[发明专利]一种Hi-C数据拓扑相关结构域划分方法及装置

权利要求书

1.一种Hi-C数据拓扑相关结构域划分方法，其特征在于，包括：

获取Hi-C基因组测序原始观察数据和用于将原始观察矩阵进行归一化的向量，利用所述向量对所述原始观察数据预处理，得到归一化的Hi-C接触矩阵；

基于Hi-C数据接触频率和空间距离之间的函数关系，将所述Hi-C接触矩阵转换为基因组各个位点之间的距离矩阵；

通过预设的最短路径算法计算基因组位点间的最短距离，对于每个位点保留距离最小的部分数值，得到基因组的空间距离图谱；

通过预设的聚类算法对所述基因组的空间距离图谱中的位点进行聚类，得到Hi-C数据的拓扑相关结构域划分。

2.如权利要求1所述的Hi-C数据拓扑相关结构域划分方法，其特征在于，所述Hi-C基因组测序原始观察数据的分辨率不小于50kb。

3.如权利要求1所述的Hi-C数据拓扑相关结构域划分方法，其特征在于，利用所述向量对所述原始观察数据预处理，包括：

对所述Hi-C基因组测序原始观察数据中的值除以所述向量中的相应范数因子。

4.如权利要求1所述的Hi-C数据拓扑相关结构域划分方法，其特征在于，所述Hi-C数据接触频率和空间距离之间的函数关系为：

其中，f表示Hi-C数据接触频率，d表示空间距离，α为预设的转换参数。

5.如权利要求1所述的Hi-C数据拓扑相关结构域划分方法，其特征在于，所述预设的最短路径算法为Floyd Warshall算法。

6.如权利要求1所述的Hi-C数据拓扑相关结构域划分方法，其特征在于，所述对于每个位点保留距离最小的部分数值为使用黄金分割搜索算法确定保留值的个数；所述使用黄金分割搜索算法确定保留值的个数包括：

设置保留值数量为使用的分辨率下的Hi-C数据中染色体位点总个数的10％，即V_keep＝length(D)/10；其中，D是距离矩阵，length(D)表示距离矩阵的行数，也就是染色体位点个数；然后定义一个单峰目标函数：

其中，V_TAD表示描述TAD结构的值，V_LongeRange表示远程的相互作用；

在搜索区间内计算单峰目标函数值，通过黄金分割搜索算法不断缩小单峰目标函数的最值的已知范围，从而找到函数的最大值，得到保留值的个数。

7.如权利要求1所述的Hi-C数据拓扑相关结构域划分方法，其特征在于，所述预设的聚类算法为DBSCAN算法；

通过聚类算法对所述基因组的空间距离图谱中的位点进行聚类，包括：

计算临近样本之间的距离并统计其分布，结果随距离的增加显示为单峰的分布，依据样本距离分布，选择峰值作为邻域半径Eps参数；

将Hi-C基因组测序数据的分辨率和拓扑相关结构域结构的大小相除，计算出半径内最少点数MinPts；

基于Eps和MinPts，通过DBSCAN算法对所述空间距离图谱中的位点聚类。

8.一种Hi-C数据拓扑相关结构域划分装置，其特征在于，包括：

数据处理模块，用于获取Hi-C基因组测序原始观察数据和用于将原始观察矩阵进行归一化的向量，利用所述向量对所述原始观察数据预处理，得到归一化的Hi-C接触矩阵；

距离图谱计算模块，用于基于Hi-C数据接触频率和空间距离之间的函数关系，将所述Hi-C接触矩阵转换为基因组各个位点之间的距离矩阵；通过预设的最短路径算法计算基因组位点间的最短距离，对于每个位点保留距离最小的部分数值，得到基因组的空间距离图谱；

聚类模块，用于通过预设的聚类算法对所述基因组的空间距离图谱中的位点进行聚类，得到Hi-C数据的拓扑相关结构域划分。