[发明专利]一种基于RNA测序的癌症溯源方法

权利要求书

1.一种基于RNA测序的癌症溯源方法，其特征在于，包括以下步骤：

S1、获取癌症数据中的TCGA FRESH数据、TCGA FFPE数据和TCGA METASTATIC数据，并对癌症数据进行预处理；

S2、基于transformer模型搭建癌症溯源网络模型；

S3、采用预处理后的TCGAFRESH数据，对癌症溯源网络模型进行训练，得到训练后的癌症溯源网络模型；

S4、将预处理后的TCGAFFPE数据和TCGAMETASTATIC数据作为测试数据，将两个测试数据集分别送入训练后的癌症溯源网络模型中，对癌症进行分类溯源。

2.如权利要求1所述的一种基于RNA测序的癌症溯源方法，其特征在于，步骤S1的具体过程为：

S11、从肿瘤基因组图谱TCGA中，获取TCGAFRESH数据、TCGAFFPE数据和TCGAMETASTATIC数据，癌症类型一共为32种；其中，TCGAFRESH数据和TCGA FFPE数据采样来自原发灶，TCGAMETASTATIC数据采样来自转移灶，三种数据的格式都为FPKM；

S12、对于每个基因g，如果有一半以上的样本的基因g的表达值为0，则将该基因g删除；再对处理后的所有样本的基因数据进行log转换，具体操作为log(t+1)，得到转换后的数据，其中t为基因g的表达值；

S13、对每个癌型分配一个标签，一共有32种癌型，标签数从0到31，每个癌型对应一个数字标签；

S14、标签分配好后，根据每个样本所属的癌型为每个样本分配标签。

3.如权利要求2所述的一种基于RNA测序的癌症溯源方法，其特征在于：步骤S11中所述TCGAFRESH数据、TCGAFFPE数据和TCGAMETASTATIC数据的样本数分别为9697、246和391。

4.如权利要求3所述的一种基于RNA测序的癌症溯源方法，其特征在于，步骤S2的具体过程为：

S21、使用一维卷积对RNA测序数据进行处理，将原始RNA数据x转换为适合transformer模型处理的数据x_e，其中，x∈R^1xW，x_e∈R^NxP，W为基因个数，P为每个嵌入表示的维数，为256维，N＝W/P，每个卷积得到的结果为嵌入表示；

S22、将可学习的类别嵌入表示与卷积得到的嵌入表示进行拼接；

S23、将拼接后的嵌入表示与对应的位置嵌入表示进行相加，保留位置信息，得到输入数据；

S24、将输入数据输入到编辑器Transformer Encoder中，编辑器Transformer Encoder由多头自注意力模块和MLP模块组成，并在这两个模块前应用Layernorm操作，且每个模块都用残差连接，编辑器Transformer Encoder的层数一共为4层，

S25、得到可学习的类别嵌入表示在编辑器Transformer Encoder对应的输出表示，将得到的结果输入到两层全连接网络中，获得32维输出，每维为各个癌症类别的概率，利用真实标签与transformer模型输出的概率计算交叉熵损失函数并优化transformer模型，得到癌症溯源网络模型；所述损失函数为：

其中，K为类别数，y为真实标签，如果类别为i，则y_i为1，否则y_i为0，y'表示网络输出的癌症的概率，y_i'表示网络输出的第i个类癌症的概率。

5.如权利要求4所述的一种基于RNA测序的癌症溯源方法，其特征在于，步骤S3的具体过程为：采用预处理后的TCGAFRESH数据作为训练数据，将其输入到癌症溯源网络模型中，再采用SGD算法作为模型优化算法，学习率设置为0.005，batch size设置为128，训练迭代次数设置为100，当癌症溯源网络模型的损失函数值连续30个迭代没有下降时停止训练，并将最后得到的癌症溯源网络模型保存下来，得到训练后的癌症溯源网络模型。

6.如权利要求5所述的一种基于RNA测序的癌症溯源方法，其特征在于，步骤S4还包括训练后的癌症溯源网络模型对TCGAFFPE数据的嵌入表示进行t-SNE可视化处理，将同一种癌症类别的样本聚集在一起，将不同种癌症类别的样本分开在不同的区域。