[发明专利]一种基于参考物种标签约束的宏基因组序列深度聚类方法

权利要求书

1.一种基于参考物种标签约束的宏基因组序列深度聚类方法，其特征在于，包括步骤：

第一步，预训练步骤，包括：

1.1构建基于不同微生物群落的已知物种的预训练数据库；

1.2建立初始化模型；

1.3针对不同的微生物群落构建不同的预训练模型；

第二步，微调步骤，包括：

2.1计算待测微生物群落的数据集重叠群序列4mer频率，并归一化得到微调的输入特征频率Y；

2.2加载待测微生物群落的预训练模型以及参数；

2.3构建微调误差函数；

2.4确定聚类个数；

2.5微调模型；

2.6完成聚类，得到聚类结果，并根据聚类指标衡量聚类结果。

2.根据权利要求1所述的基于参考物种标签约束的宏基因组序列深度聚类方法，其特征在于，所述步骤1.1具体包括步骤：

a)下载不同微生物群落的已知物种的全基因组序列预训练数据集；

b)将每个物种的全基因组序列从随机起始位置截取随机长度的序列；

c)计算步骤b)中截取的每条序列的4mer频率特征，并进行归一化，得到不同微生物群落的宏基因组预训练4mer频率归一化特征X。

3.根据权利要求1所述的基于参考物种标签约束的宏基因组序列深度聚类方法，其特征在于，所述步骤1.2具体包括步骤：

a)建立具有对称结构的自编码器；

b)选取函数作为激活函数，加入Dropout函数来调节模型参数和样本量之间的关系；

c)设置模型参数；

d)构建预训练误差函数，其计算公式为：

ERROR_pre＝E_RES+κE_LCN

其中，E_RES表示重构误差，E_LCN表示标签约束误差，κ表示用于平衡重构误差E_RES和标签约束误差E_LCN的超参数。

4.根据权利要求3所述的基于参考物种标签约束的宏基因组序列深度聚类方法，其特征在于，所述重构误差E_RES的计算公式为：

其中，x_i表示编码网络的输入，f(x_i)表示编码网络的输出，g(f(x_i))表示解码网络的输出，N₁表示总样本的个数；

所述标签约束误差E_LCN的计算公式为：

其中，E_s表示衡量相同物种间的特征向量间的欧式距离，E_l表示衡量相同属不相同物种间的特征向量间的距离，E_d表示衡量不同属不同物种间的特征向量间的距离，n₁、n₂、n₃为三种误差下累加的次数且满足β、λ是标签约束相的超参数。

5.根据权利要求1所述的基于参考物种标签约束的宏基因组序列深度聚类方法，其特征在于，所述步骤1.3中，构建预训练模型具体包括步骤：

a)使用初始化后的网络模型以及参数；

b)加载测试集样本归一化特征X，并送入初始化后网络模型，计算重构误差和标签约束误差；

c)应用反向传播自适应矩估计方法，对不同变化的参数以自适应的学习率进行更新；

d)保存预训练的模型以及参数，定义为待测微生物群落的预训练模型。

6.根据权利要求1所述的基于参考物种标签约束的宏基因组序列深度聚类方法，其特征在于，所述步骤2.3具体包括步骤：

利用深度k-mean聚类的方法，将k-mean聚类的误差加入到预训练得到的待测微生物群落的预训练模型中，得到微调误差函数：

其中，E_RES表示重构误差，E_CLU表示聚类误差，N₂表示待测微生物群落样本的个数，η表示用于平衡重构误差E_RES和聚类误差E_CLU的超参数。