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

背景技術(shù)：

1、中國專利申請cn110955961a公開了一種免疫損傷分析方法，獲取免疫細胞亞群比例；基于該比例構(gòu)建免疫損傷模型的原始數(shù)據(jù)面板并進行預(yù)處理，生成用于建模的特定免疫細胞亞群的面板數(shù)據(jù)；建立免疫損傷模型對樣本的免疫損傷程度進行評分，解決了用細胞衰老檢測試劑盒判斷免疫細胞衰老存在操作復(fù)雜、實驗條件嚴格、試劑配比要求高的問題，還能對體檢者外周血樣本中的免疫細胞亞群比例與免疫損傷程度進行量化，判斷其是否存在免疫提前衰老。

2、細胞衰老的發(fā)生影響因素較多，由于衰老細胞中的代謝物生成含量與正常細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胞衰老的發(fā)生之間存在較強的關(guān)聯(lián)性；然而，目前發(fā)現(xiàn)的衰老代謝物可能在不同細胞類型之間存在差異，因此無法根據(jù)單一的衰老代謝物對多種細胞的衰老進行預(yù)測。

技術(shù)實現(xiàn)思路

1、針對相關(guān)技術(shù)中的問題，本發(fā)明提出一種基于細胞代謝的細胞衰老預(yù)測模型構(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)問題。

2、為解決上述技術(shù)問題，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

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

4、s1、采集多種類型的細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)處理模型對多種類型的細胞樣本的衰老表征數(shù)據(jù)進行差異程度計算并構(gòu)建第一最終多層感知機分類模型，得到第一衰老表征差異程度數(shù)據(jù)集矩陣；

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

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

8、s4、構(gòu)建預(yù)測模型，所述預(yù)測模型采用第一最終bp預(yù)測模型、第二最終bp預(yù)測模型、第三最終bp預(yù)測模型、第四最終bp預(yù)測模型對待預(yù)測細胞樣本的多種代謝物數(shù)據(jù)進行預(yù)測，得到代謝物未來數(shù)據(jù)矩陣；構(gòu)建第二分類模型，所述第二分類模型采用所述多種最終多層感知機分類模型對代謝物未來數(shù)據(jù)矩陣進行分類，得到第三細胞衰老等級數(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)第三細胞衰老等級數(shù)據(jù)矩陣判定待預(yù)測細胞樣本在未來是否會發(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)；這些代謝物在細胞發(fā)生衰老時含量均會發(fā)生顯著的變化；因此本發(fā)明通過選用四種代謝物的含量數(shù)據(jù)，從四個方面來對細胞的衰老進行預(yù)測，最后綜合這四個預(yù)測結(jié)果判定出細胞在未來時刻是否會發(fā)生衰老；基于上述方案，提高了預(yù)測的全面性，進而提高了預(yù)測的準確性；同時，由于細胞衰老時，其形態(tài)以及顏色均會發(fā)生變化，因此，本方案通過采集細胞在各個生長時間點的表征數(shù)據(jù)，并將表征數(shù)據(jù)與細胞在未衰老時期的表征數(shù)據(jù)進行差異性比較，得到可以反映出細胞是否發(fā)生衰老的第一衰老表征差異程度數(shù)據(jù)集矩陣；同時，另外采集多個細胞樣本的第一衰老表征差異程度數(shù)據(jù)以及對應(yīng)的細胞衰老等級數(shù)據(jù)，為后續(xù)構(gòu)建出可以根據(jù)細胞衰老表征差異程度數(shù)據(jù)預(yù)測出細胞的衰老等級數(shù)據(jù)的第一最終多層感知機分類模型提供了數(shù)據(jù)支持；通過構(gòu)建第一最終多層感知機分類模型，為對第一衰老表征差異程度數(shù)據(jù)集矩陣進行對應(yīng)的衰老等級預(yù)測提供了分類模型；為后續(xù)構(gòu)建可以根據(jù)代謝物的含量數(shù)據(jù)預(yù)測出對應(yīng)的衰老等級的第二最終多層感知機分類模型、第三最終多層感知機分類模型、第四最終多層感知機分類模型和第四最終多層感知機分類模型提供了數(shù)據(jù)支持；其中，采集的各個時間點的代謝物數(shù)據(jù)也為后續(xù)構(gòu)建可以對代謝物含量數(shù)據(jù)進行預(yù)測的第一最終bp預(yù)測模型、第二最終bp預(yù)測模型、第三最終bp預(yù)測模型、第四最終bp預(yù)測模型提供了數(shù)據(jù)支持；通過采用構(gòu)建出的第一最終bp預(yù)測模型、第二最終bp預(yù)測模型、第三最終bp預(yù)測模型、第四最終bp預(yù)測模型對待預(yù)測細胞樣本的多種代謝物數(shù)據(jù)進行預(yù)測，得到代謝物未來數(shù)據(jù)矩陣；為后續(xù)對待預(yù)測細胞樣本在未來時刻的衰老情況進行判定提供了數(shù)據(jù)依據(jù)。

11、優(yōu)選地，所述s1包括以下步驟：

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

13、s12、配置所述第一細胞樣本集中每個細胞樣本對應(yīng)的培養(yǎng)基，同時設(shè)定培養(yǎng)時間點集；

14、設(shè)定衰老代謝物類型集，、、、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、將所述第一細胞樣本集中的每個細胞樣本放入對應(yīng)的培養(yǎng)基中進行培養(yǎng)；在培養(yǎng)過程中，在所述培養(yǎng)時間點集中的每個培養(yǎng)時間點對每個細胞樣本的在衰老代謝物類型集中的每個衰老代謝物的含量數(shù)據(jù)分別進行測量，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)時間點集中的每個培養(yǎng)時間點采用顯微鏡對每個細胞樣本的圖像數(shù)據(jù)進行拍攝采集，得到細胞圖像數(shù)據(jù)矩陣；

17、設(shè)定細胞衰老表征類型集；根據(jù)所述細胞衰老表征類型集采用cnn神經(jīng)網(wǎng)絡(luò)模型對細胞圖像數(shù)據(jù)矩陣中每個細胞圖像數(shù)據(jù)的細胞衰老表征數(shù)據(jù)進行提取，得到衰老表征數(shù)據(jù)集矩陣；

18、s14、計算所述衰老表征數(shù)據(jù)集矩陣中每種類型的細胞樣本在每個培養(yǎng)時間點的衰老表征數(shù)據(jù)分別與培養(yǎng)時間點集中第一個培養(yǎng)時間點的對應(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分類模型；

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

21、通過采集多種細胞樣本在培養(yǎng)基中各個時期的圖像數(shù)據(jù)，為提取出細胞樣本的表征數(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)定細胞衰老等級集；根據(jù)所述第一細胞類型數(shù)據(jù)集采集多種類型的細胞樣本以及對應(yīng)的細胞衰老等級數(shù)據(jù)，得到第二細胞樣本集；

24、根據(jù)所述細胞衰老表征類型集獲取第二細胞樣本集中每個細胞在各個時期的細胞衰老表征差異程度數(shù)據(jù)以及對應(yīng)的細胞衰老等級數(shù)據(jù)，得到第二衰老表征差異程度數(shù)據(jù)集矩陣以及第一細胞衰老等級數(shù)據(jù)矩陣；

25、s152、構(gòu)建第一初始多層感知機分類模型；采用所述第二衰老表征差異程度數(shù)據(jù)集矩陣以及第一細胞衰老等級數(shù)據(jù)矩陣對第一初始多層感知機分類模型進行訓(xùn)練以及測試；訓(xùn)練和測試完成后，得到第一最終多層感知機分類模型；

26、通過采用第二衰老表征差異程度數(shù)據(jù)集矩陣以及第一細胞衰老等級數(shù)據(jù)矩陣對第一初始多層感知機分類模型進行訓(xùn)練和測試，使得構(gòu)建出的第一最終多層感知機分類模型對根據(jù)細胞衰老表征差異程度數(shù)據(jù)預(yù)測出對應(yīng)的衰老等級數(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)比例對第二衰老表征差異程度數(shù)據(jù)集矩陣以及第一細胞衰老等級數(shù)據(jù)矩陣進行數(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試數(shù)據(jù)集矩陣、細胞衰老等級訓(xùn)練數(shù)據(jù)矩陣以及細胞衰老等級測試數(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)集矩陣以及細胞衰老等級訓(xùn)練數(shù)據(jù)矩陣輸入至第一初始多層感知機分類模型中進行訓(xùn)練；在訓(xùn)練過程中當訓(xùn)練誤差小于第一訓(xùn)練誤差閾值時，停止訓(xùn)練；否則，繼續(xù)訓(xùn)練；當訓(xùn)練結(jié)束后，得到訓(xùn)練好的多層感知機分類模型；

30、s1523、設(shè)定第一準確率閾值；將所述衰老表征差異程度測試數(shù)據(jù)集矩陣以及細胞衰老等級測試數(shù)據(jù)矩陣輸入至訓(xùn)練好的多層感知機分類模型中進行測試；測試完成后，得到第一準確率；

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

32、對第二衰老表征差異程度數(shù)據(jù)集矩陣以及第一細胞衰老等級數(shù)據(jù)矩陣進行數(shù)據(jù)劃分，為對第一初始多層感知機分類模型進行訓(xùn)練以及測試提供了訓(xùn)練數(shù)據(jù)以及測試數(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分類模型對第一衰老表征差異程度數(shù)據(jù)集矩陣中的每個衰老表征差異程度數(shù)據(jù)進行分類操作，得到第二細胞衰老等級數(shù)據(jù)矩陣；

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

36、采用第一代謝物數(shù)據(jù)矩陣以及第二細胞衰老等級數(shù)據(jù)矩陣對所述第二初始多層感知機分類模型進行訓(xùn)練和測試；訓(xùn)練和測試完成后，得到第二最終多層感知機分類模型；

37、采用第二代謝物數(shù)據(jù)矩陣以及第二細胞衰老等級數(shù)據(jù)矩陣對所述第三初始多層感知機分類模型進行訓(xùn)練和測試；訓(xùn)練和測試完成后，得到第三最終多層感知機分類模型；

38、采用第三代謝物數(shù)據(jù)矩陣以及第二細胞衰老等級數(shù)據(jù)矩陣對所述第四初始多層感知機分類模型進行訓(xùn)練和測試；訓(xùn)練和測試完成后，得到第四最終多層感知機分類模型；

39、采用第四代謝物數(shù)據(jù)矩陣以及第二細胞衰老等級數(shù)據(jù)矩陣對所述第五初始多層感知機分類模型進行訓(xùn)練和測試；訓(xùn)練和測試完成后，得到第五最終多層感知機分類模型；

40、由于每種代謝物的含量數(shù)據(jù)與對應(yīng)的細胞衰老等級數(shù)據(jù)之間的對應(yīng)關(guān)系是不相同的，因此構(gòu)建第二初始多層感知機分類模型、第三初始多層感知機分類模型、第四初始多層感知機分類模型和第五初始多層感知機分類模型對四種代謝物的含量數(shù)據(jù)分別進行分析，每種模型只處理其中一種代謝物的數(shù)據(jù)，提高了分類的精準性。

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)測模型、第二初始bp預(yù)測模型、第三初始bp預(yù)測模型和第四初始bp預(yù)測模型；

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)測模型中進行訓(xùn)練；在訓(xùn)練過程中，當訓(xùn)練誤差小于第二訓(xùn)練誤差閾值時，停止訓(xùn)練，得到第一訓(xùn)練好的bp預(yù)測模型；否則，繼續(xù)進行訓(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)測模型中進行訓(xùn)練；在訓(xùn)練過程中，當訓(xùn)練誤差小于第三訓(xùn)練誤差閾值時，停止訓(xùn)練，得到第二訓(xùn)練好的bp預(yù)測模型；否則，繼續(xù)進行訓(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)測模型中進行訓(xùn)練；在訓(xùn)練過程中，當訓(xùn)練誤差小于第四訓(xùn)練誤差閾值時，停止訓(xùn)練，得到第三訓(xùn)練好的bp預(yù)測模型；否則，繼續(xù)進行訓(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)測模型中進行訓(xùn)練；在訓(xùn)練過程中，當訓(xùn)練誤差小于第五訓(xùn)練誤差閾值時，停止訓(xùn)練，得到第四訓(xùn)練好的bp預(yù)測模型；否則，繼續(xù)進行訓(xùn)練；

49、設(shè)定所述第一訓(xùn)練好的bp預(yù)測模型、第二訓(xùn)練好的bp預(yù)測模型、第三訓(xùn)練好的bp預(yù)測模型和第四訓(xùn)練好的bp預(yù)測模型的初始參數(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)定第二準確率閾值、第三準確率閾值、第四準確率閾值和第五準確率閾值；

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

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

53、由于不同類型的代謝物的含量數(shù)據(jù)隨著細胞的生長，其變化趨勢是不相同的，因此本方案通過構(gòu)建第一最終bp預(yù)測模型、第二最終bp預(yù)測模型、第三最終bp預(yù)測模型以及第四最終bp預(yù)測模型對不同類型的代謝物的含量數(shù)據(jù)進行分開預(yù)測，提高了預(yù)測的準確性。

54、優(yōu)選地，s35中對所述最終待優(yōu)化參數(shù)集中每個需要進行優(yōu)化的參數(shù)進行迭代優(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、開始進行迭代操作；每輪迭代過程中根據(jù)所述適應(yīng)度函數(shù)計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)行局部開發(fā)策略；

59、s355、當時，停止迭代操作；輸出最終全局最優(yōu)位置；否則，繼續(xù)進行迭代；

60、將所述最終全局最優(yōu)位置代入到對應(yīng)的訓(xùn)練好的bp預(yù)測模型中，得到代入后的bp預(yù)測模型；采用s34的方式對所述代入后的bp預(yù)測模型進行測試；

61、當、、、均滿足時，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)進行迭代，直到、、、均滿足為止，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、在初期階段通過隨機搜索策略能夠有效地探索整個搜索空間，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搜索空間，避免陷入局部最優(yōu)，而在開發(fā)階段能夠快速收斂到最優(yōu)解；基于上述優(yōu)點，本方案中采用哈里斯鷹優(yōu)化算法對bp預(yù)測模型的隱藏層的節(jié)點數(shù)、隱藏層的層數(shù)以及學(xué)習(xí)率進行不斷的迭代優(yōu)化，從而能夠快速的搜尋到一組最優(yōu)的bp預(yù)測模型的參數(shù)，提高了bp預(yù)測模型對代謝物含量數(shù)據(jù)預(yù)測的準確性。

63、優(yōu)選地，所述s4包括以下步驟：

64、s41、采集待預(yù)測細胞樣本；針對所述待預(yù)測細胞樣本設(shè)定歷史培養(yǎng)時間點集；

65、s42、將所述待預(yù)測細胞樣本放置在培養(yǎng)皿中進行培養(yǎng)；在培養(yǎng)過程中，在所述歷史培養(yǎng)時間點集中的每個歷史培養(yǎng)時間點對待預(yù)測細胞樣本的在衰老代謝物類型集中的每個衰老代謝物的含量數(shù)據(jù)分別進行測量，得到代謝物歷史數(shù)據(jù)矩陣；

66、s43、設(shè)定未來培養(yǎng)時間點集；

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)測模型、第二最終bp預(yù)測模型、第三最終bp預(yù)測模型、第四最終bp預(yù)測模型中對每個未來培養(yǎng)時間點的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)進行預(yù)測，得到代謝物未來數(shù)據(jù)矩陣；

68、s44、采用第二最終多層感知機分類模型、第三最終多層感知機分類模型、第四最終多層感知機分類模型和第五最終多層感知機分類模型分別對代謝物未來數(shù)據(jù)矩陣中的每行數(shù)據(jù)進行分類，得到第三細胞衰老等級數(shù)據(jù)矩陣；

69、通過預(yù)測，得到待預(yù)測細胞樣本的多種代謝物在未來時刻的含量數(shù)據(jù)，再通過多種代謝物在未來時刻的含量數(shù)據(jù)，配合之前已經(jīng)訓(xùn)練測試好的第二最終多層感知機分類模型、第三最終多層感知機分類模型、第四最終多層感知機分類模型和第五最終多層感知機分類模型，得到待預(yù)測細胞樣本在未來時刻的衰老等級數(shù)據(jù)，為后續(xù)判定待預(yù)測細胞樣本在未來時刻的衰老發(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)定衰老等級數(shù)據(jù)閾值；

72、s52、當所述第三細胞衰老等級數(shù)據(jù)矩陣中存在細胞衰老等級數(shù)據(jù)大于或者等于衰老等級數(shù)據(jù)閾值時，則判定所述待預(yù)測細胞樣本在該細胞衰老等級數(shù)據(jù)對應(yīng)的未來培養(yǎng)時間點會發(fā)生衰老，否則，不會發(fā)生衰老；

73、提供將第三細胞衰老等級數(shù)據(jù)矩陣與設(shè)定的衰老等級數(shù)據(jù)閾值進行對比；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)測細胞樣本在未來時刻會發(fā)生衰老，則判定待預(yù)測細胞樣本會在這一時刻發(fā)生衰老；提高了判定的全面性和準確性。

74、一種基于細胞代謝的細胞衰老預(yù)測模型構(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、衰老等級分類模型構(gòu)建模塊、第一分類模塊、代謝物數(shù)據(jù)分類模塊、代謝物數(shù)據(jù)預(yù)測模型構(gòu)建模塊、代謝物數(shù)據(jù)預(yù)測模型構(gòu)建模塊、第二代謝物數(shù)據(jù)采集模塊、預(yù)測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)明中通過選用四種代謝物的含量數(shù)據(jù)以及多種細胞類型，從四個方面來對各類型的細胞的衰老進行預(yù)測，最后綜合這四個預(yù)測結(jié)果判定出細胞在未來時刻是否會發(fā)生衰老，提高了預(yù)測的全面性和普適性，進而提高了預(yù)測的準確性；通過構(gòu)建第一最終多層感知機分類模型，為對第一衰老表征差異程度數(shù)據(jù)集矩陣進行對應(yīng)的衰老等級預(yù)測提供了分類模型；采用第一最終bp預(yù)測模型、第二最終bp預(yù)測模型、第三最終bp預(yù)測模型、第四最終bp預(yù)測模型對待預(yù)測細胞樣本的多種代謝物數(shù)據(jù)進行預(yù)測；為后續(xù)對待預(yù)測細胞樣本在未來時刻的衰老情況進行判定提供了數(shù)據(jù)依據(jù)。

77、2.本發(fā)明中通過構(gòu)建第一最終bp預(yù)測模型、第二最終bp預(yù)測模型、第三最終bp預(yù)測模型以及第四最終bp預(yù)測模型對不同類型的代謝物的含量數(shù)據(jù)進行分開預(yù)測，提高了預(yù)測的準確性。

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

79、當然，實施本發(fā)明的任一產(chǎn)品并不一定需要同時達到以上所述的所有優(yōu)點。