[發明專利]一種基于參考物種標簽約束的宏基因組序列深度聚類方法

在審

• 申請號: 202111389111.2
• 申請日: 2021-11-22
• 公開（公告）號: CN114065866A
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 劉富;劉威;劉云;苗巖;侯濤;宋文智;余芳宇
• 申請（專利權）人: 吉林大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 朱陽波

1.一種基于參考物種標簽約束的宏基因組序列深度聚類方法，其特征在于，包括步驟：

第一步，預訓練步驟，包括：

1.1構建基于不同微生物群落的已知物種的預訓練數據庫；

1.2建立初始化模型；

1.3針對不同的微生物群落構建不同的預訓練模型；

第二步，微調步驟，包括：

2.1計算待測微生物群落的數據集重疊群序列4mer頻率，并歸一化得到微調的輸入特征頻率Y；

2.2加載待測微生物群落的預訓練模型以及參數；

2.3構建微調誤差函數；

2.4確定聚類個數；

2.5微調模型；

2.6完成聚類，得到聚類結果，并根據聚類指標衡量聚類結果。

2.根據權利要求1所述的基于參考物種標簽約束的宏基因組序列深度聚類方法，其特征在于，所述步驟1.1具體包括步驟：

a)下載不同微生物群落的已知物種的全基因組序列預訓練數據集；

b)將每個物種的全基因組序列從隨機起始位置截取隨機長度的序列；

c)計算步驟b)中截取的每條序列的4mer頻率特征，并進行歸一化，得到不同微生物群落的宏基因組預訓練4mer頻率歸一化特征X。

3.根據權利要求1所述的基于參考物種標簽約束的宏基因組序列深度聚類方法，其特征在于，所述步驟1.2具體包括步驟：

a)建立具有對稱結構的自編碼器；

b)選取函數作為激活函數，加入Dropout函數來調節模型參數和樣本量之間的關系；

c)設置模型參數；

d)構建預訓練誤差函數，其計算公式為：

ERROR_pre＝E_RES+κE_LCN

其中，E_RES表示重構誤差，E_LCN表示標簽約束誤差，κ表示用于平衡重構誤差E_RES和標簽約束誤差E_LCN的超參數。

4.根據權利要求3所述的基于參考物種標簽約束的宏基因組序列深度聚類方法，其特征在于，所述重構誤差E_RES的計算公式為：

其中，x_i表示編碼網絡的輸入，f(x_i)表示編碼網絡的輸出，g(f(x_i))表示解碼網絡的輸出，N₁表示總樣本的個數；

所述標簽約束誤差E_LCN的計算公式為：

其中，E_s表示衡量相同物種間的特征向量間的歐式距離，E_l表示衡量相同屬不相同物種間的特征向量間的距離，E_d表示衡量不同屬不同物種間的特征向量間的距離，n₁、n₂、n₃為三種誤差下累加的次數且滿足β、λ是標簽約束相的超參數。

5.根據權利要求1所述的基于參考物種標簽約束的宏基因組序列深度聚類方法，其特征在于，所述步驟1.3中，構建預訓練模型具體包括步驟：

a)使用初始化后的網絡模型以及參數；

b)加載測試集樣本歸一化特征X，并送入初始化后網絡模型，計算重構誤差和標簽約束誤差；

c)應用反向傳播自適應矩估計方法，對不同變化的參數以自適應的學習率進行更新；

d)保存預訓練的模型以及參數，定義為待測微生物群落的預訓練模型。

6.根據權利要求1所述的基于參考物種標簽約束的宏基因組序列深度聚類方法，其特征在于，所述步驟2.3具體包括步驟：

利用深度k-mean聚類的方法，將k-mean聚類的誤差加入到預訓練得到的待測微生物群落的預訓練模型中，得到微調誤差函數：

其中，E_RES表示重構誤差，E_CLU表示聚類誤差，N₂表示待測微生物群落樣本的個數，η表示用于平衡重構誤差E_RES和聚類誤差E_CLU的超參數。