[发明专利]一种基于DBN的序列错误数预测方法

说明书

本发明公开一种基于DBN的序列错误数预测方法，其包括以下步骤：步骤1，计算序列以及整个数据集的K‑mers词频；步骤2，计算序列的错误数；步骤3，数据归一化并乱序化；步骤4，划分训练集、测试集；步骤5，基于DBN构建神经网络模型；步骤6，预测序列的错误数。本发明通过使用DBN进行回归，对生物序列的错误数进行预测，试图在回归预测的层面上对生物序列进行分析，以期能从大量的生物序列数据中获得隐藏的有价值的生物信息，从而使得现有技术中存在的预测结果不够准确、合理的问题得到缓解。

技术领域

本发明涉及生物序列信息研究领域，尤其涉及一种基于DBN的序列错误数预测方法。

背景技术

随着科学技术的迅猛发展，生物信息学逐渐兴起，人们所能获得的生物序列数据越来越多，通过研究来发现隐藏在大量生物数据中的信息,成为了一项越来越有意义的工作。生物序列分析则是生物信息学领域重要的基础性研究工作。神经网络成为了生物序列分析的重要方法。

序列纠错是生物序列分析的一个重要的内容。而如何识别序列的错误数是序列纠错的前提。神经网络能够根据序列的特征进行训练，回归后预测出序列的错误数，从而达到识别序列错误数的目的，为生物序列分析提供了重要手段，也为生物信息学的发展做出了贡献。

发明内容

本发明的目的在于提供一种基于DBN的序列错误数预测方法。

本发明采用的技术方案是：

一种基于DBN的序列错误数预测方法，其包括以下步骤：

步骤1，计算序列以及整个数据集的K-mers词频

步骤1.1，假设数据集中每条序列的长度为m，K-词处理的窗口为k，其中1≤k≤m，则总共有4^k种K-mers，每条序列有m-k+1个K-mers，由此可得出每条序列对应于每种K-词的数量，即每条序列的K-mers词频；

步骤1.2，将每条序列中，每种K-mer数量逐一相加，即可得到整个数据集对应于每种K-mer词的数量，即整个数据集的K-mers词频；

步骤2，计算每条序列的错误数：利用软件BWA将序列比对到大型基因组上，得到序列的错误数。对于比对不上的序列，将其错误数设定为其K-mers个数，即m-k+1

步骤3，数据整理：整理上述步骤得到的每条序列的K-mers词频以及整个数据集的K-mers词频作为每条序列的特征值，并将每条序列的错误数作为标签，最终整合成用于神经网络回归的输入数据集D；

步骤4，对输入数据集D进行归一化并打乱顺序；

步骤5，训练集、测试集的划分：将步骤4得到的归一化后的数据集，按照留出法，将数据分为训练集和测试集；

步骤6，基于深度置信网络(DBN)构建神经网络模型

步骤6.1，运用三个受限玻尔兹曼机(RBM)堆叠成深度置信网络

步骤6.2，在深度置信网络之后加上一个与RBM具有类似网络结构的神经网络，以进行回归

步骤7，基于神经网络进行回归：将训练集数据输入到上述神经网络中进行回归，预测出每条序列的错误数，并用测试集验证回归的准去率；

进一步地，步骤1中的数据集为一个具有n条序列的序列集，因此得到的序列的K-mers词频是一个

具有n行4k列的矩阵，由每条序列的K-词数相加后得到的数据集的K-mers词频为一个一行4k列的矩阵，为了将其作为每条序列的特征，因此将数据集的K-mers词频扩展为一个n行4k列的矩阵；

进一步地，步骤2中使用的BWA，是一款将序列与参考基因组进行比对的软件，其主要功能就是进