基于单分子测序的发酵金鲳深度学习质量判别方法及系统技术方案

本发明专利技术公开了基于单分子测序的发酵金鲳深度学习质量判别方法及系统，涉及发酵水产食品快速分析检测领域，通过制备不同品质等级的传统发酵金鲳粉末状样品；提取样品的宏基因组DNA，并检验片段完整度、纯度及浓度；通过获取发酵金鲳样品的物种丰度数据，并作为神经网络模型的训练样本数据，对神经网络模型进行训练，并使用训练好的神经网络模型，对不同传统发酵金鲳的品质等级进行判别；本发明专利技术解决了标准化程度低和产品品质不稳定等问题，利用单分子实时测序获得样品的微生物群落结构组成，并结合机器学习判断传统发酵金鲳的品质质量等级，具有准确性高的特点，有利于传统发酵金鲳的品质监测和工业化生产。的品质监测和工业化生产。的品质监测和工业化生产。

【技术实现步骤摘要】
基于单分子测序的发酵金鲳深度学习质量判别方法及系统


[0001]本申请涉及发酵水产食品快速分析检测领域，具体而言，涉及基于单分子测序的发酵金鲳深度学习质量判别方法及系统。

技术介绍

[0002]传统发酵金鲳是一种传统的固态自然发酵鱼制品，是沿海地区特色的发酵鱼制品。据统计，2019年我国发酵鱼制品产量达152万吨，约占水产品加工总量(2171万吨)的7.01％，约占海水加工产品(1776万吨)的8.57％。传统发酵金鲳具有营养丰富和风味独特等主要优势，深受消费者的青睐，但由于传统发酵鱼生产体系缺乏系统的理论支持，自动化生产水平低。因此，实现传统发酵金鲳靶向工艺调控和品质监测是水产品加工行业迫切需要解决的关键问题之一。
[0003]由于发酵体系中微生物与代谢产物之间复杂的物质和能力交换，发酵金鲳的内部营养成分存在明显差异。目前，发酵金鲳品质的鉴定主要依赖色泽、气味和硬度等人工经验式感官判别，存在主观性强、标准化程度低和产品品质不稳定等问题。在固态自然发酵体系中，传统发酵金鲳的品质与不同微生物区系在发酵过程中复杂的生物学相互作用密切相关。单分子实时测序技术具读长长，通量高，物种注释准的优点，能够准确有效地分析微生物群落结构。深度学习是机器学习的一个分支，利用神经网络算法建立相应的模型，使机器具有学习分析能力并实现智能测判。单分子实时测序技术和机器学习结合能高效地对发酵金鲳的品质进行判别，目前尚未见利用单分子实时测序技术和机器学习技术对发酵金鲳的质量等级进行判别的报道。

技术实现思路

[0004]为了解决上述问题，本专利技术的目的是通过单分子实时测序对传统发酵金鲳的微生物群落结构进行分析，并基于发酵金鲳的微生物菌群组成及丰度，利用神经网络算法的机器学习技术对传统发酵金鲳的品质进行判别。该方法能够高效、准确对传统发酵金鲳的品质进行测判，满足现代水产食品快速检测和分析的要求。
[0005]为了实现上述技术目的，本申请提供了基于单分子测序的发酵金鲳深度学习质量判别方法，包括以下步骤：
[0006]制备不同品质等级的传统发酵金鲳粉末状样品，传统发酵金鲳粉末状样品用于单分子实时测序进行微生物群落结构分析；
[0007]提取传统发酵金鲳粉末状样品的宏基因组DNA，并检验片段完整度、纯度及浓度；
[0008]基于宏基因组DNA，获取发酵金鲳样品的物种丰度数据，作为神经网络模型的训练样本数据；
[0009]通过训练样本数据，对神经网络模型进行训练，并使用训练好的神经网络模型，对不同传统发酵金鲳的品质等级进行判别，其中，神经网络模型采用tansig作为隐藏层传递函数，采用purelin函数作为输出层传递函数，采用梯度下降法进行训练。
[0010]优选地，在制备不同品质等级的传统发酵金鲳检测样品的过程中，将若干传统发酵金鲳去皮去骨后，每条鱼从起点开始向尾部方向依次以中线和上表层为基点制取2cm
×
2cm
×
1cm的待测块状样品；
[0011]将待测块状样品，采用液氮冷却后研磨5
‑
8s，每个样品重复研磨3次，制得传统发酵金鲳粉末状样品。
[0012]优选地，在提取宏基因组DNA的过程中，采用Omniscripy RT kit提取宏基因组DNA，通过单分子实时测序对不同样品的DNA进行测序，通过对CCS序列进行过滤、聚类，并进行物种注释和丰度分析，获取物种丰度数据。
[0013]优选地，在获取物种丰度数据的过程中，还包括以下步骤：
[0014]PCR扩增程序为：95℃预变性2min；98℃变性10s,55℃退火30s，72℃延伸90s，共循环30次；72℃终端延伸2min；
[0015]CCS序列识别：根据minPasses≥5,minPredictedAccuracy≥0.9识别初始CCS序列。
[0016]优选地，在对CCS序列进行过滤的过程中，通过识别barcode序列，识别不同样品的初始CCS序列，并去除嵌合体，得到高质量的CCS序列。
[0017]优选地，在对CCS序列进行聚类的过程中，基于CCS序列，在相似性97％的水平上对序列进行聚类，获取特征序列，其中，以所有序列数的0.005％作为阈值过滤OTUs；
[0018]以SILVA为参考数据库，使用朴素贝叶斯分类器结合比对的方法，对特征序列进行分类学注释，得到每个特征对应的物种分类信息，并在各个水平统计各样品群落组成，利用QIME软件获得不同分类水平的物种丰度表，其中，各个水平包括门、纲、目、科、属。
[0019]优选地，在对神经网络模型进行训练的过程中，利用mapminmax函数将训练样本数据归一化到[0,1]之间，其计算公式为：
[0020]y＝(y
max
‑
y
min
)
×
(x
‑
x
min
)/(x
max
‑
x
min
)+y
min
[0021]其中，y为归一化之后的值，x
max
为样本数据的最大值，x
min
为样本数据的最小值。
[0022]优选地，在对神经网络模型进行训练的过程中，tansig函数的表达式为：purelin函数的表达式为y＝x。
[0023]优选地，在对神经网络模型进行训练的过程中，基于梯度下降法对网络权值和阈值进行调整，其中，
[0024]隐含层到输出层的权值：w
jk
＝w
jk
+ηH
j
e
k
；
[0025]输入层到隐含层的权值：
[0026]隐含层到输出层的阈值：b
k
＝b
k
+ηe
k
；
[0027]输入层到输出层的阈值：
[0028]其中：w
ij
为输出层到隐藏层的权值，w
jk
为隐藏层到输出层的权值，b
k
为隐含层到输出层的阈值，a
j
为输入层到隐含层的阈值，η为学习速率，H
j
为隐含层输出。
[0029]基于单分子测序的发酵金鲳深度学习质量判别系统，包括：
[0030]数据采集模块，用于通过制备不同品质等级的传统发酵金鲳粉末状样品，传统发酵金鲳粉末状样品用于单分子实时测序进行微生物群落结构分析；提取传统发酵金鲳粉末状样品的宏基因组DNA，并检验片段完整度、纯度及浓度；
[0031]样本构建模块，用于基于宏基因组DNA，获取发酵金鲳样品的物种丰度数据，作为神经网络模型的训练样本数据；
[0032]数据识别模块，用于通过训练样本数据，对神经网络模型进行训练，并使用训练好的神经网络模型，对不同传统发酵金鲳的品质等级进行判别，其中，神经网络模型采用tansig作为隐藏层传递函数，采用purel本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于单分子测序的发酵金鲳深度学习质量判别方法，其特征在于，包括以下步骤：制备不同品质等级的传统发酵金鲳粉末状样品，所述传统发酵金鲳粉末状样品用于单分子实时测序进行微生物群落结构分析；提取所述传统发酵金鲳粉末状样品的宏基因组DNA，并检验片段完整度、纯度及浓度；基于所述宏基因组DNA，获取所述发酵金鲳样品的物种丰度数据，作为神经网络模型的训练样本数据；通过所述训练样本数据，对所述神经网络模型进行训练，并使用训练好的所述神经网络模型，对不同传统发酵金鲳的品质等级进行判别，其中，所述神经网络模型采用tansig作为隐藏层传递函数，采用purelin函数作为输出层传递函数，采用梯度下降法进行训练。2.根据权利要求1所述基于单分子测序的发酵金鲳深度学习质量判别方法，其特征在于：在制备不同品质等级的传统发酵金鲳检测样品的过程中，将若干传统发酵金鲳去皮去骨后，每条鱼从起点开始向尾部方向依次以中线和上表层为基点制取2cm
×
2cm
×
1cm的待测块状样品；将所述待测块状样品，采用液氮冷却后研磨5
‑
8s，每个样品重复研磨3次，制得所述传统发酵金鲳粉末状样品。3.根据权利要求2所述基于单分子测序的发酵金鲳深度学习质量判别方法，其特征在于：在提取宏基因组DNA的过程中，采用Omniscripy RT kit提取所述所述宏基因组DNA，通过单分子实时测序对不同样品的DNA进行测序，通过对CCS序列进行过滤、聚类，并进行物种注释和丰度分析，获取所述物种丰度数据。4.根据权利要求3所述基于单分子测序的发酵金鲳深度学习质量判别方法，其特征在于：在获取所述物种丰度数据的过程中，还包括以下步骤：PCR扩增程序为：95℃预变性2min；98℃变性10s,55℃退火30s，72℃延伸90s，共循环30次；72℃终端延伸2min；CCS序列识别：根据minPasses≥5,minPredictedAccuracy≥0.9识别初始CCS序列。5.根据权利要求4所述基于单分子测序的发酵金鲳深度学习质量判别方法，其特征在于：在对CCS序列进行过滤的过程中，通过识别barcode序列，识别不同样品的所述初始CCS序列，并去除嵌合体，得到高质量的所述CCS序列。6.根据权利要求5所述基于单分子测序的发酵金鲳深度学习质量判别方法，其特征在于：在对CCS序列进行聚类的过程中，基于所述CCS序列，在相似性97％的水平上对序列进行聚类，获取特征序列，其中，以所有序列数的0.005％作为阈值过滤OTUs；以SILVA为参考数据库，使用朴素贝叶斯分类器结合比对的方法，对所述特征序列进行分类学注释，得到每个特征对应的物种分类信息，并在各个水平统计各样品群落组成，利用QIME软件获得不同分类水平的物种丰度表，其...

【专利技术属性】
技术研发人员：王悦齐，吴燕燕，陈茜，相欢，李春生，赵永强，陈胜军，杨少玲，蔡秋杏，李来好，
申请(专利权)人：北部湾大学，
类型：发明
国别省市：