[发明专利]基于标准熵的局部敏感哈希的DNA序列聚类

摘要

本发明公开基于标准熵的局部敏感哈希的DNA序列聚类，通过对原始的DNA序列按着L‑Gram模型进行映射，通过计算N条序列的LF熵值构成的矩阵，进而得出其标准熵，使用Locality‑Sensitive Hashing对标准熵进行哈希映射，得到DNA片段序列的候选集合，在候选集合中计算编辑距离小于d的DNA片段序列得到聚类结果。本发明综合考虑到在转换后的特征空间包含足够的原始DNA信息，避免DNA信息的丢失，将每一段DNA序列转为一个新的空间，并计算每一条DNA片段序列的候选DNA片段序列集合，可以提高运算速度和精确度。

主权项

1.基于标准熵的局部敏感哈希的DNA序列聚类，其特征在于：其包括以下步骤：(1)采用第二代测序技术对整条待测序列进行测序，得到一批DNA短片段，每一个短片段称为DNA片段序列；(2)DNA片段序列中的字母集合为{A、C、G、T}，|∑|表示该字母集合中字母的个数，初始化待处理字的字长大小L，对DNA片段序列使用固定长度的滑动窗口获得待处理字Y集合，待处理字Y集合中待处理字Y的个数为|∑|^L，根据每个待处理字的位置信息X_t计算其熵值h；所述待处理字的位置信息X_t是指待处理字在DNA片段序列中两次出现时对应的两个位置间的距离的倒数；其中，Y表示待处理字，t表示待处理字出现的位置顺序，LF_t^Y表示待处理字Y的第t次出现在DNA片段序列的位置，Y_λ表示第λ个预处理字；λ表示待处理字的编号；z代表待处理字出现的频数；P[t]为离散概率P的第t个离散概率，即为部分和Q_t占总和Z的离散概率；部分和Q_t表示位置信息X_t之和，Q_t＝X₁+X₂+...+X_t；总和Z＝Q₁+Q₂+...+Q_n；(3)计算特征向量：将熵值使用公式标准化得到标准熵值H_LF作为哈希函数的特征变量，标准熵值H_LF的计算公式如下：h(Y_λ)是字Y_λ的熵，z代表待处理字出现的频数；(4)计算哈希矩阵HM：将N条DNA片段序列对应的标准熵值H_LF采用Locality‑Sensitive Hashing方法进行计算，使用num_f个哈希函数计算得到num_f*N的哈希矩阵HM，哈希函数的公式如下：f_a,m(v)＝(a·v+m)/w其中v为DNA片段序列的特征向量，a为与特征向量v个数相同的0到1之间的随机向量，m为0到w的任一整数，w为任意正整数，这样哈希函数f_a,m(v)将一个d维空间向量v映射为一个整数；(5)计算拼接哈希矩阵PHM：使用变量b，将哈希矩阵HM分成b个桶，每个桶有r行，其中r＝num_f/b，对于每个桶的哈希矩阵HM，第i行表示第i个哈希函数，第j列表示第j条DNA片段序列，i∈[1,num_f]，j∈[1,N]，则HM_ij表示将第j条DNA片段序列的标准熵值采用第i个哈希函数进行哈希映射后的整数值；然后对HM_ij只保留前三位，不足三位则高位补充0；最后将HM_j的每行进行拼接作为哈希拼接值，得到b*N的拼接哈希矩阵PHM；(6)计算候选DNA片段序列集合：对于DNA片段序列S_m，m∈[1,N]，当在拼接哈希矩阵PHM中存在DNA片段序列S_n与S_m在同一行的哈希拼接值相同，n∈[1,N]，m≠n，则S_n是S_m的候选DNA片段序列，Sm的所有候选DNA片段序列构成候选DNA片段序列集合Candidate；(7)实现聚类：随机选取一条未被聚类的DNA片段序列作为聚类中心，筛选该聚类中心对应的候选DNA片段序列集合Candidate与该聚类中心的编辑距离小于指定的阀值d的候选序列作为一个聚类结果，将已经被聚类的DNA片段序列存储在clustered中，循环上述聚类步骤，直到所有DNA片段序列都被聚类。