一种基于深度学习模型的基因序列预测方法及相关设备

本发明涉及深度学习，特别涉及一种基于深度学习模型的基因序列预测方法及相关设备。

背景技术：

1、随着信息技术的快速发展和在生物医学领域的深度应用，产生了多维度、多模态、异构、海量的大数据，其应用给生物医学的研究带来了深刻变革，对精准医疗发展有着重要的促进作用。

2、但是，目前已有的基于神经网络的基因序列预测基因表达模型不是仅针对基因之间非线性关联建模，就是仅考虑线性可加关联，同时，针对基因snp(snp：singlenucleotidepolymorphism，它指的是单核苷酸的变异或者说多态性)数据的稀疏性问题也没有给出一个确切的解决方案，而多组织信息以及专家先验信息也没有有效的方法融合进入预测模型中。

3、因而现有技术还有待改进和提高。

技术实现思路

1、本发明的主要目的在于提供一种基于深度学习模型的基因序列预测方法及相关设备，旨在解决现有技术中基于神经网络的基因序列预测基因表达模型仅针对基因之间非线性关联建模，仅考虑线性可加关联，无法实现对基因序列进行精准预测的问题。

2、为了达到上述目的，本发明采取了以下技术方案：

3、一种基于深度学习模型的基因序列预测方法，所述基于深度学习模型的基因序列预测方法包括：

4、构建非线性深度学习模型，并获取预测数据和原始数据；

5、利用所述预测数据和所述原始数据对所述非线性深度学习模型进行预测，得到预测值；

6、根据所述预测数据和所述原始数据，计算所述非线性深度学习模型的惩罚值；

7、根据所述预测值计算得到当前任务的目标损失函数后，根据所述惩罚值构建得到多元素损失函数，并计算得到所述非线性深度学习模型的损失值；

8、根据所述损失值，利用优化器优化所述非线性深度学习模型，并利用经过优化后的非线性深度学习模型对所述预测数据中的待检测基因序列进行预测，得到基因预测检测结果。

9、所述基于深度学习模型的基因序列预测方法中，所述基于深度学习模型的基因序列预测方法还包括：

10、利用所述目标损失函数对所述非线性深度学习模型进行评估，得到评估结果。

11、所述基于深度学习模型的基因序列预测方法中，所述构建非线性深度学习模型，并获取预测数据和原始数据，具体包括：

12、构建基因插补体系结构，并从cadd数据库中获取原始cadd分数；

13、其中，所述非线性深度学习模型为所述基因插补体系结构，所述基因插补体系结构包括：特征控制门块、线性块、非线性块、先验知识融合块和多任务模块；

14、从基因型和基因表达量关联数据库获取预设第一数量的组织表达；

15、根据所述组织表达构建次要任务的联合组织表达标签；

16、利用激活函数将所述原始cadd分数进行标准化，得到先验知识数据。

17、所述基于深度学习模型的基因序列预测方法中，所述利用所述预测数据和所述原始数据对所述非线性深度学习模型进行预测，得到预测值，具体包括：

18、分别由任一个所述组织表达和次要任务的联合组织表达标签构成原始基因矩阵后，利用所述特征控制门块根据回归分析方法，对所述原始基因矩阵中的原始基因序列进行分别过滤，得到衡量指标；其中，所述衡量指标为p值；

19、对经过过滤后的原始基因序列进行分别排序，得到经过排序后的原始基因序列，并将大于预设阈值的原始基因序列进行分别筛选，得到经过筛选后的原始基因序列；

20、对所述经过筛选后的原始基因序列进行合并后缩放，并利用所述非线性块对经过缩放后的原始基因序列进行计算，得到非线性块输出值；

21、利用所述特征控制门块对所述非线性块输出值进行自动学习，并输入到所述多任务模块中，得到所述预测值。

22、所述基于深度学习模型的基因序列预测方法中，所述根据所述预测数据和所述原始数据，计算所述非线性深度学习模型的惩罚值，具体包括：

23、将所述先验知识数据和所述原始cadd分数加入到所述线性块的权重中，并利用归一化处理计算得到所述惩罚值。

24、所述基于深度学习模型的基因序列预测方法中，所述根据所述预测值计算得到当前任务的目标损失函数后，根据所述惩罚值构建得到多元素损失函数，并计算得到所述非线性深度学习模型的损失值，具体包括：

25、计算当前任务的所述预测值的均方误差，得到所述目标损失函数；

26、根据所述惩罚值和所述目标损失函数构建所述多元素损失函数后，求解所述多元素损失函数得到所述损失值。

27、所述基于深度学习模型的基因序列预测方法中，所述原始数据包括基因型和基因表达量关联数据库，以及原始cadd分数；所述预测数据包括多组织辅助任务数据和先验知识数据；所述多组织辅助任务数据包括所述次要任务的联合组织表达标签。

28、一种基于深度学习模型的基因序列预测系统，所述基于深度学习模型的基因序列预测系统包括：

29、模型构建和数据获取模块，用于构建非线性深度学习模型，并获取预测数据和原始数据；

30、预测值获取模块，用于利用所述预测数据和所述原始数据对所述非线性深度学习模型进行预测，得到预测值；

31、惩罚值计算模块，用于根据所述预测数据和所述原始数据，计算所述非线性深度学习模型的惩罚值；

32、损失值计算模块，用于根据所述预测值计算得到当前任务的目标损失函数后，根据所述惩罚值构建得到多元素损失函数，并计算得到所述非线性深度学习模型的损失值；

33、基因预测结果检测模块，用于根据所述损失值，利用优化器优化所述非线性深度学习模型，并利用经过优化后的非线性深度学习模型对所述预测数据中的待检测基因序列进行预测，得到基因预测检测结果。

34、一种控制器，所述控制器包括：存储器、处理器、显示器及存储在所述存储器上并可在所述处理器上运行的基于深度学习模型的基因序列预测程序，所述基于深度学习模型的基因序列预测程序被所述处理器执行时实现如上所述的基于深度学习模型的基因序列预测方法的步骤。

35、一种计算机可读存储介质，所述计算机可读存储介质存储有基于深度学习模型的基因序列预测程序，所述基于深度学习模型的基因序列预测程序被处理器执行时实现如上所述的基于深度学习模型的基因序列预测方法的步骤。

36、相较于现有技术，本发明提供的一种基于深度学习模型的基因序列预测方法及相关设备，所述方法包括：利用获取的预测数据和原始数据，对构建的非线性深度学习模型进行预测得到预测值；以及计算非线性深度学习模型的惩罚值；根据预测值计算得到当前任务的目标损失函数后，根据惩罚值构建得到多元素损失函数，并计算得到非线性深度学习模型的损失值；根据损失值优化非线性深度学习模型后，利用经过优化后的非线性深度学习模型对预测数据中的待检测基因序列进行预测，得到基因预测检测结果。通过对预先构建的非线性深度学习模型进行预测得到预测值后，再计算得到损失值，以便优化非线性深度学习模型后进行基因预测，从而构建出精准的基因预测模型，提高了基因预测准确性。