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 ;
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;
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:其中, 表示重构误差, 表示标签约束误差, 表示用于平衡重构误差 和标签约束误差 的超参数;
所述步骤1.2中的重构误差 的计算公式为:其中, 表示编码网络的输入, 表示编码网络的输出, 表示解码网络的输出, 表示总样本的个数;
所述标签约束误差 的计算公式为:其中, 表示衡量相同物种间的特征向量间的欧式距离, 表示衡量相同属不相同物种间的特征向量间的距离, 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;
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, 表示重构误差, 表示聚类误差, 表示待测微生物群落样本的个数,表示用于平衡重构误差 和聚类误差 的超参数。
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4‑mer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 。
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1.3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 ,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。
4.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中的重构误差 计算公式为:其中, 表示微调网络测试集的输入, 表示微调网络测试集的输出;
所述聚类误差 计算公式为:
其中, 表示 类中的样本点, 表示 类的聚类中心。
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2.4具体包括步骤:a) 定义 变量为类内数据到簇质心的平均距离,代表簇 中各样本的分散程度,其计算公式为:其中, 表示簇类 中样本点个数, 表示 类中的样本点, 表示 类的聚类中心;
b) 定义 为簇 与簇 的距离,其计算公式为:其中, 表示簇 与簇 的质心 和 的距离;
c) 应用DBI指数确定聚类个数 ,其计算公式为:其中,为聚类个数变量,取值范围为 ;
d) 选择最优的聚类个数 ,其计算公式为:其中,为聚类个数变量。
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2.5具体包括步骤:a) 将测试样本送入网络,得到第一次隐藏表示;
b) 将a)中得到的隐藏表示作为样本的特征使用k‑mean聚类,聚类个数为 ,初始化中心的方法使用k‑means++;
c) 将b)中得到的聚类结果分批次随机取出,计算重构误差 和聚类误差 ,并根据重构误差 和聚类误差 计算得到微调误差 ;
d) 对每个样本的微调误差 使用Adam优化器微调模型参数,得到微调后的模型。
7.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2.6具体包括步骤:a) 联合样本的覆盖率信息和网络中间层用于聚类,得到聚类结果 ;
b) 使用准确率、召回率和ARI来衡量聚类结果,其中,准确率的计算公式为:;
召回率的计算公式为:
;
ARI的计算公式为:
;
其中,TP和FP分别表示真正属于同一物种的contigs聚在同一类和不同类中的数目,FN和TN分别表示属于不同物种的contigs聚集成同一类和不同类的数目。