[發明專利]基于模糊k均值的宏基因組片段聚類方法

在審

• 申請號: 201410053807.1
• 申請日: 2014-02-18
• 公開（公告）號: CN103955629A
• 公開（公告）日: 2014-07-30
• 發明（設計）人: 劉富;劉云;侯濤;張瀟;王珂;康冰;薛建
• 申請（專利權）人: 吉林大學
• 主分類號: G06F19/20
• 分類號: G06F19/20
• 代理公司: 吉林長春新紀元專利代理有限責任公司 22100
• 代理人: 白冬冬

1.一種基于模糊k均值的宏基因組片段聚類方法，其特征在于：

a、宏基因組片段的獲取：微生物全基因序列利用宏基因組模擬軟件MetaSim合成一個宏基因組片段集；

b、特征向量的建立：使用DNA片段的k-mer頻率作為特征向量：

①計算每個片段的k-mer頻率，即用一個列向量來表示一個DNA片段；

②對步驟1）中計算得到的特征向量進行歸一化，歸一化方法為：特征向量中每一個元素都除以該特征向量中元素的最大值，即：

其中，是特征向量的維數，是宏基因組中片段的數量，是第個特征向量中第個元素；

c、利用模糊k均值方法進行聚類：在建立特征向量之后，即可利用模糊k均值方法對宏基因組片段進行聚類；

d、根據聚類結果計算宏基因組數據中包含的物種個數和物種的豐度比：利用模糊k均值方法聚類的結果是將宏基因組片段分為若干個類，類的個數即為該宏基因組數據中所包含的物種個數，每個類所屬片段的序列總長度占宏基因組中所有片段的序列總長度的百分數視為該物種的豐度比。

2.根據權利要求1所述的基于模糊k均值的宏基因組片段聚類方法，其特征在于：讀取的宏基因組片段中四種核苷酸A、T、G、C轉換為數字0、1、2、3。

3.根據權利要求1所述的基于模糊k均值的宏基因組片段聚類方法，其特征在于：聚類過程是：

a、給定聚類所需的初始條件：聚類個數、最小迭代誤差，模糊度和初始隸屬度矩陣，其元素表示第個片段屬于第個類的概率，初始隸屬度矩陣滿足：

初始聚類個數的選擇：根據數據聚類的特點，賦予一個較大的數值，使其大于數據集中物種的個數，聚類結束后再對聚類結果進行合并；滿足，為數據集中樣本的個數；

最小迭代誤差：最小迭代誤差主要是用于算法循環的終止準則，以判斷當前是否結束循環；循環終止準則為：

其中是矩陣的二范數，和分別是當前循環結束和上一次循環結束時的隸屬度矩陣，是最小迭代誤差，最小迭代誤差選擇；

模糊度：一般的，模糊度滿足：，本發明中，設定；

初始隸屬度矩陣的給定：利用matlab的rand命令生成一個[0,1]區間上的隨機矩陣，但該矩陣并不能滿足每行元素之和為1，解決的辦法是每個元素都除以該元素所在行所用元素之和；

b、利用模糊k均值方法進行聚類：

模糊k均值法的原理是將模糊應用于k均值法中，在方法執行之前給定隸屬度矩陣，利用隸屬度矩陣計算各個聚類中心，再根據各個聚類中心更新隸屬度矩陣，如此循環往復，直到滿足a步中所述的循環終止準則，最后對聚類結果進行去模糊化得到最終的聚類結果。