[发明专利]一种基因序列识别方法、系统和计算机可读存储介质

说明书

本发明提供一种基因序列识别方法、系统和计算机可读存储介质，所述方法包括：获取训练数据集；对所述训练数据集的数据进行转码处理，以生成对应的输入矩阵；将所述输入矩阵置入深度学习框架中进行训练，以得到可成长数据模型；接收待识别的基因序列数据，并将其置入所述可成长数据模型，以生成基因序列识别结果信息；本发明直接利用深度学习的“学习”特性，从源头开始对识别方法的优化，使识别结果随数据集的增加与完善变得更为准确；同时，本发明的深度学习框架可以通过GPU进行加速运算，缩短识别时间；另外，本发明还通过学习其他不同软件的分类数据，生成融合数据模型，实现对复杂基因序列的进一步识别分类的参考。

技术领域

本发明涉及机器学习和生物信息技术领域，尤其涉及一种基因序列识别方法、系统和计算机可读存储介质。

背景技术

目前，生物信息学的研究主要针对基因和蛋白质数据，包括序列、结构等方面的分析研究。然而，由于数据巨大的规模和极高的复杂性，如果没有有效的算法，就会导致求解过程花费大量时间，甚至成为无法解决的难题。同源性是预测基因和蛋白质功能的主要线索，而序列同源性的判断则离不开两个或多个序列之间相似性的检测。一般来说，序列间的相似度越高，它们是同源序列的可能性就越高。

序列比对无疑是评估序列相似性的最简单方法。现有的序列比对检测工具主要包括BLAST(Basic Local Alignment Search Tool)、HMMER等。BLAST用于各种核苷酸序列，蛋白质序列等在数据库内与已知数据的比对检索，可以找出相似的序列，用于蛋白质和核酸等的功能结构预测分析。HMMER被用于在序列数据库中搜索同源序列，产生同源序列比对，所使用的方法是基于隐马尔科夫模型。HMMER常常与profile数据库连用，例如Pfam等，与BLAST等序列比对和数据库搜索工具相比，HMMER更准确，并可以检测到远的同源序列。然而，上述两种检测工具主要基于CPU，计算速度较慢。另外，上述两种检测工具基于固定的算法，并不具备学习特性，难以通过其他软件数据完成自身优化。

发明内容

为了解决上述至少一个技术问题，本发明提出了一种基因序列识别方法、系统和计算机可读存储介质。

为了实现上述目的，本发明第一方面提出了一种基因序列识别方法，包括：

获取训练数据集；

对所述训练数据集的数据进行转码处理，以生成对应的输入矩阵；

将所述输入矩阵置入深度学习框架中进行训练，以得到可成长数据模型；

接收待识别的基因序列数据，并将其置入所述可成长数据模型，以生成基因序列识别结果信息。

本方案中，所述基因序列识别方法，还包括：

获取初始训练数据集；

对所述初始训练数据集的数据进行转码处理，以生成对应的输入矩阵；

将所述输入矩阵置入深度学习框架中进行训练，以得到初始数据模型；

接收待识别的基因序列数据，并将其置入所述初始数据模型，以生成基因序列识别结果信息。

本方案中，在得到初始数据模型之后，还包括：

获取第三方平台的分类数据；

通过预设的合并规则，将所述分类数据与初始训练数据集合并以形成融合训练数据集；

对所述融合训练数据集的数据进行转码处理，以生成对应的输入矩阵；

将所述输入矩阵置入深度学习框架中进行训练，以得到可成长数据模型；

接收待分类未知基因序列数据，并将其置入所述可成长数据模型，以生成基因序列识别结果信息。