[发明专利]一种宏基因组重叠群的分类方法

摘要

一种宏基因组重叠群的分类方法，属于生物信息学分析技术领域。本发明的目的是针对宏基因组重叠群的不平衡特性，提出了一种利用改进的模糊c均值算法进行重叠群分类的方法。本发明的步骤是：设c个物种的平均覆盖率，则根据宏基因组物种个数确定公式，利用改进的模糊c均值算法进行宏基因组重叠群分类。本发明所使用的改进的模糊c均值算法是在分析了传统的模糊c均值算法对于不平衡数据集较差的性能的根本原因的基础上，提出的改进算法。改进的模糊c均值算法能够有效地改善传统方法对于不平衡数据集效果不理想的缺点，将其应用到重叠群分类中可以极大地提高分类精度，为后续的宏基因组分析提供良好的基础。

主权项

1.一种宏基因组重叠群的分类方法，利用改进的模糊c均值算法进行宏基因组重叠群分类：改进的模糊c均值算法：改进的模糊c均值算法在原始代价函数的基础上，改进算法在其代价函数中考虑了各个类的大小，新的代价函数为：其中xi是第i个重叠群的特征向量，θj是第j个类的中心，uij∈[0，1]是xi对θj的隶属度值，q∈[1，+∞)是模糊度，其中q＝2，d为欧氏距离，fj为第j个类的大小，定义为：通过最小化新代价函数，得出改进算法的隶属度矩阵urs和聚类中心θj公式分别为：改进算法的分类过程为：i.给定类的个数，构建随机隶属度矩阵；ii.根据聚类中心计算公式计算聚类中心；iii.计算各个类的大小；iv.利用隶属度矩阵公式更新隶属度矩阵；v.重复步骤ii到iv，直到其中其特征在于：a、设是c个物种的平均覆盖率，则根据宏基因组物种个数确定公式得到如下关系：其中Gmin和Gmax是该宏基因组中最短和最长的物种基因组；因此，物种个数c应在如下区间：利用Nonpareil软件来估计物种的平均覆盖率按照从短到长的顺序排列，分别取处于5％和95％位置的基因组长度为Gmin和Gmax；宏基因组中的物种个数区间[cmin，cmax]为：和其中N和l分别为宏基因组数据中重叠群的个数和平均长度；b、在改进的模糊c均值算法进行宏基因组重叠群分类步骤中：以物种个数作为类的个数输入到改进的模糊c均值算法进行重叠群分类，分别遍历所有属于区间的物种个数，改进的模糊c均值算法共执行c_max‑c_min+1次，分别对应不同的属于区间[c_min，c_max]的物种个数，得到了c_max‑c_min+1个分类结果。