数学建模实战：如何用Python分析NIPT数据中的Y染色体浓度与孕周、BMI关系

数学建模实战Python分析NIPT数据中Y染色体浓度与孕周、BMI的关联规律在生物医学数据分析领域无创产前检测NIPT数据的挖掘正成为研究热点。当我们面对一份包含孕妇孕周、BMI指标和胎儿Y染色体浓度的数据集时如何通过Python构建完整的分析流程这不仅考验数据科学基本功更是数学建模竞赛中的典型问题。本文将手把手带您完成从数据清洗到模型构建的全过程特别适合参加数模竞赛的学生和数据分析爱好者。1. 数据预处理构建分析基础数据质量决定模型上限。我们从原始Excel数据入手首先需要筛选出男胎样本Y染色体浓度非空并进行关键指标的清洗转换。import pandas as pd import numpy as np def preprocess_nipt_data(filepath): NIPT数据预处理函数 df pd.read_excel(filepath) # 筛选男胎数据 male_df df[df[Y染色体浓度].notna()].copy() # 处理孕周格式假设原始格式为周数天数 male_df[孕周_数值] male_df[孕周].apply( lambda x: float(x.split()[0]) float(x.split()[1])/7 if in str(x) else float(x) ) # 剔除异常值 male_df male_df[ (male_df[Y染色体浓度] 0) (male_df[BMI].between(15, 50)) (male_df[孕周_数值].between(8, 20)) ].dropna(subset[Y染色体浓度, 孕周_数值, BMI]) return male_df关键预处理步骤数据类型转换将周天格式的孕周统一转换为周数小数表示异常值过滤剔除Y染色体浓度≤0、BMI超出[15,50]范围、孕周异常的数据缺失值处理删除关键字段缺失的样本提示实际应用中建议保存预处理后的数据到新文件避免重复计算2. 探索性分析发现数据特征通过统计描述和可视化我们首先观察Y染色体浓度的分布特征及其与各指标的关系。import seaborn as sns import matplotlib.pyplot as plt def exploratory_analysis(df): # 设置可视化风格 sns.set(stylewhitegrid, fontSimHei) # 绘制分布直方图 fig, axes plt.subplots(1, 3, figsize(18, 5)) sns.histplot(df[Y染色体浓度], kdeTrue, axaxes[0]) sns.histplot(df[孕周_数值], kdeTrue, axaxes[1]) sns.histplot(df[BMI], kdeTrue, axaxes[2]) plt.tight_layout() # 计算相关系数矩阵 corr_matrix df[[Y染色体浓度, 孕周_数值, BMI, 年龄]].corr() # 绘制热力图 plt.figure(figsize(10, 8)) sns.heatmap(corr_matrix, annotTrue, cmapcoolwarm, center0) plt.title(变量相关性热力图) return corr_matrix典型分析结果示例变量对Pearson相关系数P值Y浓度 vs 孕周0.620.001Y浓度 vs BMI-0.310.002Y浓度 vs 年龄0.080.342从分析可见Y染色体浓度与孕周呈显著正相关与BMI呈负相关而与孕妇年龄的相关性不显著。3. 统计建模构建预测关系基于探索性分析结果我们构建多元回归模型量化各因素对Y染色体浓度的影响。3.1 线性回归模型from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, r2_score def build_linear_model(df): X df[[孕周_数值, BMI]] y df[Y染色体浓度] model LinearRegression() model.fit(X, y) # 模型评估 y_pred model.predict(X) print(fR²分数: {r2_score(y, y_pred):.3f}) print(f系数: 孕周{model.coef_[0]:.3f}, BMI{model.coef_[1]:.3f}) return model模型输出示例R²分数: 0.487 系数: 孕周0.421, BMI-0.1933.2 多项式回归改进考虑变量间可能存在的非线性关系引入二次项和交互项from sklearn.preprocessing import PolynomialFeatures def build_poly_model(df): X df[[孕周_数值, BMI]] y df[Y染色体浓度] poly PolynomialFeatures(degree2, include_biasFalse) X_poly poly.fit_transform(X) model LinearRegression() model.fit(X_poly, y) print(f多项式R²: {r2_score(y, model.predict(X_poly)):.3f}) return model, poly模型对比模型类型R²分数特征重要性排序线性模型0.487孕周 BMI多项式模型0.523孕周² 孕周×BMI BMI4. 结果可视化与解读将建模结果通过可视化呈现更直观展示变量关系。def plot_3d_relationship(df, model, polyNone): from mpl_toolkits.mplot3d import Axes3D fig plt.figure(figsize(12, 8)) ax fig.add_subplot(111, projection3d) # 生成预测网格 weeks np.linspace(df[孕周_数值].min(), df[孕周_数值].max(), 20) bmis np.linspace(df[BMI].min(), df[BMI].max(), 20) W, B np.meshgrid(weeks, bmis) if poly: X_pred poly.transform(np.c_[W.ravel(), B.ravel()]) else: X_pred np.c_[W.ravel(), B.ravel()] Z model.predict(X_pred).reshape(W.shape) # 绘制曲面 surf ax.plot_surface(W, B, Z, cmapcoolwarm, alpha0.8) ax.scatter(df[孕周_数值], df[BMI], df[Y染色体浓度], cblack, s20, alpha0.5) ax.set_xlabel(孕周) ax.set_ylabel(BMI) ax.set_zlabel(Y染色体浓度(%)) fig.colorbar(surf) plt.title(Y染色体浓度预测曲面)关键发现孕周每增加1周Y染色体浓度平均上升0.42%BMI每增加1个单位Y染色体浓度下降约0.19%孕周在10-12周时BMI的影响更为显著5. 模型应用与优化建议在实际临床决策中我们需要确定Y染色体浓度达到检测阈值如4%的最早孕周。基于模型可以推导def find_earliest_week(model, bmi_range(18, 30), target4): 计算不同BMI下达到目标浓度的最早孕周 results [] for bmi in np.linspace(*bmi_range, 10): weeks np.linspace(8, 20, 100) X np.column_stack([weeks, np.full_like(weeks, bmi)]) if poly: X poly.transform(X) y_pred model.predict(X) reach_week weeks[np.where(y_pred target)[0][0]] if any(y_pred target) else np.nan results.append((bmi, reach_week)) return pd.DataFrame(results, columns[BMI, 最早达标孕周])推荐检测时间表BMI区间建议检测孕周达标置信度18-2210.5周95%22-2611.2周92%26-3012.1周88%在实战项目中我发现孕周数据的准确性对模型影响最大。建议在数据收集阶段统一孕周计算方法必要时通过超声数据校准。另外当BMI30时可能需要考虑其他检测指标作为补充。