[发明专利]一种基于信息熵的基因序列数字化实现方法及系统

权利要求书

1.一种基于信息熵的基因序列数字化实现方法，其特征在于，包括：

输入脱氧核糖核酸DNA序列，设定滑动窗口的长度1及子串长度n；

根据所述设定的滑动窗口的长度1，从所述输入的脱氧核糖核酸DNA序列的第一个碱基开始，步长为1；

计算所述设定的滑动窗口内的给定子串长度下的拓扑熵大小，赋值给所述设定的滑动窗口内的碱基；

重复计算所述设定的滑动窗口内的给定子串长度下的拓扑熵大小，赋值给所述设定的滑动窗口内的碱基，直到到达所述输入的脱氧核糖核酸DNA序列的最后一个碱基位置；

输出得到同所述输入的脱氧核糖核酸DNA序列长度的数字序列。

2.如权利要求1所述的基于信息熵的基因序列数字化实现方法，其特征在于，所述计算所述设定的滑动窗口内的给定子串长度下的拓扑熵大小，包括：

根据原始脱氧核糖核酸DNA序列ω剪切长度为n_ω的脱氧核糖核酸DNA序列；

遍历ω序列，i从n-k+1循环到k，并同时保存子串长度为i的不同子串数目；

如果子串长度为i的子串数目小于则不保存所述子串数目；

计算对应子串长度为i的拓扑熵

根据所述计算得到的对应子串长度为i的拓扑熵求得广义拓扑熵H_GT(ω)。

3.如权利要求2所述的基于信息熵的基因序列数字化实现方法，其特征在于，所述根据所述计算得到的对应子串长度为i的拓扑熵求得广义拓扑熵H_GT(ω)，包括：

根据所述计算得到的对应子串长度为i的拓扑熵假设脱氧核糖核酸DNA序列ω是一个由A、C、G、T四个字符组成的无限长序列，求得广义拓扑熵H_GT(ω)为：

其中，i为子串长度，P_ω(i)为序列ω中长度为i的不同子序列子串的个数，α_i^k表示当子串长度为i时的广义拓扑熵权重，k为给定的权重计算个数，也是子串长度变化数量：

且

其中，需满足对任意的ε＞0及任意I，存在K使得所有k≤K，满足

4.如权利要求2所述的基于信息熵的基因序列数字化实现方法，其特征在于，所述根据所述计算得到的对应子串长度为i的拓扑熵求得广义拓扑熵H_GT(ω)，包括：

根据所述计算得到的对应子串长度为i的拓扑熵假设脱氧核糖核酸DNA序列ω是长度为|ω|的有限序列，令n_ω为所述序列的最长子串长度且满足k为指定的子串长度变化数量并且k≤n，通过截取序列ω的前个字符，求得广义拓扑熵H_GT(ω)为：

其中，i为子串长度，P_ω(i)为序列ω中长度为i的不同子序列子串的个数，α_i^k表示当子串长度为i时的广义拓扑熵权重，k为给定的权重计算个数。

5.如权利要求2所述的基于信息熵的基因序列数字化实现方法，其特征在于，所述根据所述计算得到的对应子串长度为i的拓扑熵求得广义拓扑熵H_GT(ω)，包括：

根据所述计算得到的对应子串长度为i的拓扑熵假设同对DNA序列ω，求得广义拓扑熵H_GT(ω)为：：

其中，i为子串长度，P_ω(i)为序列ω中长度为i的不同子序列子串的个数，α_i^k表示当子串长度为i时的广义拓扑熵权重，k为给定的权重计算个数。