[发明专利]一种遗传变异研究数据存储方法及装置

说明书

技术领域

本发明涉及数据分析及基因技术领域，具体而言，涉及一种遗传变异研究数据存储方法及装置。

背景技术

单基因遗传病是指受一对等位基因控制的遗传病，约有6600多种，并且每年在以10-50种的速度递增，较为常见的有红绿色盲、血友病、白化病等，目前，单基因遗传病对人类的健康已经构成了很大的威胁，因此，在某些情况下需要对单基因遗传病进行检测，而在检测单基因遗传病时，需要使用单基因遗传病知识库。

现有的单基因遗传病知识库有人类孟德尔遗传(Online Mendelian Inheritance in Man，OMIM)、人类基因突变知识库(The Human Gene Mutation Database，HGMD)等，在这些单基因遗传病知识库中存储有基因变异数据、基因变异对单基因遗传病的致病性的评估依据等数据，但是，这些数据以文本等非结构化的形式存储在单基因遗传病知识库中，使得计算机无法识别知识库中的数据，进而影响对知识库中数据的自动检索与分析等。

发明内容

有鉴于此，本发明实施例的目的在于提供一种遗传变异研究数据存储方法及装置，以解决现有技术中遗传变异研究数据以非结构化数据的形式存储在遗传变异知识库中，导致计算机无法识别该数据，进而影响对知识库中的数据的自动检索与分析的问题。

第一方面，本发明实施例提供了一种遗传变异研究数据存储方法，其中，所述方法包括：

创建遗传变异知识库；

获取遗传变异研究数据，并确定所述遗传变异研究数据的类别；

将所述遗传变异研究数据转换为遗传变异研究元数据；

根据所述遗传变异研究数据的类别，将所述遗传变异研究元数据存储到所述遗传变异知识库中。

结合第一方面，本发明实施例提供了上述第一方面的第一种可能的实现方式，其中，所述确定所述遗传变异研究数据的类别，包括：

确定从预设的分类样本集和预设的分类标准中获取的多个关键词中每个关键词在所述遗传变异研究数据中出现的概率，所述预设的分类样本集中包括多个分类样本；

计算每种类别的分类样本在所述预设的分类样本集中的概率；

根据每个所述关键词对应的概率和所述每种类别的分类样本对应的概率，确定所述遗传变异研究数据的类别。

结合第一方面的第一种可能的实现方式，本发明实施例提供了上述第一方面的第二种可能的实现方式，其中，所述根据每个所述关键词对应的概率和所述每种类别的分类样本对应的概率，确定所述遗传变异研究数据的类别，包括：

计算所有所述关键词对应的概率的第一乘积；

计算所述第一乘积和所述每种类别的分类样本对应的概率的第二乘积；

将所述第二乘积确定为所述遗传变异研究数据属于所述每种类别的概率；

根据所述遗传变异研究数据属于所述每种类别的概率，确定所述遗传变异研究数据的类别。

结合第一方面的第二种可能的实现方式，本发明实施例提供了上述第一方面的第三种可能的实现方式，其中，所述根据所述遗传变异研究数据属于所述每种类别的概率，确定所述遗传变异研究数据的类别，包括：

比较所述遗传变异研究数据属于所述每种类别的概率；

确定所述遗传变异研究数据属于所述每种类别的概率中的最大概率；

将所述最大概率对应的类别确定为所述遗传变异研究数据的类别。

结合第一方面的第一种可能的实现方式，本发明实施例提供了上述第一方面的第四种可能的实现方式，其中，所述确定从预设的分类样本集和预设的分类标准中获取的多个关键词中每个关键词在所述遗传变异研究数据中出现的概率，包括：

计算每个所述关键词在所述每种类别的似然度；

根据每个所述关键词在所述每种类别的似然度，确定每个所述关键词在所述遗传变异研究数据中出现的概率。

结合第一方面的第一种可能的实现方式，本发明实施例提供了上述第一方面的第五种可能的实现方式，其中，根据以下步骤从预设的分类样本集和预设的分类标准中获取多个关键词：

根据词语在所述预设的分类样本集和所述预设的分类标准中出现的次数，筛选所述预设的分类样本集和所述预设的分类标准中的候选词语；

计算所述候选词语在预设的语料库中的词频和逆文档频率，所述预设的语料库包括所述预设的分类样本集和所述预设的分类标准；

根据所述候选词语对应的所述词频和所述逆文档频率，确定所述关键词。