[发明专利]一种噬菌体分类方法、装置、设备及存储介质

说明书

本申请提供了一种噬菌体分类方法、装置、设备及存储介质，涉及生物测序技术领域。本申请将从噬菌体全基因组数据提取出的短序列样本进行独热编码，直接使用碱基信息训练预先构建的深度神经网络，得到能够基于短序列信息，鉴定噬菌体属于温和噬菌体还是烈性噬菌体的分类器。鉴于宏基因组测序得到的噬菌体序列长度跨度较大，本申请设置对应四组不同长度区间的深度神经网络，各组长度区间下的深度神经网络学习不同长度的序列特征，提高预测性能。另外针对长度超过四组长度区间的序列，设置了基于权重的预测方法，使得本申请可以对任意长度的噬菌体序列进行分类。本申请还对短序列样本进行补序，扩充训练数据，提高了深度神经网络的分类性能。

技术领域

本申请涉及生物测序技术领域，特别是涉及一种噬菌体分类方法、装置、设备及存储介质。

背景技术

噬菌体作为病毒中数量最多、物种多样性最高的一类，在微生物群落中发挥着重要作用。相较于传统基于培养的病毒发现方法，宏基因组学技术进行一次测序就可获得环境中包括噬菌体在内的所有微生物的序列信息，避免了任何和培养相关的偏差，能够准确快速地确定新噬菌体的序列信息，极大地加快了新噬菌体发现的速度。

噬菌体分为温和噬菌体和烈性噬菌体两种类型。温和噬菌体感染细菌宿主后会将其基因组序列插入到细菌宿主基因组上，等到环境条件合适时从细菌宿主基因组上游离出来，进而杀死细菌宿主。烈性噬菌体感染细菌宿主后直接杀死细菌宿主。温和噬菌体和烈性噬菌体分别应用在不同的领域，例如水平基因转移探索涉及温和噬菌体的研究，噬菌体疗法涉及烈性噬菌体的研究。因此便于进一步的研究，需要快速对新发现噬菌体所属类型进行判断。

然而基于宏基因组学技术发现的噬菌体序列长度没有规律，无法获取较为完整的基因信息，进而难以对新发现噬菌体所属类型进行判断。

发明内容

本申请实施例提供一种噬菌体分类方法、装置、设备及存储介质，直接使用碱基因信息对噬菌体进行分类，达到对序列信息较短的噬菌体进行类型鉴定的目的。

本申请实施例第一方面提供噬菌体分类方法，所述方法包括：

根据待分类噬菌体片段的序列长度，获取与所述序列长度对应的至少一个预设分类网络；

对所述待分类噬菌体片段的所有碱基进行独热编码，得到碱基序列特征；

将所述碱基序列特征输入所述至少一个预设分类网络；

根据所述至少一个预设分类网络的输出分数，确定所述待分类噬菌体片段的类型。

可选地，根据待分类噬菌体片段的序列长度，获取与所述序列长度对应的至少一个预设分类网络，包括：

在所述序列长度在100bp-400bp范围内时，获取第一预设分类网络；

在所述序列长度在400bp-800bp范围内时，获取第二预设分类网络；

在所述序列长度在800bp-1200bp范围内时，获取第三预设分类网络；

在所述序列长度在1200bp-1800bp范围内时，获取第四预设分类网络；

在所述序列长度大于1800bp时，获取所述第四预设分类网络。

可选地，在所述序列长度大于1800bp的情况下，根据待分类噬菌体片段的序列长度，获取与所述序列长度对应的至少一个预设分类网络，包括：

按照1800bp的尺度对所述待分类噬菌体片段进行分割；

根据分割后的最短序列片段，将所述第一预设分类网络、所述第二预设分类网络、所述第三预设分类网络以及所述第四预设分类网络中的其中一者作为补充分类网络；

将所述第四预设分类网络和所述补充分类网络作为所述待分类噬菌体片段的预设分类网络。