一种基于深度学习的水产生物种质资源鉴评方法及系统与流程

本发明涉及水产种质资源鉴评，尤其涉及一种基于深度学习的水产生物种质资源鉴评方法及系统。

背景技术：

1、水产种质资源鉴评是评价水产物种的遗传质量和育种潜力的过程。这通常涉及对品种的遗传多样性、遗传改良潜力、适应性和经济特性进行综合评估，鉴评水产种质资源有助于选择合适的品种进行繁育和培育，以提高水产养殖的生产效率和质量。但目前传统的种质资源鉴评无法针对水产生物品种进行精准鉴评，存在一定的局限性，同时传统的种质资源鉴评方法的数据处理能力较差，容易出现较大鉴评误差，导致水产生物品种的选取和养殖质量大幅下降，影响水产产量，且数据分析速率慢，无法满足实际鉴评需求；因此，需要研发一种高效精准的水产生物种质资源鉴评方法来解决上述问题。

技术实现思路

1、本发明克服了现有技术的不足，提供了一种基于深度学习的水产生物种质资源鉴评方法及系统。

2、为达上述目的，本发明采用的技术方案为：

3、本发明第一方面提供了一种基于深度学习的水产生物种质资源鉴评方法，包括以下步骤：

4、获取不同种群样本的遗传信息，基于所述不同种群样本的遗传信息构建评估模型，得到遗传多样性评估模型，并根据不同种群样本的遗传信息和遗传多样性评估模型构建地图，得到目标水产生物的实际遗传地图；

5、基于大数据网络获取目标水产生物的标准遗传地图，结合分析所述标准遗传地图和实际遗传地图获取若干个评价考察标准，筛选所述若干个评价考察标准并进行构建，得到训练完成的遗传多样性评分体系；

6、通过所述训练完成的遗传多样性评分体系对实际遗传地图以及标准遗传地图进行评分，得到第一评分分数值和第二评分分数值，引入散列算法，基于所述第一评分分数值和第二评分分数值在散列算法中分析出实际分数增减幅度，基于实际分数增减幅度进行分析，得到种质资源评价结果；

7、获取各子品种的种质资源鉴定基准，基于所述各子品种的种质资源鉴定基准构建哈希表，得到种质资源鉴定哈希表，将种质资源评价结果导入所述种质资源鉴定哈希表进行索引查找并筛选，最终生成种质资源鉴定结果。

8、进一步的，本发明的一个较佳的实施例中，所述获取不同种群样本的遗传信息，基于所述不同种群样本的遗传信息构建评估模型，得到遗传多样性评估模型，并根据不同种群样本的遗传信息和遗传多样性评估模型构建地图，得到目标水产生物的实际遗传地图，具体包括以下步骤：

9、获取目标水产生物的不同种群样本，通过生物学技术对所述不同种群样本进行相对应的遗传检测和遗传分析，以获取不同种群样本的遗传信息；其中，所述遗传信息包括遗传特征、亲缘关系、染色图结构以及基因型表达；

10、基于深度学习网络构建评估模型，根据所述不同种群样本的遗传信息确定出n个待评估的遗传多样性指标，定义所述n个待评估的遗传多样性指标为检索标签，基于检索标签在大数据网络中进行检索；其中，所述待评估的遗传多样性指标包括种群结构、遗传距离、遗传多样性指数和群体遗传结构；

11、检索完成后，获取每个待评估的遗传多样性指标所对应的遗传统计分析方法，将所述每个待评估的遗传多样性指标所对应的遗传统计分析方法导入评估模型中进行训练并验证，得到遗传多样性评估模型；其中，所述遗传统计分析方法包括amova软件、nei’s遗传距离以及主成分分析法；

12、将不同种群样本的遗传信息导入遗传多样性评估模型进行计算，得到遗传多样性评估结果，结合所述遗传多样性评估结果以及不同种群样本的遗传信息构建地图，最终得到目标水产生物的实际遗传地图。

13、进一步的，本发明的一个较佳的实施例中，所述将不同种群样本的遗传信息导入遗传多样性评估模型进行计算，得到遗传多样性评估结果，结合所述遗传多样性评估结果以及不同种群样本的遗传信息构建地图，最终得到目标水产生物的实际遗传地图，具体包括以下步骤：

14、将不同种群样本的遗传信息导入遗传多样性评估模型进行计算，得到遗传多样性评估结果，并基于所述遗传多样性评估结果在大数据网络中进行检索；

15、检索完成后，获取目标水产生物的分子标记库，引入k-means聚类算法对不同种群样本的遗传信息和所述分子标记库中的所有分子进行聚类计算，基于所述不同种群样本的遗传信息初始化k个质心，将所有分子分配至距离最近的质心所对应的簇，生成每个簇中的质心位置，基于不同种群样本的遗传信息迭代每个簇中的质心位置，得到聚类结果；

16、根据所述聚类结果确定出不同种群样本的分子标记，通过pcr方法对不同种群样本的遗传信息以及所述不同种群样本的分子标记进行扩增，得到扩增产物，同时引入分离技术对扩增产物进一步分离，得到不同种群样本的分离结果；

17、构建曼哈顿距离矩阵，基于所述分离结果中提取出每个种群样本的标记特征，将每个所述种群样本的标记特征导入曼哈顿距离矩阵中进行计算，得到多个曼哈顿距离，根据所述曼哈顿距离确定出每个标记特征之间的相似度；

18、通过neighbor joining方法构建类群间相似性矩阵，基于每个标记特征之间的相似度在所述类群间相似性矩阵中对不同种群之间的进化距离进行计算，得到若干个进化距离，将所述若干个进化距离进行由大到小排序，排序完成后，提取出最小进化距离所对应的两个种群；

19、合并所述最小进化距离所对应的两个种群，以形成进化树，并不断更新类群间相似性矩阵以合并剩余物种，最终生成目标水产生物的实际遗传地图。

20、进一步的，本发明的一个较佳的实施例中，所述基于大数据网络获取目标水产生物的标准遗传地图，结合分析所述标准遗传地图和实际遗传地图获取若干个评价考察标准，筛选所述若干个评价考察标准并进行构建，得到训练完成的遗传多样性评分体系，具体包括以下步骤：

21、基于大数据网络获取目标水产生物的标准遗传地图，通过所述标准遗传地图和实际遗传地图构建三维模型，得到标准遗传多样性模型和实际遗传多样性模型；

22、引入hausdorff距离算法对所述标准遗传多样性模型和所述实际遗传多样性模型进行计算，得到模型重合度，计算所述模型重合度与预设模型重合度之间的偏差，得到模型重合偏差值；

23、获取目标水产生物种质资源的鉴评要求信息，基于所述模型重合偏差值在大数据网络中进行搜索，得到若干个评价考察标准；其中，所述评价考察标准包括生长性、抗病性、繁殖特性、环境适应性以及经济性；

24、引入皮尔逊相关系数逐一计算出每个所述评价考察标准与所述鉴评要求信息之间的相关系数，根据所述相关系数确定出每个评价考察标准与鉴评要求信息之间的关联率；

25、判断所述关联率是否小于预设关联率，若小于，则剔除小于预设关联率的评价考察标准，将剩余大于预设关联率的评价考察标准进行整合，得到剔除后的评价考察标准；

26、通过深度学习网络构建评分体系，基于所述剔除后的评价考察标准对评分体系进行训练并验证，得到训练完成的遗传多样性评分体系。

27、进一步的，本发明的一个较佳的实施例中，所述通过所述训练完成的遗传多样性评分体系对实际遗传地图以及标准遗传地图进行评分，得到第一评分分数值和第二评分分数值，引入散列算法，基于所述第一评分分数值和第二评分分数值在散列算法中分析出实际分数增减幅度，基于实际分数增减幅度进行分析，得到种质资源评价结果，具体包括以下步骤：

28、将目标水产生物的实际遗传地图导入所述训练完成的遗传多样性评分体系中进行评分，得到第一评分分数值，将目标水产生物的标准遗传地图导入所述训练完成的遗传多样性评分体系中进行评分，得到第二评分分数值；

29、基于目标水产生物种质资源的鉴评要求信息预设评分分数阈值，引入散列算法计算出第一评分分数值与所述评分分数阈值之间的散列值，得到第一散列值，计算出第二评分分数值与所述评分分数阈值之间的散列值，得到第二散列值；

30、根据所述第一散列值确定出所述第一评分分数值与评分分数阈值之间的实际分数增减幅度，根据所述第二散列值确定出所述第二评分分数值与评分分数阈值之间的标准分数增减幅度；

31、判断所述实际分数增减幅度是否大于标准分数增减幅度，若大于，则说明目标水产生物具有良好遗传特性，若小于，则说明目标水产生物不具有良好遗传特性，得到种质资源评价结果。

32、进一步的，本发明的一个较佳的实施例中，所述获取各子品种的种质资源鉴定基准，基于所述各子品种的种质资源鉴定基准构建哈希表，得到种质资源鉴定哈希表，将种质资源评价结果导入所述种质资源鉴定哈希表进行索引查找并筛选，最终生成种质资源鉴定结果，具体包括以下步骤：

33、基于大数据网络获取目标水产生物的若干个子品种，并获取各子品种的种质资源鉴定基准；

34、基于若干个子品种预设存储量以及负载因子，同时预设存储键值对阈值，根据所述存储量、负载因子以及存储键值对阈值进行初始化构建，得到初始哈希表；

35、引入哈希函数对每个子品种的种质资源鉴定基准进行计算，得到多个哈希值，将多个所述哈希值导入所述初始哈希表中进行存储键值对插入，最终得到种质资源鉴定哈希表；

36、通过哈希函数计算出种质资源评价结果的哈希值，根据所述哈希值确定出种质资源评价结果所对应的索引系数，并将所述种质资源评价结果所对应的索引系数插入种质资源鉴定哈希表中进行索引查找；

37、索引查找完成后，标记出种质资源评价结果所对应的索引系数在种质资源鉴定哈希表中的所有索引位置，并获取各索引位置上相应子品种的种质资源鉴定基准相应的哈希值；

38、构建降序排列表，将所述各索引位置上相应子品种的种质资源鉴定基准相应的哈希值导入升序排列表中进行降序排列，并对哈希值小于预设哈希值所对应的子品种的种质资源鉴定基准进行剔除，得到最佳子品种排列表；

39、根据所述最佳子品种排列表作为目标水产生物的优良种质资源进行输出，得到种质资源鉴定结果。

40、本发明第二方面提供了一种基于深度学习的水产生物种质资源鉴评系统，所述一种基于深度学习的水产生物种质资源鉴评系统包括存储器与处理器，所述存储器中储存一种基于深度学习的水产生物种质资源鉴评方法程序，所述一种基于深度学习的水产生物种质资源鉴评方法程序被所述处理器执行时，实现以下步骤：

41、获取不同种群样本的遗传信息，基于所述不同种群样本的遗传信息构建评估模型，得到遗传多样性评估模型，并根据不同种群样本的遗传信息和遗传多样性评估模型构建地图，得到目标水产生物的实际遗传地图；

42、基于大数据网络获取目标水产生物的标准遗传地图，结合分析所述标准遗传地图和实际遗传地图获取若干个评价考察标准，筛选所述若干个评价考察标准并进行构建，得到训练完成的遗传多样性评分体系；

43、通过所述训练完成的遗传多样性评分体系对实际遗传地图以及标准遗传地图进行评分，得到第一评分分数值和第二评分分数值，引入散列算法，基于所述第一评分分数值和第二评分分数值在散列算法中分析出实际分数增减幅度，基于实际分数增减幅度进行分析，得到种质资源评价结果；

44、获取各子品种的种质资源鉴定基准，基于所述各子品种的种质资源鉴定基准构建哈希表，得到种质资源鉴定哈希表，将种质资源评价结果导入所述种质资源鉴定哈希表进行索引查找并筛选，最终生成种质资源鉴定结果。

45、进一步的，本发明的一个较佳的实施例中，所述获取各子品种的种质资源鉴定基准，基于所述各子品种的种质资源鉴定基准构建哈希表，得到种质资源鉴定哈希表，将种质资源评价结果导入所述种质资源鉴定哈希表进行索引查找并筛选，最终生成种质资源鉴定结果，具体包括以下步骤：

46、基于大数据网络获取目标水产生物的若干个子品种，并获取各子品种的种质资源鉴定基准；

47、基于若干个子品种预设存储量以及负载因子，同时预设存储键值对阈值，根据所述存储量、负载因子以及存储键值对阈值进行初始化构建，得到初始哈希表；

48、引入哈希函数对每个子品种的种质资源鉴定基准进行计算，得到多个哈希值，将多个所述哈希值导入所述初始哈希表中进行存储键值对插入，最终得到种质资源鉴定哈希表；

49、通过哈希函数计算出种质资源评价结果的哈希值，根据所述哈希值确定出种质资源评价结果所对应的索引系数，并将所述种质资源评价结果所对应的索引系数插入种质资源鉴定哈希表中进行索引查找；

50、索引查找完成后，标记出种质资源评价结果所对应的索引系数在种质资源鉴定哈希表中的所有索引位置，并获取各索引位置上相应子品种的种质资源鉴定基准相应的哈希值；

51、构建降序排列表，将所述各索引位置上相应子品种的种质资源鉴定基准相应的哈希值导入升序排列表中进行降序排列，并对哈希值小于预设哈希值所对应的子品种的种质资源鉴定基准进行剔除，得到最佳子品种排列表；

52、根据所述最佳子品种排列表作为目标水产生物的优良种质资源进行输出，得到种质资源鉴定结果。

53、本发明解决了背景技术中存在的技术缺陷，本发明的有益技术效果在于：

54、构建遗传多样性评估模型，并根据不同种群样本的遗传信息和遗传多样性评估模型构建地图，得到目标水产生物的实际遗传地图；获取目标水产生物的标准遗传地图，结合分析所述标准遗传地图和实际遗传地图获取若干个评价考察标准，筛选所述若干个评价考察标准并进行构建，得到训练完成的遗传多样性评分体系；通过所述训练完成的遗传多样性评分体系获取实际遗传地图以及标准遗传地图的评分分数值，引入散列算法对所述评分分数值进行分析，得到种质资源评价结果；构建种质资源鉴定哈希表，将种质资源评价结果导入所述种质资源鉴定哈希表进行索引查找并筛选，最终生成种质资源鉴定结果。本发明能够对水产生物的种质资源进行快速精准的鉴评，从而便于选取优良的品种进行高质量培育。