[发明专利]基于滑窗稀疏卷积去噪自编码器的缺失标记填充方法

权利要求书

1.基于滑窗稀疏卷积去噪自编码器的缺失标记填充方法，其特征在于，包括以下步骤：

步骤1，首先选择生物样本的基因组序列数据，对选取的基因组数据进行预处理，得到所需的目标序列集合；

步骤2，对于原始数据进行处理，利用PyVcf工具包，对原始vcf文件进行数据提取，找到每个位点对应的sample类，提取其中的GT数据作为基因型样本数据；对基因数据进行数值编码，得到数值数据集合；

步骤3，将数值数据集合通过修改位点和个体进行数据变换，针对不同的基因数据重新定制编码，转化为矩阵格式，得到整理后的样本集合；

步骤4，对步骤3得到的样本集合，划分训练集和验证集，得到训练集和验证集样本集合；

步骤5，将训练集和验证集样本通过不同占比的数据隐藏，转化为最终本训练模型所使用的数据集；

步骤6，构造稀疏卷积自编码器的解码器和编码器模型，选定初始的滑窗模型区间、神经元大小和区间参数；

步骤7，将待预测基因数据按照步骤6中初始滑窗模型区间分段，分别将每段的数据集通过模型的输入层，采用编码器-解码器结构，对基因型数据的连锁关系进行特征提取，最后分别得到每组新的输出数据集；

步骤8，对于步骤7得到的每组输出数据集，舍弃边缘部分，按照预测的先后顺序将每组数据拼接得到预测后的基因型矩阵；对此基因型矩阵，提取所隐藏位点基因型的预测值与实际值，并进行比对，计算填充精度；

步骤9，重复步骤7、8，根据每次得到的填充精度，优化自编码器参数和滑窗区间，找出最优的参数模型；

步骤10，将待预测的缺失基因数据集做预处理，转化为适配此模型的数据类型，放入步骤9中优化好的模型进行基因型的预测，输出基因型数据预测值。

2.根据权利要求1所述的基于滑窗稀疏卷积去噪自编码器的缺失标记填充方法，其特征在于，所述步骤2具体包括如下子步骤：

步骤2-1，确定选择植物的具体染色体信息与位点信息；

步骤2-2，调用PyVcf工具包，循环逐个读取每个位点的染色体基因信息；

步骤2-3，在显示的信息词条CHROM，POS，ID，REF，ALT，QUAL，FILTER，INFO，FORMAT，sample_indexes，samples中，提取samples中基因型信息GT数据作为基因型样本数据；

步骤2-4，将基因型样本数据转化为最原始的基因型矩阵，针对基因型矩阵，将不同的基因型信息进行重新编码定义为方便训练的编码数据；

步骤2-5，将不同基因型的变量编码为三种数字；

步骤2-6，将步骤2-5处理的数值集合样本，使用独热编码进行稀疏化操作，整理所有基因片段作为数值数据集合。

3.根据权利要求2所述的基于滑窗稀疏卷积去噪自编码器的缺失标记填充方法，其特征在于，所述步骤2-5中，所述编码具体为：“0|0”对应的基因型编码为“1”，“0|1”和“1|0”对应的基因型编码为“2”，“1|1”对应的基因型编码为“3”。

4.根据权利要求1所述的基于滑窗稀疏卷积去噪自编码器的缺失标记填充方法，其特征在于，所述步骤4具体包括如下子步骤：

步骤4-1，遍历生物样本信息，得到生物个体数目，并将生物样本的个体名称存入文件；

步骤4-2，读取步骤4-1的生物个体名文件，调用随机生成函数random()，对个体数目按9：1的比例划分，建立训练集个体名索引表和验证集个体索引表，并将两个索引表分别保存至文件中，分类结束后，核查两个文件个体数的比例大小；

步骤4-3，在Linux系统环境下使用bcftools工具，针对步骤4-2生成的训练集与验证集两个个体文件，按提取个体索引的方式将生物数据集合划分为：训练集和验证集；

步骤4-4，重复上述步骤五次，产生五组随机索引表下的训练集与验证集的数据集合；

步骤4-5，利用R语言的数据处理手段，将每组产生的训练集与验证集由VCF格式转换成CSV格式，优化读取进度与数据处理，提高程序的运行速度。