[发明专利]一种基于机器学习的新冠病毒亚群识别方法

权利要求书

1.一种基于机器学习的新冠病毒亚群识别方法，其特征在于：包括收集需要分析的病毒基因序列，可以从公共数据库上可以获得大量的新冠病毒序列，然后，根据规则去除质量较低的序列，清理数据后，使用序列比对软件把序列与通用参考序列进行比对，从比对结果可以知道突变出现的位置，接下来把每条病毒序列对应位置上的碱基提取出来进行热编码，从而把每个碱基转变为一个五维的向量，接下来，使用t-SNE把矩阵投影到二维平面上，其中t-SNE的困惑度为30，然后使用DBSCAN进行聚类，其中两点之间的最大距离设置为5，最小样本数为50，最后排除掉无法聚类的噪点，就能得到相互区分开的病毒群，每个群都有特定的模式序列，其中模式序列是通过把突变位点对应回每个病毒群中获得。

2.根据权利要求1所述的一种基于机器学习的新冠病毒亚群识别方法，其特征在于：所述的规则包括：

1）未知碱基小于1%，具有长度小于10bp的插入缺失片段，并且唯一突变密度小于等于0.05%；

2）未知碱基小于1%，具有长度小于10bp，但是导致编码区移码突变的插入缺失；

3）未知碱基小于1%，具有长度大于10bp的插入缺失片段，并且/或突变密度大于0.05%；

4）未知碱基比例大于等于1%小于5%；

5）长片段的未知碱基，突变密度大于0.05%；

6）未知碱基大于等于5%。

3.根据权利要求1所述的一种基于机器学习的新冠病毒亚群识别方法，其特征在于：使用热编码对碱基进行编码，所述的五维的向量中的“-”和“N”表示同一个核苷酸。

4.根据权利要求1所述的一种基于机器学习的新冠病毒亚群识别方法，其特征在于：所述的t-SNE为一种基于t分布和条件概率的非线性降维算法。

5.根据权利要求1所述的一种基于机器学习的新冠病毒亚群识别方法，其特征在于：所述的DBSCAN为一种聚类算法，具有噪声的基于密度的聚类方法。