[發(fā)明專利]一種基因序列識別方法、系統(tǒng)和計算機可讀存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201910199795.6
• 申請日: 2019-03-15
• 公開（公告）號: CN110070914B
• 公開（公告）日: 2020-07-03
• 發(fā)明（設(shè)計）人: 崔大超
• 申請（專利權(quán)）人: 崔大超
• 主分類號: G16B30/00
• 分類號: G16B30/00;G16B40/00
• 代理公司: 深圳市蘭鋒盛世知識產(chǎn)權(quán)代理有限公司 44504
• 代理人: 馬世中

1.一種基因序列識別方法，其特征在于，包括：

獲取訓(xùn)練數(shù)據(jù)集；

對所述訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)進(jìn)行轉(zhuǎn)碼處理，以生成對應(yīng)的輸入矩陣；

將所述輸入矩陣置入深度學(xué)習(xí)框架中進(jìn)行訓(xùn)練，以得到可成長數(shù)據(jù)模型；

接收待識別的基因序列數(shù)據(jù)，并將其置入所述可成長數(shù)據(jù)模型，以生成基因序列識別結(jié)果信息；

還包括：

獲取初始訓(xùn)練數(shù)據(jù)集；

對所述初始訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)進(jìn)行轉(zhuǎn)碼處理，以生成對應(yīng)的輸入矩陣；

將所述輸入矩陣置入深度學(xué)習(xí)框架中進(jìn)行訓(xùn)練，以得到初始數(shù)據(jù)模型；

接收待識別的基因序列數(shù)據(jù)，并將其置入所述初始數(shù)據(jù)模型，以生成基因序列識別結(jié)果信息；

在得到初始數(shù)據(jù)模型之后，還包括：

獲取第三方平臺的分類數(shù)據(jù)；

通過預(yù)設(shè)的合并規(guī)則，將所述分類數(shù)據(jù)與初始訓(xùn)練數(shù)據(jù)集合并以形成融合訓(xùn)練數(shù)據(jù)集；

對所述融合訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)進(jìn)行轉(zhuǎn)碼處理，以生成對應(yīng)的輸入矩陣；

將所述輸入矩陣置入深度學(xué)習(xí)框架中進(jìn)行訓(xùn)練，以得到可成長數(shù)據(jù)模型；

接收待分類未知基因序列數(shù)據(jù)，并將其置入所述可成長數(shù)據(jù)模型，以生成基因序列識別結(jié)果信息；

采用轉(zhuǎn)碼器將基因序列數(shù)據(jù)轉(zhuǎn)化為深度學(xué)習(xí)框架的輸入矩陣，所述轉(zhuǎn)碼器由一對一直接轉(zhuǎn)碼與基因序列對應(yīng)蛋白性質(zhì)轉(zhuǎn)碼兩種模式構(gòu)成解碼矩陣；所述深度學(xué)習(xí)框架是一種包括可變參數(shù)的多層卷積層和池化層的混合框架結(jié)構(gòu)。

2.根據(jù)權(quán)利要求1所述的一種基因序列識別方法，其特征在于，在生成基因序列識別結(jié)果信息之后，還包括：

判斷所述基因序列識別結(jié)果信息的可信度。

3.根據(jù)權(quán)利要求1所述的一種基因序列識別方法，其特征在于，所述深度學(xué)習(xí)框架包括卷積層和池化層，所述深度學(xué)習(xí)框架采用GPU進(jìn)行加速運算。

4.根據(jù)權(quán)利要求1所述的一種基因序列識別方法，其特征在于，所述輸入矩陣為雙層矩陣，第一層矩陣采用一對一編碼模式獲取，第二層矩陣采用物化性質(zhì)編碼模式獲取。

5.一種基因序列識別系統(tǒng)，其特征在于，所述基因序列識別系統(tǒng)包括：存儲器及處理器，所述存儲器中包括一種基因序列識別方法程序，所述基因序列識別方法程序被所述處理器執(zhí)行時實現(xiàn)如下步驟：

獲取訓(xùn)練數(shù)據(jù)集；

對所述訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)進(jìn)行轉(zhuǎn)碼處理，以生成對應(yīng)的輸入矩陣；

將所述輸入矩陣置入深度學(xué)習(xí)框架中進(jìn)行訓(xùn)練，以得到可成長數(shù)據(jù)模型；

接收待識別的基因序列數(shù)據(jù)，并將其置入所述可成長數(shù)據(jù)模型，以生成基因序列識別結(jié)果信息；

所述基因序列識別方法程序被所述處理器執(zhí)行時還實現(xiàn)如下步驟：

獲取初始訓(xùn)練數(shù)據(jù)集；

對所述初始訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)進(jìn)行轉(zhuǎn)碼處理，以生成對應(yīng)的輸入矩陣；

將所述輸入矩陣置入深度學(xué)習(xí)框架中進(jìn)行訓(xùn)練，以得到初始數(shù)據(jù)模型；

接收待識別的基因序列數(shù)據(jù)，并將其置入所述初始數(shù)據(jù)模型，以生成基因序列識別結(jié)果信息；

在得到初始數(shù)據(jù)模型之后，還包括：

獲取第三方平臺的分類數(shù)據(jù)；

通過預(yù)設(shè)的合并規(guī)則，將所述分類數(shù)據(jù)與初始訓(xùn)練數(shù)據(jù)集合并以形成融合訓(xùn)練數(shù)據(jù)集；

對所述融合訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)進(jìn)行轉(zhuǎn)碼處理，以生成對應(yīng)的輸入矩陣；

將所述輸入矩陣置入深度學(xué)習(xí)框架中進(jìn)行訓(xùn)練，以得到可成長數(shù)據(jù)模型；

接收待分類未知基因序列數(shù)據(jù)，并將其置入所述可成長數(shù)據(jù)模型，以生成基因序列識別結(jié)果信息；

采用轉(zhuǎn)碼器將基因序列數(shù)據(jù)轉(zhuǎn)化為深度學(xué)習(xí)框架的輸入矩陣，所述轉(zhuǎn)碼器由一對一直接轉(zhuǎn)碼與基因序列對應(yīng)蛋白性質(zhì)轉(zhuǎn)碼兩種模式構(gòu)成解碼矩陣；所述深度學(xué)習(xí)框架是一種包括可變參數(shù)的多層卷積層和池化層的混合框架結(jié)構(gòu)。

6.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)中包括一種基因序列識別方法程序，所述基因序列識別方法程序被處理器執(zhí)行時，實現(xiàn)如權(quán)利要求1至4中任一項所述的一種基因序列識別方法的步驟。