[發明專利]一種基于PHMM模型的差分可辨性基因序列聚類方法

有效

• 申請號: 202110738987.7
• 申請日: 2021-06-30
• 公開（公告）號: CN113380330B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 尚濤;任旭杰;楊英;姜亞彤;劉建偉
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G16B40/30
• 分類號: G16B40/30;G16B30/00
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

本發明公開了一種基于PHMM模型的差分可辨性基因序列聚類方法，包括以下步驟：步驟一：初始化算法迭代輪數r＝1；隨機生成K個Profile HMM模型步驟二：計算序列數據對每個Profile HMM模型輸出的分數，按最高分數將序列劃分到相應的聚類；步驟三：確定該輪迭代差分可辨性隱私參數ρ_r；步驟四：計算每個Profile HMM模型的狀態轉移概率和發射概率；對計算得到的發射概率添加噪聲；步驟五：計算每個Profile HMM模型與上一輪迭代時之間的散度距離，若散度距離的和小于預設的閾值，則輸出聚類結果；否則迭代輪數r＝r+1，并重復迭代執行步驟二～步驟五。本發明提供了基因序列數據聚類中的隱私保護以抵抗推理攻擊，同時給出了隱私參數的迭代分配方法，使最終模型滿足差分可辨性隱私定義。

技術領域

本發明涉及一種基于PHMM模型的差分可辨性基因序列聚類方法，屬于網絡空間安全技術領域。

背景技術

生物基因序列數據隱含了基因中物種進化、遺傳性狀和潛在的疾病信息。借助生物基因組大數據和現代計算方法，如機器學習技術，人們在基因組學、轉錄組學、蛋白質組學的研究得以進一步發展，為疾病診斷及治療、藥物研發、生殖健康等領域提供幫助。聚類是一種無監督的機器學習技術，通過將相似度高的數據劃分為一個簇，相似度低的數據劃分為不同簇，實現對無標簽數據的自動化歸類。將聚類分析技術應用于基因組數據中，能夠實現對基因的同源性、遺傳疾病和溯源等分析。輪廓隱馬爾可夫模型(Profile HiddenMarkov Model，PHMM)模型是生物信息學中經典的序列比對算法模型，可被用于基因序列的同源程度的度量。

數據量激增的同時，基因序列中包含的個人可鑒別隱私信息易被攻擊者利用，從基因片段中提取個人獨有的信息使隱私信息泄露。傳統的隱私保護方法可分為匿名化和數據擾動。匿名化技術將數據庫中的個體敏感信息進行替換，以經典的k匿名算法為例，經過匿名化處理的數據庫使k個個體的敏感信息無法區分，達到隱私保護的目的。但匿名化技術易遭到一致性攻擊和背景知識攻擊，并且缺少嚴格的數學證明。差分隱私是一種具有嚴格數學基礎的隱私定義，它通過限制個體對數據庫輸出的影響來保護隱私。實現差分隱私的機制主要有拉普拉斯機制和指數機制，噪聲大小由隱私預算ε決定。2012年，Lee和Clifton認為差分隱私沒有關注數據庫中個體被敵手識別的風險，這與相關法規的定義不符，此外差分隱私的參數設置是一個比較棘手的問題，從而提出了差分可辨性(DifferentialIdentifiability，DI)的概念。差分可辨性將隱私泄露風險定義為數據庫中個體被敵手識別的概率，且能提供與差分隱私相當的隱私保護能力。差分可辨性的參數ρ表示敵手成功識別敏感數據的概率，相比差分隱私，差分可辨性的隱私參數設置更加直觀，對非相關專業的從業者提供了簡便的參數設置方法。

綜上，在基于PHMM模型對基因序列數據進行挖掘分析時，有出現敏感隱私信息泄露的風險。因此，本發明將給出經過差分可辨性隱私保護的PHMM模型構建方法，同時基于構建的PHMM模型進行基因序列的聚類，在聚類算法的迭代執行過程中確定差分可辨性隱私參數的分配，實現最終聚類結果滿足差分可辨性定義的隱私性，同時滿足一定的可用性。

發明內容

本發明的技術解決問題：針對基因序列聚類算法中可能出現的安全性問題，提供一種基于PHMM模型的差分可辨性基因序列聚類方法，解決基因序列聚類過程中隱私泄露的問題。

本發明采取的技術方案是：一種基于PHMM模型的差分可辨性基因序列聚類方法，它包含以下步驟：

步驟1：輸入基因序列數據集記錄數為n，初始化算法迭代輪數r＝1。隨機生成K個PHMM模型具體過程如下：

輸入序列數據集共有n條記錄，表示為O＝{O₁,O₂,...,O_n}。其中每條序列長度為L。聚類算法開始前，迭代輪數r初始化為1。隨機生成K個PHMM模型其中a_kl表示隱狀態k到l的轉移概率，e_k(a)表示隱狀態k下發射觀測符號a的概率。