[發(fā)明專利]一種基于深度學(xué)習(xí)的DNA序列基元挖掘方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110266696.2
• 申請(qǐng)日: 2021-03-11
• 公開（公告）號(hào): CN112863598A
• 公開（公告）日: 2021-05-28
• 發(fā)明（設(shè)計(jì)）人: 黃德雙;張欽虎
• 申請(qǐng)（專利權(quán)）人: 同濟(jì)大學(xué)
• 主分類號(hào): G16B30/00
• 分類號(hào): G16B30/00;G16B50/00;G06N3/08;G06N3/04
• 代理公司: 北京東方盛凡知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11562
• 代理人: 王穎

本發(fā)明公開一種基于深度學(xué)習(xí)的DNA序列基元挖掘方法和系統(tǒng),其包括：步驟1、對(duì)獲取的DNA序列進(jìn)行預(yù)處理，采用重疊分割策略將每條DNA序列處理成一個(gè)數(shù)據(jù)包，采用k?mer編碼對(duì)數(shù)據(jù)包里的每一個(gè)示例進(jìn)行編碼；步驟2、對(duì)每個(gè)數(shù)據(jù)包進(jìn)行特征學(xué)習(xí)，以構(gòu)造混合深度神經(jīng)網(wǎng)絡(luò)模型，對(duì)數(shù)據(jù)包中每個(gè)示例進(jìn)行預(yù)測(cè)打分；步驟3、對(duì)每個(gè)數(shù)據(jù)包中所有示例進(jìn)行融合，將融合后的得分作為該數(shù)據(jù)包的最終預(yù)測(cè)值。采用本發(fā)明的技方案，避免忽略基因組序列的弱監(jiān)督信息、序列特征之間的長(zhǎng)期依賴關(guān)系等。

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的DNA序列基元挖掘方法和系統(tǒng)。

背景技術(shù)

隨著技術(shù)的不斷發(fā)展，越來(lái)越多的研究人員使用高通量實(shí)驗(yàn)方法來(lái)對(duì)生物體內(nèi)基因組序列中可能與蛋白質(zhì)發(fā)生綁定的位點(diǎn)進(jìn)行深入研究。目前比較成熟的用于研究轉(zhuǎn)錄因子在體內(nèi)綁定作用的實(shí)驗(yàn)方法有以下幾種：ChIP-chip、ChIP-seq以及最近提出的ChIP-exo。研究人員使用上述實(shí)驗(yàn)方法在基因組內(nèi)對(duì)已有的數(shù)百萬(wàn)條序列進(jìn)行精確定位，從而獲得基因組內(nèi)能夠與蛋白質(zhì)發(fā)生綁定作用的短序列區(qū)域的相關(guān)數(shù)據(jù)。通過(guò)上述實(shí)驗(yàn)數(shù)據(jù)，研究人員可以在全基因組范圍內(nèi)對(duì)多種蛋白質(zhì)在不同組織細(xì)胞中的綁定特性進(jìn)行深入研究，從而幫助人們進(jìn)一步探索生物體內(nèi)不同蛋白質(zhì)間的相互作用特性。

隨著高通量測(cè)序技術(shù)的快速發(fā)展，已經(jīng)提出了多種實(shí)驗(yàn)方法來(lái)提取體內(nèi)(in-vivo)和體外(in-vitro)的綁定區(qū)域。特別地，ChIP-seq和高通量測(cè)序大大增加了體內(nèi)可用數(shù)據(jù)量，這將有利于體內(nèi)蛋白質(zhì)與基因組序列綁定的研究。另一方面，蛋白質(zhì)結(jié)合微陣列(PBM)可以測(cè)量轉(zhuǎn)錄因子與給定長(zhǎng)度k的所有可能的DNA序列變體的體外結(jié)合，這為直接開發(fā)綁定位點(diǎn)預(yù)測(cè)模型提供了極好的信息來(lái)源。隨后就陸續(xù)出現(xiàn)了各種處理高通量數(shù)據(jù)的算法，例如針對(duì)ChIP-seq數(shù)據(jù)的DREME、BioProspector和motifRG等方法；針對(duì)PBM數(shù)據(jù)的Herdclustering和RankMotif++；針對(duì)HT-SELEX數(shù)據(jù)的Toivonen和HTSIBIS等方法，以及可以綜合統(tǒng)一處理這些數(shù)據(jù)的Dimont算法等。然而，采用傳統(tǒng)的方法處理如此大規(guī)模的數(shù)據(jù)會(huì)受到相當(dāng)大的限制，例如，容錯(cuò)性能低、對(duì)噪聲敏感、泛化能力差，時(shí)間復(fù)雜度高。隨著計(jì)算機(jī)理論以及技術(shù)的不斷發(fā)展，深度學(xué)習(xí)已經(jīng)被成功地應(yīng)用于各種大數(shù)據(jù)研究領(lǐng)域中。研究者開始嘗試使用深度神經(jīng)網(wǎng)絡(luò)等復(fù)雜機(jī)器學(xué)習(xí)模型來(lái)挖掘綁定位點(diǎn)基元信息，以及分析蛋白質(zhì)綁定與基因變異之間的關(guān)聯(lián)關(guān)系。DeepBind是首個(gè)將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于綁定位點(diǎn)預(yù)測(cè)的基元挖掘算法，從集成現(xiàn)有簡(jiǎn)單綁定模型的角度對(duì)傳統(tǒng)的深度學(xué)習(xí)方法進(jìn)行了調(diào)整，設(shè)計(jì)了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)錄因子綁定模型。用戶可以將多種高通量技術(shù)產(chǎn)生的高通量數(shù)據(jù)(例如：ChIp-seq，PBM，HT-SELEX)作為原始數(shù)據(jù)輸入到DeepBind模型中，然后DeepBind可以運(yùn)用自己制定的規(guī)則綜合考慮多種數(shù)據(jù)，并從中學(xué)習(xí)出轉(zhuǎn)錄因子綁定偏好的模型參數(shù)。

但是現(xiàn)有的基元挖掘方法主要是基于傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法，越來(lái)越多的證據(jù)表明基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法無(wú)法處理大規(guī)模測(cè)序數(shù)據(jù)，泛化能力差，且十分耗時(shí)，而基于深度學(xué)習(xí)的方法能很好地緩解或克服傳統(tǒng)方法的不足。但是，基于深度學(xué)習(xí)的方法還存在以下問(wèn)題：1)遵循完全監(jiān)督的學(xué)習(xí)框架，而忽略了基因組序列的弱監(jiān)督信息，即一段DNA序列可能包含多個(gè)轉(zhuǎn)錄因子結(jié)合位點(diǎn)；2)使用獨(dú)熱(one-hot)編碼，而該編碼方式忽略了核苷酸之間的依賴性；3)僅采用CNN來(lái)學(xué)習(xí)DNA序列的空間信息，而忽略了序列特征之間的長(zhǎng)期依賴關(guān)系。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題是，提供一種基于深度學(xué)習(xí)的DNA序列基元挖掘方法和系統(tǒng)。

為實(shí)現(xiàn)上述目的，本發(fā)明采用如下的技術(shù)方案：

一種基于深度學(xué)習(xí)的DNA序列基元挖掘方法，包括以下步驟：

步驟1、采用重疊分割策略對(duì)獲取的每條DNA序列處理成一個(gè)數(shù)據(jù)包，采用k-met編碼對(duì)數(shù)據(jù)包里的每一個(gè)示例進(jìn)行編碼；