[发明专利]一种微生物宏基因组分箱方法及系统

说明书

本公开提供了一种微生物宏基因组分箱方法及系统，包括：获取待分箱的微生物宏基因组序列；对所述宏基因组序列中每条序列进行特征提取，将提取的特征输入VAE‑GAN神经网络中进行训练，通过训练将提取的特征编码到VAE隐含向量中；基于所述VAE隐含向量中的均值变量，对所述宏基因组序列进行聚类，实现宏基因组的分箱；相对于现有方法，本公开所述方案采用了多种特征融合的方式，对宏基因组的序列特征进行深度挖掘，实现了对宏基因组序列的精确描述，同时，为了提高算法的处理效率，利用VAE‑GAN神经网络对所提取的特征进行特征降维，所述降维方法在降低特征维度的同时，充分保留了序列特征中的必要成分，良好的平衡了分箱精度与分箱时间的关系。

技术领域

本公开属于生物信息学分析技术领域，尤其涉及一种微生物宏基因组分箱方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着测序技术的发展，基于培养与分离的微生物研究方法逐渐被宏基因组学研究方法取代。由于宏基因组是对群落中全部微生物进行测序研究，因此要想对群落的单菌序列进行研究，需要将宏基因组按照菌株或者种系进行分类，在宏基因组学将这种分类方法称为分箱(binning)。

发明人发现，现有的分箱算法对序列特征的利用不够全面，无法对微生物序列特征进行深度挖掘，导致分箱精度不高，同时，现有的分箱算法在对序列特征的降维处理中丢失了大量的有用特征，导致降维后的序列特征无法对微生物进行精确描述。

发明内容

本公开为了解决上述问题，提供了一种微生物宏基因组分箱方法及系统，所述方案采用了多种特征融合的方式，对宏基因组的序列特征进行深度挖掘，实现了对宏基因组序列的精确描述，同时，为了提高算法的处理效率，利用VAE-GAN神经网络对所提取的特征进行特征降维，所述降维方法在降低特征维度的同时，充分保留了序列特征中的必要成分，良好的平衡了分箱精度与分箱时间的关系，并通过DBSCAN聚类方法，获得更加精确的分箱结果。

根据本公开实施例的第一个方面，提供了一种微生物宏基因组分箱方法，包括：

获取待分箱的微生物宏基因组序列；

对所述宏基因组序列中每条序列进行特征提取，其中，所提取的特征包括四核苷酸频率、RPKM丰度以及kmer覆盖度特征；

将提取的特征输入VAE-GAN神经网络中进行训练，通过训练将提取的特征编码到VAE隐含向量中；

基于所述VAE隐含向量中的均值变量，对所述宏基因组序列进行聚类，根据聚类结果实现宏基因组的分箱。

进一步的，所述VAE-GAN神经网络中的VAE网络，具体包括编码层和解码层，所述编码层首先包括一个全连接网络层，并采用ReLU作为激活函数，该层的输出作为另外两个全连接网络层的输入，两个全连接层的输出分别对应于VAE隐含向量中的均值变量和方差变量。

进一步的，所述VAE-GAN神经网络中的GAN判别器网络，具体包括三个网络组成，第一个网络为两层卷积网络；第二个网络为两层全连接网络，其中第一层的激活函数为LeakyReLU函数，第二层的激活函数为Sigmoid函数；第三个网络为一个卷积网络。

进一步的，所述四核苷酸频率特征的提取，具体包括：对于每条序列，统计其不包含模糊碱基的四核苷酸频率，获得103维的特征向量。

进一步的，所述丰度特征的计算，具体包括计算映射到每条序列的单条测序读长的数量，若果测序读长被映射到n条序列，则每条序列映射读长计数为1/n，通过获得的序列长度和映射读长的总数，对计数结果进行标准化处理，获得RPKM丰度。

根据本公开实施例的第二个方面，提供了一种微生物宏基因组分箱系统，包括：

数据获取单元，其用于获取待分箱的微生物宏基因组序列；