[发明专利]一种大肠杆菌β-内酰胺类获得性耐药表型预测复合方法

权利要求书

1.一种大肠杆菌β-内酰胺类获得性耐药表型预测复合方法，包括预处理和预测与识别，其特征在于：所述预处理包括步骤：1)提取目标耐药基因构件训练集；

2)去除非获得性耐药相关基因；

3)随机过程切割数据；

4)预加重和平稳性控制；

5)利用LPCC特征系数进行灰度关联分析；

所述预测与识别包括如下步骤：1)采用ANN算法进行计算；

2)综合评估与比较；

3)输出模型；

所述ANN算法为：搭建的基本网络结构是带有一个隐层的全连接多层感知器，输入窗口长为奇数个核苷酸，采用正交编码的形式，字符集大小为63，对应60个普通密码子和1个终止子；输入层有3个sigmoidal类型的节点，其正交编码分别针对ESBLs酶、AmpC酶和碳青霉烯酶；不同的输出表示在窗口中间位置上对应残基的不同归类，类别的归属是由输出最大的输出节点按照“赢家通吃”原则决定；该原则的采用，为输入和最终输出之间的关系增加了额外的非线性特征；网络初始化时，权重初值为在区间[-0.5,0.5]上均匀分布的随机变量，然后使用基于LMS误差函数的反向传播算法训练网络；在训练的过程中，获得低分类误差的方法是采用自适应的训练集，依据样本是否被现有神经网络正确分类这一标准来决定是否保留这些训练样本，在学习过程中引入更多噪声；在每个样本训练结束时更新网络参数，在训练过程中引入合适的噪声；在每一训练周期中，颠倒训练样本的次序；获得低分类误差的训练过程概括如下：1.初始化训练样本集的第一部分和第二部分；2.从样本集中随机选择一个样本，将其输入到神经网络中；3.使用反向传播算法训练神经网络；4.若分类正确，则返回第2步；5.若分类错误，则将其放入样本集的第二部分，并随机替换其中的一个样本；6.重复该过程，直到收敛。

2.根据权利要求1所述的一种大肠杆菌β-内酰胺类获得性耐药表型预测复合方法，其特征在于，所述预测与识别还包括采用HMM算法进行计算，HMM算法包括Baum-Welch算法和Viterbi算法。

3.根据权利要求2所述的一种大肠杆菌β-内酰胺类获得性耐药表型预测复合方法，其特征在于，所述Viterbi算法为：定义变量，其中π_i(t)为生成Xⁱ至X^t并结束于状态i的前缀路径；因此δ_i(t)是与最可能路径相关的概率，该路径产生结束于状态i的序列O的前t个字符；这些变量可进行更新计算。

4.根据权利要求1所述的一种大肠杆菌β-内酰胺类获得性耐药表型预测复合方法，其特征在于，所述预测与识别还包括采用ANN-HMM混合算法进行计算，所述ANN-HMM混合算法为：ANN-HMM混合算法构筑的模型包括4个部分，分别是输入层、隐层、输出层、连接层；在输入层中，每个节点对应每个状态i，在每个时刻，除了赋值为1的节点外，所有节点赋值都为0；如果节点赋值为1，则网络计算e_iX，即状态i的生成分布；在隐层中，H个下标为h的隐节点，每一个节点的激活函数为f_h，缺省值为布尔变量，偏倚为b_h；在输入层中，A个softmax型节点或归一化指数节点，带有下标和偏倚参数；在连接层中，输入点i到隐节点h的连接以及隐节点h到输出节点X的连接作为不同的锚定关系，与HMM的前向或后向变量不会发生混淆；在ANN-HMM混合模型中，模型M是n个简单的隐马尔科夫模型M₁到M_n的混合分布；对于任意的序列O，其中,i＝1，…n,混合系数λ_i始终不小于0且λ₁+…+λ_i+…+λ_n的和为1；在生成模式中，序列通过每一个独立的HMM独立产生，选中不同HMM模型对应的概率为λ_i；HMM的起始状态与HMM中的每个模型以转移概率λ_i进行连接；每个子模型的各个参数通过神经网络计算得到一个ANN-HMM混合结构。/