)模型提供了數(shù)據(jù)支持；其中，采集的各個(gè)時(shí)間點(diǎn)的代謝物數(shù)據(jù)也為后續(xù)構(gòu)建可以對(duì)代謝物含量數(shù)據(jù)進(jìn)行預(yù)測(cè)的第一最終bp預(yù)測(cè)模型、第二最終bp預(yù)測(cè)模型、第三最終bp預(yù)測(cè)模型、第四最終bp預(yù)測(cè)模型提供了數(shù)據(jù)支持；通過(guò)采用構(gòu)建出的第一最終bp預(yù)測(cè)模型、第二最終bp預(yù)測(cè)模型、第三最終bp預(yù)測(cè)模型、第四最終bp預(yù)測(cè)模型對(duì)待預(yù)測(cè)細(xì)胞樣本的多種代謝物數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到代謝物未來(lái)數(shù)據(jù)矩陣；為后續(xù)對(duì)待預(yù)測(cè)細(xì)胞樣本在未來(lái)時(shí)刻的衰老情況進(jìn)行判定提供了數(shù)據(jù)依據(jù)。

11、優(yōu)選地，所述s1包括以下步驟：

12、s11、采集多種類(lèi)型的細(xì)胞樣本以及細(xì)胞類(lèi)型標(biāo)簽數(shù)據(jù)，得到第一細(xì)胞樣本集以及第一細(xì)胞類(lèi)型數(shù)據(jù)集；

13、s12、配置所述第一細(xì)胞樣本集中每個(gè)細(xì)胞樣本對(duì)應(yīng)的培養(yǎng)基，同時(shí)設(shè)定培養(yǎng)時(shí)間點(diǎn)集；

14、設(shè)定衰老代謝物類(lèi)型集，、、、分別表示sdha抗體、氧化脂、丙酮酸脫氫酶激酶4以及磷酸甘油酸脫氫酶；

15、將所述第一細(xì)胞樣本集中的每個(gè)細(xì)胞樣本放入對(duì)應(yīng)的培養(yǎng)基中進(jìn)行培養(yǎng)；在培養(yǎng)過(guò)程中，在所述培養(yǎng)時(shí)間點(diǎn)集中的每個(gè)培養(yǎng)時(shí)間點(diǎn)對(duì)每個(gè)細(xì)胞樣本的在衰老代謝物類(lèi)型集中的每個(gè)衰老代謝物的含量數(shù)據(jù)分別進(jìn)行測(cè)量，得到第一代謝物數(shù)據(jù)矩陣、第二代謝物數(shù)據(jù)矩陣、第三代謝物數(shù)據(jù)矩陣以及第四代謝物數(shù)據(jù)矩陣；

16、s13、在所述培養(yǎng)時(shí)間點(diǎn)集中的每個(gè)培養(yǎng)時(shí)間點(diǎn)采用顯微鏡對(duì)每個(gè)細(xì)胞樣本的圖像數(shù)據(jù)進(jìn)行拍攝采集，得到細(xì)胞圖像數(shù)據(jù)矩陣；

17、設(shè)定細(xì)胞衰老表征類(lèi)型集；根據(jù)所述細(xì)胞衰老表征類(lèi)型集采用cnn神經(jīng)網(wǎng)絡(luò)模型對(duì)細(xì)胞圖像數(shù)據(jù)矩陣中每個(gè)細(xì)胞圖像數(shù)據(jù)的細(xì)胞衰老表征數(shù)據(jù)進(jìn)行提取，得到衰老表征數(shù)據(jù)集矩陣；

18、s14、計(jì)算所述衰老表征數(shù)據(jù)集矩陣中每種類(lèi)型的細(xì)胞樣本在每個(gè)培養(yǎng)時(shí)間點(diǎn)的衰老表征數(shù)據(jù)分別與培養(yǎng)時(shí)間點(diǎn)集中第一個(gè)培養(yǎng)時(shí)間點(diǎn)的對(duì)應(yīng)的衰老表征數(shù)據(jù)之間的差異程度，得到第一衰老表征差異程度數(shù)據(jù)集矩陣；

19、s15、構(gòu)建第一最終多層感知機(jī)分類(lèi)模型；

20、優(yōu)選地，所述細(xì)胞衰老表征類(lèi)型集中包括細(xì)胞體積、細(xì)胞內(nèi)部水分、細(xì)胞內(nèi)部色素分布等；

21、通過(guò)采集多種細(xì)胞樣本在培養(yǎng)基中各個(gè)時(shí)期的圖像數(shù)據(jù)，為提取出細(xì)胞樣本的表征數(shù)據(jù)提供了數(shù)據(jù)支持。

22、優(yōu)選地，所述s15包括以下步驟：

23、s151、設(shè)定細(xì)胞衰老等級(jí)集；根據(jù)所述第一細(xì)胞類(lèi)型數(shù)據(jù)集采集多種類(lèi)型的細(xì)胞樣本以及對(duì)應(yīng)的細(xì)胞衰老等級(jí)數(shù)據(jù)，得到第二細(xì)胞樣本集；

24、根據(jù)所述細(xì)胞衰老表征類(lèi)型集獲取第二細(xì)胞樣本集中每個(gè)細(xì)胞在各個(gè)時(shí)期的細(xì)胞衰老表征差異程度數(shù)據(jù)以及對(duì)應(yīng)的細(xì)胞衰老等級(jí)數(shù)據(jù)，得到第二衰老表征差異程度數(shù)據(jù)集矩陣以及第一細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣；

25、s152、構(gòu)建第一初始多層感知機(jī)分類(lèi)模型；采用所述第二衰老表征差異程度數(shù)據(jù)集矩陣以及第一細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣對(duì)第一初始多層感知機(jī)分類(lèi)模型進(jìn)行訓(xùn)練以及測(cè)試；訓(xùn)練和測(cè)試完成后，得到第一最終多層感知機(jī)分類(lèi)模型；

26、通過(guò)采用第二衰老表征差異程度數(shù)據(jù)集矩陣以及第一細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣對(duì)第一初始多層感知機(jī)分類(lèi)模型進(jìn)行訓(xùn)練和測(cè)試，使得構(gòu)建出的第一最終多層感知機(jī)分類(lèi)模型對(duì)根據(jù)細(xì)胞衰老表征差異程度數(shù)據(jù)預(yù)測(cè)出對(duì)應(yīng)的衰老等級(jí)數(shù)據(jù)具有良好的能力。

27、優(yōu)選地，所述s152包括以下步驟：

28、s1521、設(shè)定第一訓(xùn)練數(shù)據(jù)比例；根據(jù)所述第一訓(xùn)練數(shù)據(jù)比例對(duì)第二衰老表征差異程度數(shù)據(jù)集矩陣以及第一細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣進(jìn)行數(shù)據(jù)劃分，得到衰老表征差異程度訓(xùn)練數(shù)據(jù)集矩陣、衰老表征差異程度測(cè)試數(shù)據(jù)集矩陣、細(xì)胞衰老等級(jí)訓(xùn)練數(shù)據(jù)矩陣以及細(xì)胞衰老等級(jí)測(cè)試數(shù)據(jù)矩陣；

29、s1522、設(shè)定第一訓(xùn)練誤差閾值；將所述衰老表征差異程度訓(xùn)練數(shù)據(jù)集矩陣以及細(xì)胞衰老等級(jí)訓(xùn)練數(shù)據(jù)矩陣輸入至第一初始多層感知機(jī)分類(lèi)模型中進(jìn)行訓(xùn)練；在訓(xùn)練過(guò)程中當(dāng)訓(xùn)練誤差小于第一訓(xùn)練誤差閾值時(shí)，停止訓(xùn)練；否則，繼續(xù)訓(xùn)練；當(dāng)訓(xùn)練結(jié)束后，得到訓(xùn)練好的多層感知機(jī)分類(lèi)模型；

30、s1523、設(shè)定第一準(zhǔn)確率閾值；將所述衰老表征差異程度測(cè)試數(shù)據(jù)集矩陣以及細(xì)胞衰老等級(jí)測(cè)試數(shù)據(jù)矩陣輸入至訓(xùn)練好的多層感知機(jī)分類(lèi)模型中進(jìn)行測(cè)試；測(cè)試完成后，得到第一準(zhǔn)確率；

31、當(dāng)所述第一準(zhǔn)確率大于或者等于第一準(zhǔn)確率閾值時(shí)，將所述訓(xùn)練好的多層感知機(jī)分類(lèi)模型作為第一最終多層感知機(jī)分類(lèi)模型；否則，返回s1522中繼續(xù)訓(xùn)練，直到所述第一準(zhǔn)確率大于或者等于第一準(zhǔn)確率閾值為止，得到第一最終多層感知機(jī)分類(lèi)模型；

32、對(duì)第二衰老表征差異程度數(shù)據(jù)集矩陣以及第一細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣進(jìn)行數(shù)據(jù)劃分，為對(duì)第一初始多層感知機(jī)分類(lèi)模型進(jìn)行訓(xùn)練以及測(cè)試提供了訓(xùn)練數(shù)據(jù)以及測(cè)試數(shù)據(jù)。

33、優(yōu)選地，所述s2包括以下步驟：

34、s21、采用所述第一最終多層感知機(jī)分類(lèi)模型對(duì)第一衰老表征差異程度數(shù)據(jù)集矩陣中的每個(gè)衰老表征差異程度數(shù)據(jù)進(jìn)行分類(lèi)操作，得到第二細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣；

35、s22、構(gòu)建第二初始多層感知機(jī)分類(lèi)模型、第三初始多層感知機(jī)分類(lèi)模型、第四初始多層感知機(jī)分類(lèi)模型和第五初始多層感知機(jī)分類(lèi)模型；

36、采用第一代謝物數(shù)據(jù)矩陣以及第二細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣對(duì)所述第二初始多層感知機(jī)分類(lèi)模型進(jìn)行訓(xùn)練和測(cè)試；訓(xùn)練和測(cè)試完成后，得到第二最終多層感知機(jī)分類(lèi)模型；

37、采用第二代謝物數(shù)據(jù)矩陣以及第二細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣對(duì)所述第三初始多層感知機(jī)分類(lèi)模型進(jìn)行訓(xùn)練和測(cè)試；訓(xùn)練和測(cè)試完成后，得到第三最終多層感知機(jī)分類(lèi)模型；

38、采用第三代謝物數(shù)據(jù)矩陣以及第二細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣對(duì)所述第四初始多層感知機(jī)分類(lèi)模型進(jìn)行訓(xùn)練和測(cè)試；訓(xùn)練和測(cè)試完成后，得到第四最終多層感知機(jī)分類(lèi)模型；

39、采用第四代謝物數(shù)據(jù)矩陣以及第二細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣對(duì)所述第五初始多層感知機(jī)分類(lèi)模型進(jìn)行訓(xùn)練和測(cè)試；訓(xùn)練和測(cè)試完成后，得到第五最終多層感知機(jī)分類(lèi)模型；

40、由于每種代謝物的含量數(shù)據(jù)與對(duì)應(yīng)的細(xì)胞衰老等級(jí)數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系是不相同的，因此構(gòu)建第二初始多層感知機(jī)分類(lèi)模型、第三初始多層感知機(jī)分類(lèi)模型、第四初始多層感知機(jī)分類(lèi)模型和第五初始多層感知機(jī)分類(lèi)模型對(duì)四種代謝物的含量數(shù)據(jù)分別進(jìn)行分析，每種模型只處理其中一種代謝物的數(shù)據(jù)，提高了分類(lèi)的精準(zhǔn)性。

41、優(yōu)選地，所述s3包括以下步驟：

42、s31、構(gòu)建第一初始bp預(yù)測(cè)模型、第二初始bp預(yù)測(cè)模型、第三初始bp預(yù)測(cè)模型和第四初始bp預(yù)測(cè)模型；

43、s32、設(shè)定第二訓(xùn)練誤差閾值、第三訓(xùn)練誤差閾值、第四訓(xùn)練誤差閾值和第五訓(xùn)練誤差閾值；

44、分別對(duì)第一代謝物數(shù)據(jù)矩陣、第二代謝物數(shù)據(jù)矩陣、第三代謝物數(shù)據(jù)矩陣以及第四代謝物數(shù)據(jù)矩陣進(jìn)行數(shù)據(jù)劃分，得到第一代謝物訓(xùn)練數(shù)據(jù)矩陣、第一代謝物測(cè)試數(shù)據(jù)矩陣、第二代謝物訓(xùn)練數(shù)據(jù)矩陣、第二代謝物測(cè)試數(shù)據(jù)矩陣、第三代謝物訓(xùn)練數(shù)據(jù)矩陣、第三代謝物測(cè)試數(shù)據(jù)矩陣、第四代謝物訓(xùn)練數(shù)據(jù)矩陣和第四代謝物測(cè)試數(shù)據(jù)矩陣；

45、s33、將所述第一代謝物訓(xùn)練數(shù)據(jù)矩陣輸入至第一初始bp預(yù)測(cè)模型中進(jìn)行訓(xùn)練；在訓(xùn)練過(guò)程中，當(dāng)訓(xùn)練誤差小于第二訓(xùn)練誤差閾值時(shí)，停止訓(xùn)練，得到第一訓(xùn)練好的bp預(yù)測(cè)模型；否則，繼續(xù)進(jìn)行訓(xùn)練；

46、將所述第二代謝物訓(xùn)練數(shù)據(jù)矩陣輸入至第二初始bp預(yù)測(cè)模型中進(jìn)行訓(xùn)練；在訓(xùn)練過(guò)程中，當(dāng)訓(xùn)練誤差小于第三訓(xùn)練誤差閾值時(shí)，停止訓(xùn)練，得到第二訓(xùn)練好的bp預(yù)測(cè)模型；否則，繼續(xù)進(jìn)行訓(xùn)練；

47、將所述第三代謝物訓(xùn)練數(shù)據(jù)矩陣輸入至第三初始bp預(yù)測(cè)模型中進(jìn)行訓(xùn)練；在訓(xùn)練過(guò)程中，當(dāng)訓(xùn)練誤差小于第四訓(xùn)練誤差閾值時(shí)，停止訓(xùn)練，得到第三訓(xùn)練好的bp預(yù)測(cè)模型；否則，繼續(xù)進(jìn)行訓(xùn)練；

48、將所述第四代謝物訓(xùn)練數(shù)據(jù)矩陣輸入至第四初始bp預(yù)測(cè)模型中進(jìn)行訓(xùn)練；在訓(xùn)練過(guò)程中，當(dāng)訓(xùn)練誤差小于第五訓(xùn)練誤差閾值時(shí)，停止訓(xùn)練，得到第四訓(xùn)練好的bp預(yù)測(cè)模型；否則，繼續(xù)進(jìn)行訓(xùn)練；

49、設(shè)定所述第一訓(xùn)練好的bp預(yù)測(cè)模型、第二訓(xùn)練好的bp預(yù)測(cè)模型、第三訓(xùn)練好的bp預(yù)測(cè)模型和第四訓(xùn)練好的bp預(yù)測(cè)模型的初始參數(shù)，得到初始參數(shù)矩陣；

50、s34、設(shè)定初始待優(yōu)化參數(shù)集；設(shè)定第二準(zhǔn)確率閾值、第三準(zhǔn)確率閾值、第四準(zhǔn)確率閾值和第五準(zhǔn)確率閾值；

51、將所述第一代謝物測(cè)試數(shù)據(jù)矩陣輸入至第一訓(xùn)練好的bp預(yù)測(cè)模型進(jìn)行測(cè)試，將所述第二代謝物測(cè)試數(shù)據(jù)矩陣輸入至第二訓(xùn)練好的bp預(yù)測(cè)模型進(jìn)行測(cè)試，將所述第三代謝物測(cè)試數(shù)據(jù)矩陣輸入至第三訓(xùn)練好的bp預(yù)測(cè)模型進(jìn)行測(cè)試，將所述第四代謝物測(cè)試數(shù)據(jù)矩陣輸入至第四訓(xùn)練好的bp預(yù)測(cè)模型進(jìn)行測(cè)試；全部測(cè)試完成后，得到最終待優(yōu)化參數(shù)集；

52、s35、對(duì)所述最終待優(yōu)化參數(shù)集中每個(gè)需要進(jìn)行優(yōu)化的參數(shù)進(jìn)行迭代優(yōu)化，得到優(yōu)化后參數(shù)集；將所述優(yōu)化后參數(shù)集代入到對(duì)應(yīng)的訓(xùn)練好的bp預(yù)測(cè)模型中，得到第一最終bp預(yù)測(cè)模型、第二最終bp預(yù)測(cè)模型、第三最終bp預(yù)測(cè)模型以及第四最終bp預(yù)測(cè)模型；

53、由于不同類(lèi)型的代謝物的含量數(shù)據(jù)隨著細(xì)胞的生長(zhǎng)，其變化趨勢(shì)是不相同的，因此本方案通過(guò)構(gòu)建第一最終bp預(yù)測(cè)模型、第二最終bp預(yù)測(cè)模型、第三最終bp預(yù)測(cè)模型以及第四最終bp預(yù)測(cè)模型對(duì)不同類(lèi)型的代謝物的含量數(shù)據(jù)進(jìn)行分開(kāi)預(yù)測(cè)，提高了預(yù)測(cè)的準(zhǔn)確性。

54、優(yōu)選地，s35中對(duì)所述最終待優(yōu)化參數(shù)集中每個(gè)需要進(jìn)行優(yōu)化的參數(shù)進(jìn)行迭代優(yōu)化，得到優(yōu)化后參數(shù)集包括以下步驟：

55、s351、構(gòu)建哈里斯鷹種群；設(shè)定所述哈里斯鷹種群的最大迭代次數(shù)為、當(dāng)前迭代次數(shù)為以及搜索空間維度為；

56、s352、根據(jù)所述最終待優(yōu)化參數(shù)集設(shè)定哈里斯鷹種群中每只哈里斯鷹的初始位置，得到初始位置矩陣；

57、s353、設(shè)定所述哈里斯鷹種群的適應(yīng)度函數(shù)；

58、s354、開(kāi)始進(jìn)行迭代操作；每輪迭代過(guò)程中根據(jù)所述適應(yīng)度函數(shù)計(jì)算哈里斯鷹種群中每只哈里斯鷹的適應(yīng)度值，得到適應(yīng)度值集；選取所述適應(yīng)度值集中的最大適應(yīng)度值作為獵物，根據(jù)所述獵物的位置執(zhí)行全局搜索策略或執(zhí)行局部開(kāi)發(fā)策略；

59、s355、當(dāng)時(shí)，停止迭代操作；輸出最終全局最優(yōu)位置；否則，繼續(xù)進(jìn)行迭代；

60、將所述最終全局最優(yōu)位置代入到對(duì)應(yīng)的訓(xùn)練好的bp預(yù)測(cè)模型中，得到代入后的bp預(yù)測(cè)模型；采用s34的方式對(duì)所述代入后的bp預(yù)測(cè)模型進(jìn)行測(cè)試；

61、當(dāng)、、、均滿(mǎn)足時(shí)，將最終全局最優(yōu)位置作為所述優(yōu)化后參數(shù)集；否則，返回s354中繼續(xù)進(jìn)行迭代，直到、、、均滿(mǎn)足為止，得到所述優(yōu)化后參數(shù)集；

62、哈里斯鷹優(yōu)化算法需調(diào)參數(shù)少、在初期階段通過(guò)隨機(jī)搜索策略能夠有效地探索整個(gè)搜索空間，有助于找到全局最優(yōu)解，且在探索階段能夠有效地探索整個(gè)搜索空間，避免陷入局部最優(yōu)，而在開(kāi)發(fā)階段能夠快速收斂到最優(yōu)解；基于上述優(yōu)點(diǎn)，本方案中采用哈里斯鷹優(yōu)化算法對(duì)bp預(yù)測(cè)模型的隱藏層的節(jié)點(diǎn)數(shù)、隱藏層的層數(shù)以及學(xué)習(xí)率進(jìn)行不斷的迭代優(yōu)化，從而能夠快速的搜尋到一組最優(yōu)的bp預(yù)測(cè)模型的參數(shù)，提高了bp預(yù)測(cè)模型對(duì)代謝物含量數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確性。

63、優(yōu)選地，所述s4包括以下步驟：

64、s41、采集待預(yù)測(cè)細(xì)胞樣本；針對(duì)所述待預(yù)測(cè)細(xì)胞樣本設(shè)定歷史培養(yǎng)時(shí)間點(diǎn)集；

65、s42、將所述待預(yù)測(cè)細(xì)胞樣本放置在培養(yǎng)皿中進(jìn)行培養(yǎng)；在培養(yǎng)過(guò)程中，在所述歷史培養(yǎng)時(shí)間點(diǎn)集中的每個(gè)歷史培養(yǎng)時(shí)間點(diǎn)對(duì)待預(yù)測(cè)細(xì)胞樣本的在衰老代謝物類(lèi)型集中的每個(gè)衰老代謝物的含量數(shù)據(jù)分別進(jìn)行測(cè)量，得到代謝物歷史數(shù)據(jù)矩陣；

66、s43、設(shè)定未來(lái)培養(yǎng)時(shí)間點(diǎn)集；

67、將所述代謝物歷史數(shù)據(jù)矩陣中的每行數(shù)據(jù)分別輸入至第一最終bp預(yù)測(cè)模型、第二最終bp預(yù)測(cè)模型、第三最終bp預(yù)測(cè)模型、第四最終bp預(yù)測(cè)模型中對(duì)每個(gè)未來(lái)培養(yǎng)時(shí)間點(diǎn)的sdha抗體含量數(shù)據(jù)、氧化脂含量數(shù)據(jù)、丙酮酸脫氫酶激酶4含量數(shù)據(jù)以及磷酸甘油酸脫氫酶含量數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到代謝物未來(lái)數(shù)據(jù)矩陣；

68、s44、采用第二最終多層感知機(jī)分類(lèi)模型、第三最終多層感知機(jī)分類(lèi)模型、第四最終多層感知機(jī)分類(lèi)模型和第五最終多層感知機(jī)分類(lèi)模型分別對(duì)代謝物未來(lái)數(shù)據(jù)矩陣中的每行數(shù)據(jù)進(jìn)行分類(lèi)，得到第三細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣；

69、通過(guò)預(yù)測(cè)，得到待預(yù)測(cè)細(xì)胞樣本的多種代謝物在未來(lái)時(shí)刻的含量數(shù)據(jù)，再通過(guò)多種代謝物在未來(lái)時(shí)刻的含量數(shù)據(jù)，配合之前已經(jīng)訓(xùn)練測(cè)試好的第二最終多層感知機(jī)分類(lèi)模型、第三最終多層感知機(jī)分類(lèi)模型、第四最終多層感知機(jī)分類(lèi)模型和第五最終多層感知機(jī)分類(lèi)模型，得到待預(yù)測(cè)細(xì)胞樣本在未來(lái)時(shí)刻的衰老等級(jí)數(shù)據(jù)，為后續(xù)判定待預(yù)測(cè)細(xì)胞樣本在未來(lái)時(shí)刻的衰老發(fā)生的情況提供了數(shù)據(jù)依據(jù)。

70、優(yōu)選地，所述s5包括以下步驟：

71、s51、設(shè)定衰老等級(jí)數(shù)據(jù)閾值；

72、s52、當(dāng)所述第三細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣中存在細(xì)胞衰老等級(jí)數(shù)據(jù)大于或者等于衰老等級(jí)數(shù)據(jù)閾值時(shí)，則判定所述待預(yù)測(cè)細(xì)胞樣本在該細(xì)胞衰老等級(jí)數(shù)據(jù)對(duì)應(yīng)的未來(lái)培養(yǎng)時(shí)間點(diǎn)會(huì)發(fā)生衰老，否則，不會(huì)發(fā)生衰老；

73、提供將第三細(xì)胞衰老等級(jí)數(shù)據(jù)矩陣與設(shè)定的衰老等級(jí)數(shù)據(jù)閾值進(jìn)行對(duì)比；從四種代謝物的反映角度，只要有一種代謝物反映出待預(yù)測(cè)細(xì)胞樣本在未來(lái)時(shí)刻會(huì)發(fā)生衰老，則判定待預(yù)測(cè)細(xì)胞樣本會(huì)在這一時(shí)刻發(fā)生衰老；提高了判定的全面性和準(zhǔn)確性。

74、一種基于細(xì)胞代謝的細(xì)胞衰老預(yù)測(cè)模型構(gòu)建系統(tǒng)，包括第一代謝物數(shù)據(jù)采集模塊、表征數(shù)據(jù)處理模塊、衰老等級(jí)分類(lèi)模型構(gòu)建模塊、第一分類(lèi)模塊、代謝物數(shù)據(jù)分類(lèi)模塊、代謝物數(shù)據(jù)預(yù)測(cè)模型構(gòu)建模塊、代謝物數(shù)據(jù)預(yù)測(cè)模型構(gòu)建模塊、第二代謝物數(shù)據(jù)采集模塊、預(yù)測(cè)模塊和衰老判定模塊。

75、本發(fā)明具有以下有益效果：

76、1.本發(fā)明中通過(guò)選用四種代謝物的含量數(shù)據(jù)以及多種細(xì)胞類(lèi)型，從四個(gè)方面來(lái)對(duì)各類(lèi)型的細(xì)胞的衰老進(jìn)行預(yù)測(cè)，最后綜合這四個(gè)預(yù)測(cè)結(jié)果判定出細(xì)胞在未來(lái)時(shí)刻是否會(huì)發(fā)生衰老，提高了預(yù)測(cè)的全面性和普適性，進(jìn)而提高了預(yù)測(cè)的準(zhǔn)確性；通過(guò)構(gòu)建第一最終多層感知機(jī)分類(lèi)模型，為對(duì)第一衰老表征差異程度數(shù)據(jù)集矩陣進(jìn)行對(duì)應(yīng)的衰老等級(jí)預(yù)測(cè)提供了分類(lèi)模型；采用第一最終bp預(yù)測(cè)模型、第二最終bp預(yù)測(cè)模型、第三最終bp預(yù)測(cè)模型、第四最終bp預(yù)測(cè)模型對(duì)待預(yù)測(cè)細(xì)胞樣本的多種代謝物數(shù)據(jù)進(jìn)行預(yù)測(cè)；為后續(xù)對(duì)待預(yù)測(cè)細(xì)胞樣本在未來(lái)時(shí)刻的衰老情況進(jìn)行判定提供了數(shù)據(jù)依據(jù)。

77、2.本發(fā)明中通過(guò)構(gòu)建第一最終bp預(yù)測(cè)模型、第二最終bp預(yù)測(cè)模型、第三最終bp預(yù)測(cè)模型以及第四最終bp預(yù)測(cè)模型對(duì)不同類(lèi)型的代謝物的含量數(shù)據(jù)進(jìn)行分開(kāi)預(yù)測(cè)，提高了預(yù)測(cè)的準(zhǔn)確性。

78、3.本發(fā)明中通過(guò)采用哈里斯鷹優(yōu)化算法對(duì)bp預(yù)測(cè)模型的隱藏層的節(jié)點(diǎn)數(shù)、隱藏層的層數(shù)以及學(xué)習(xí)率進(jìn)行不斷的迭代優(yōu)化，從而能夠快速的搜尋到一組最優(yōu)的bp預(yù)測(cè)模型的參數(shù)，提高了bp預(yù)測(cè)模型對(duì)代謝物含量數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確性。

79、當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品并不一定需要同時(shí)達(dá)到以上所述的所有優(yōu)點(diǎn)。