[發(fā)明專利]一種基于深度自動編碼器的基因表達(dá)數(shù)據(jù)聚類方法

在審

• 申請?zhí)枺?/td>: 202210009917.2
• 申請日: 2022-01-05
• 公開（公告）號: CN114358191A
• 公開（公告）日: 2022-04-15
• 發(fā)明（設(shè)計）人: 何瑤;舒坤賢
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G16B40/30;G06N3/08
• 代理公司: 重慶輝騰律師事務(wù)所 50215
• 代理人: 王海軍

本發(fā)明屬于基因表達(dá)數(shù)據(jù)分析領(lǐng)域，具體涉及一種基于深度自動編碼器的基因表達(dá)數(shù)據(jù)聚類方法；該方法包括：獲取基因表達(dá)數(shù)據(jù)；對基因表達(dá)數(shù)據(jù)進(jìn)行預(yù)處理，得到mRNA數(shù)據(jù)；將mRNA數(shù)據(jù)輸入到訓(xùn)練好的深度自動編碼器中，得到降維后的mRNA數(shù)據(jù)；采用mclust包確定降維后的mRNA數(shù)據(jù)的聚類簇數(shù)；根據(jù)聚類簇數(shù)，采用k?means聚類算法對降維后的mRNA數(shù)據(jù)進(jìn)行聚類，得到聚類結(jié)果；本發(fā)明采用mclust包確定聚類簇數(shù)，避免了人為設(shè)置聚類簇數(shù)的局限性，聚類結(jié)果更準(zhǔn)確；將深度自動編碼器與聚類方法相結(jié)合，加快了聚類運算速度，且有效地提升了聚類的效果，具有良好的應(yīng)用前景。

技術(shù)領(lǐng)域

本發(fā)明屬于基因表達(dá)數(shù)據(jù)分析領(lǐng)域，具體涉及一種基于深度自動編碼器的基因表達(dá)數(shù)據(jù)聚類方法。

背景技術(shù)

隨著基因芯片檢測技術(shù)日趨成熟，產(chǎn)生了大量的基因表達(dá)數(shù)據(jù)，人們可從公共數(shù)據(jù)集中獲取基因表達(dá)數(shù)據(jù)。利用數(shù)據(jù)挖掘方法挖掘基因表達(dá)數(shù)據(jù)重要信息，可從分子層面探討疾病的機(jī)理和生物標(biāo)志物。聚類分析是數(shù)據(jù)挖掘的重要技術(shù)之一，在基因表達(dá)數(shù)據(jù)研究中具有很重要的作用。基因表達(dá)數(shù)據(jù)的聚類分析研究可分為3類：基因聚類、樣本聚類和雙向聚類。其中，基因聚類以基因為對象，以樣本表達(dá)值為特征，能夠用于判斷差異基因在不同情況下的表達(dá)模式，將表達(dá)模式相同或相近的基因聚集，這些同類基因可能具有相似的功能，共同參與同一代謝過程或存在于同一細(xì)胞通路中。

基因聚類可將表達(dá)模式相近的基因聚在一起，以發(fā)現(xiàn)未知基因功能以及基因之間的調(diào)控關(guān)系。現(xiàn)有技術(shù)中有基于劃分的聚類算法、基于層次的聚類算法、基于密度的聚類算法以及基于圖的聚類算法等經(jīng)典的聚類算法，這些算法都存在著各自的優(yōu)缺點。目前，應(yīng)用較多的基因表達(dá)數(shù)據(jù)的基因聚類算法包括基于劃分的k-means、基于層次的凝聚層次和Birch、混合高斯模型(GMM)以及基于圖的譜聚類，也有一些研究針對聚類算法的缺點進(jìn)行改進(jìn)的用于基因表達(dá)數(shù)據(jù)的聚類算法，但幾乎都需指定聚類簇數(shù)，因此使用的都是模擬數(shù)據(jù)集或已知聚類簇數(shù)的數(shù)據(jù)集。k-means是一種經(jīng)典的基于劃分的無監(jiān)督靜態(tài)聚類方法，相比凝集層次聚類算法更快速更簡單，且適用于多種數(shù)據(jù)集并有不錯的聚類效果，但也需要給定聚類簇數(shù)，而現(xiàn)實中基因表達(dá)數(shù)據(jù)集基因聚類簇數(shù)往往是未知的，這成為了聚類分析的難點。R語言的mclust包專用于確定聚類簇數(shù)，內(nèi)有14種算法用于選取聚類簇數(shù)。然而，將R語言的mclust包用于基因表達(dá)數(shù)據(jù)集基因聚類時卻常因基因表達(dá)數(shù)據(jù)集的維數(shù)高計算量大而不能得到結(jié)果。

綜上所述，亟需一種不需要給定聚類簇數(shù)且計算量較少的基因表達(dá)數(shù)據(jù)聚類方法。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提出了一種基于深度自動編碼器的基因表達(dá)數(shù)據(jù)聚類方法，該方法包括：

S1：獲取基因表達(dá)數(shù)據(jù)；

S2：對基因表達(dá)數(shù)據(jù)進(jìn)行預(yù)處理，得到mRNA數(shù)據(jù)；

S3：將mRNA數(shù)據(jù)輸入到訓(xùn)練好的深度自動編碼器中，得到降維后的mRNA數(shù)據(jù)；

S4：采用mclust包確定降維后的mRNA數(shù)據(jù)的聚類簇數(shù)；

S5：根據(jù)聚類簇數(shù)，采用k-means聚類算法對降維后的mRNA數(shù)據(jù)進(jìn)行聚類，得到聚類結(jié)果。

優(yōu)選的，對獲取的基因表達(dá)數(shù)據(jù)進(jìn)行預(yù)處理包括：從基因表達(dá)數(shù)據(jù)中提取mRNA數(shù)據(jù)；對mRNA數(shù)據(jù)進(jìn)行基因ID轉(zhuǎn)換、缺失值處理和刪除重復(fù)基因，得到得到初步處理好的mRNA數(shù)據(jù)；對初步處理好的mRNA數(shù)據(jù)進(jìn)行剔除過低表達(dá)量基因處理；使用方差穩(wěn)定變換對剔除過低表達(dá)量基因后的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，得到預(yù)處理好的mRNA數(shù)據(jù)。

優(yōu)選的，對深度自動編碼器進(jìn)行訓(xùn)練包括：深度自動編碼器包括編碼器和解碼器；

S31：采用編碼器對輸入mRNA數(shù)據(jù)進(jìn)行特征學(xué)習(xí)，得到降維后的mRNA數(shù)據(jù)；

S32：采用解碼器對降維后的mRNA數(shù)據(jù)進(jìn)行重構(gòu)，得到重構(gòu)的mRNA數(shù)據(jù)；