[发明专利]一种基于机器学习的新冠病毒亚群识别方法

说明书

本发明公开了一种基于机器学习的新冠病毒亚群识别方法，包括收集需要分析的病毒基因序列，然后，根据规则去除质量较低的序列，清理数据后，使用比对软件把序列与参考序列进行比对，从比对结果可以获得突变位点，对突变位点进行编码后，使用t‑SNE把矩阵投影到二维平面上，然后使用DBSCAN进行聚类，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。本发明开发一种基于新冠病毒的突变位点进行自动分群的方法，相对于传统方法，该方法消耗的计算资源较少，且分析速度较快，能够提高病毒群划分的粒度，从而增强发现病毒亚群的能力，增强分群方法的稳健性，尽可能使具有相同模式序列的病毒划分为同一个群体，具有不同模式序列的病毒群区别开来。

技术领域

本发明属于生物信息领域，具体涉及一种基于机器学习的新冠病毒亚群识别方法。

背景技术

现存的新冠病毒亚群识别主要是在利用比对软件获得病毒突变位点的基础上，根据共同突变将病毒分成不同的亚群。分群的方法主要分为四种，一是通过人工检测的方法把出现相同的高频突变的病毒序列归为一群。这种分析方法有如下两个缺点：

1.分群粒度较粗。通过人工方法识别的模式序列，粒度比较粗，即没有找到模式序列的全长，这可能是因为模式序列中存在一些突变频率不那么高的突变，在人工识别的过程中被忽略掉。

2.忽略一些潜在的发展中的亚群。由(1)引申出的另一个问题是，病毒群中的亚群，即与病毒群具有相同的主要突变模式，同时又拥有新型的突变的病毒，因为频率不高没有被发现，但是具有形成群体的趋势。这些亚群往往具有时空关系，对于疫情监控，病毒溯源具有重要意义。

二是利用进化分析软件根据比对结果构建进化树，根据进化树判断病毒属于哪个种系。这种方法的缺点是当数据量比较多的时候，需要大量的计算资源，普通的计算机没法支撑这样的分析，同时分析也需要大量的时间。其次是当数据量大的时候，进化树的结构会变得相当复杂，难以进行解读。

三是利用单体型分析软件根据比对结果构建单体型树。这种方法与第二种类似，同样当数据量比较多的时候，分析和结果解读都会比较困难。而且一种病毒可能会与不同类型的单体型都有关系，因此其具体属于哪种单体型依赖于个体的判断。

四是基于一套人为制定的命名规则对病毒进行分群，但是这种方法并不稳定，会间歇出现把具有相同突变模式的病毒划分到不同的群，或者把不同突变模式的病毒划分到同一群中的情况。

发明内容

本发明的目的在于提供一种基于机器学习的新冠病毒亚群识别方法，以解决上述背景技术中所提出的问题。

为实现上述目的，本发明提供以下技术方案：一种基于机器学习的新冠病毒亚群识别方法，其结构要点在于：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。

作为优选的，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％。