[發明專利]一種基于深度學習和熒光光譜的基因檢測方法及裝置

有效

• 申請號: 202011636282.6
• 申請日: 2020-12-31
• 公開（公告）號: CN112309498B
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 李斌
• 申請（專利權）人: 武漢紐福斯生物科技有限公司
• 主分類號: G16B20/30
• 分類號: G16B20/30;G16B20/20;G06T7/00;G06T5/50;G06T5/00;G01N21/64;C12Q1/6883
• 代理公司: 武漢藍寶石專利代理事務所(特殊普通合伙) 42242
• 代理人: 劉璐

1.一種基于深度學習和熒光光譜的基因檢測方法，其特征在于，包括如下步驟：

獲取多個基因的不同標記物的熒光光譜圖像，針對每個基因隨機選取M個不同波段的熒光光譜圖像并將其融合到一張熒光光譜圖像中，對所述熒光光譜圖像進行增強，得到第一混合光譜圖像；

根據高斯峰假設和局部自適應多項式擬合算法濾除所述第一混合光譜圖像的背景噪聲,得到第二混合光譜圖像；

根據極大值極小值自適應算法對所述第二混合光譜圖像進行特征提取，得到熒光光譜圖像的峰值信號特征；所述根據極大值極小值自適應算法對所述第二混合光譜圖像進行特征提取，得到熒光光譜圖像的峰值信號特征包括如下步驟：在所述熒光光譜圖像中找出所有熒光強度的極小值點；在兩個相鄰的極小值點之間尋找極大值點，根據該極大值點的位置把該兩個極小值點之間的數據劃分為左片段、右片段，則位于極大值點左側的極小值點、右側的極小值點分別為左側極小值、右側極小值；將左片段的所有數據減去左側極小值，右片段的所有數據減去右側極小值；遍歷所有兩個相鄰的極小值點，執行上述步驟;

將基因序列作為目標標簽，每個基因所對應的峰值信號特征、第一混合光譜圖像作為樣本，訓練卷積神經網絡直至其誤差低于閾值，停止訓練，得到訓練好的卷積神經網絡；

將待檢測基因的熒光光譜圖像輸入到所述訓練好的卷積神經網絡，得到基因檢測結果。

2.根據權利要求1所述的基于深度學習和熒光光譜的基因檢測方法，其特征在于，所述獲取多個基因的不同標記物的熒光光譜圖像，針對每個基因隨機選取M個不同波段的熒光光譜圖像并將其融合到一張熒光光譜圖像中，對所述熒光光譜圖像進行增強，得到第一混合光譜圖像包括如下步驟：

獲取多種基因的不同標記物的熒光光譜圖像；

依次按照目的基因、激發波段、標記物的化學種類、熒光顏色將所述熒光光譜圖像進行聚類，得到熒光光譜圖像數據集；

從所述熒光光譜圖像數據集隨機選取一個基因的M個不同波段的熒光光譜圖像并將其融合到一張熒光光譜圖像中，其中M≤4；

對所述熒光光譜圖像進行增強，得到第一混合光譜圖像。

3.根據權利要求1所述的基于深度學習和熒光光譜的基因檢測方法，其特征在于，所述根據高斯峰假設和局部自適應多項式擬合算法濾除所述第一混合光譜圖像的背景噪聲,得到第二混合光譜圖像包括如下步驟：

采用Savitzky-Golay滑動窗口平均濾波算法對進行濾波，所述Savitzky-Golay滑動窗口平均濾波算法表示為：，其中x[i]為原始光譜數據中的第i個數據，y[i]是x[i]的平滑后的值，2N+1為以點x[i]為中心的窗口大小，k為滑動窗口中各位置相對中心點的距離,w_k為窗口對應的權重系數；

根據第一混合光譜圖像的光譜數據的導數變化確定所有極值點，進而確定各個標記物相應的熒光波段的位置和峰值。

4.根據權利要求1所述的基于深度學習和熒光光譜的基因檢測方法，其特征在于，所述卷積神經網絡為Lenet-5，所述Lenet-5網絡包括兩個卷積層、兩個池化層、第一全連接層、第二全連接層;在所述第一全連接層后包括1個Dropout層。

5.根據權利要求4所述的基于深度學習和熒光光譜的基因檢測方法，其特征在于，所述方法用于Leber遺傳性視神經病變的基因檢測中，檢測線粒體ND1:3460位點、ND4：11778位點、ND6:14484位點突變，其中：檢測線粒體基因ND1G3460A點突變的正向引物為SEQ No:1，反向引物序列為SEQ No:2；檢測線粒體基因ND4:G11778A點突變的正向引物為SEQ No:3，反向引物序列為SEQ No:4；檢測線粒體基因ND6:T14484C點突變的正向引物為SEQ No:5，反向引物序列為SEQ No:6。