【技术实现步骤摘要】
本专利技术涉及微生物和计算机科学的交叉，尤其涉及一种基于多层神经网络的菌群丰度预测方法及系统。
技术介绍
1、在生态环境中，菌群的丰度是一个重要的生态指标，它对于评估生态系统的健康状况、预测疾病风险等方面都具有重要的意义。然而，由于菌群生长的复杂性以及环境因素的影响，准确预测菌群丰度是一项具有挑战性的任务。传统的菌群丰度预测方法主要基于线性回归模型，这种方法在处理具有高度非线性和复杂性的菌群数据时，预测精度和稳定性较差。
2、近年来，随着深度学习技术的不断发展，多层神经网络在处理复杂非线性问题上取得了显著的成果。与传统的线性回归模型相比，多层神经网络能够更好地捕捉数据中的非线性特征，从而更准确地预测菌群丰度。
3、尽管神经网络在许多领域都取得了成功，但在菌群丰度预测方面仍存在一些技术挑战。首先，菌群数据通常具有高维度和复杂的非线性特性，如何设计有效的神经网络模型以捕捉这些特性是一个关键问题。其次，菌群数据的标注通常非常困难且成本高昂，因此如何利用有限的标注数据训练出性能良好的模型也是一个挑战。此外，由于神经网络的参数众多，如何有效地优化这些参数以获得最佳的预测性能也是一个重要的问题。
4、为了解决这些问题，本申请提出了一种基于多层神经网络的菌群丰度预测方法及系统。该方法针对未知的样品，利用多层神经网络建立浓度预测模型，实现对指定菌群丰度的预测。
技术实现思路
1、本申请的目的是提供一种基于多层神经网络的菌群丰度预测方法及系统，旨在解决上述的问题。
2、为实现上述目的，本申请提供如下技术方案：
3、本申请提供一种基于多层神经网络的菌群丰度预测方法，包括：
4、获取预设菌种在不同浓度的第一标准品溶液对应的实验数据，其中实验数据包括第一信号值、第一浓度值和菌种数量；获取未知浓度样品溶液对应的第二信号值；
5、将所述实验数据输入神经网络模型进行训练，得到浓度预测模型；
6、将所述第二信号值输入至所述浓度预测模型，计算得到未知浓度样品溶液对应的第二浓度值；
7、根据所述第二浓度值配置第二标准品溶液，将所述第二标准品溶液和所述未知浓度样品溶液同时进行上机实验，判断信号过程是否一致；若信号判断为一致，则获取所述第二标准品溶液的总dna测量数据；
8、将所述总dna测量数据和所述实验数据输入组合模型进行训练，得到丰度预测模型；
9、通过所述丰度预测模型与所述第二浓度值输出预设菌种在未知样品溶液的菌丰度。
10、进一步的，在将所述实验数据输入神经网络模型进行训练，得到浓度预测模型的步骤中，具体包括下述步骤：
11、针对预设菌种的m×n个第一标准品溶液，通过实验获取梯度a＝{a1a2…am}和第一信号值c＝{c(1)c(2)…c(m)}；
12、基于{a，c}输入神经网络模型进行训练，得到所述浓度预测模型；
13、计算第一标准品溶液对应的第一浓度值与所述浓度预测模型预测的浓度值的皮尔逊相关系数，检测所述浓度预测模型的性能。
14、进一步的，在将所述第二信号值输入至所述浓度预测模型，计算得到未知浓度样品溶液对应的第二浓度值的步骤中，具体包括下述步骤：
15、采用未知浓度样品溶液，通过pcr实验得到预设菌种的第二信号值{c1c2…dd}；
16、将所述第二信号值输入所述浓度预测模型，计算得到所述第二浓度值{α′1α′2…α′dα′(d+1)}，其中(d+1)为剩余的未知菌种。
17、进一步的，在根据所述第二浓度值配置第二标准品溶液，将所述第二标准品溶液和所述未知浓度样品溶液同时进行上机实验，判断信号过程是否一致；若信号判断为一致，则获取所述第二标准品溶液的总dna测量数据的步骤中，具体包括下述步骤：
18、将所述第二标准品溶液和所述未知浓度样品溶液同时进行qpcr测量，得到一组对照曲线；
19、将未知浓度样品溶液与第二标准品溶液的曲线进行对比，得到两者的距离关系；
20、根据距离关系和浓度换算关系计算未知浓度样品溶液的浓度；
21、将若干个未知浓度样品溶液的浓度和所述浓度预测模型输出的浓度绘制散点图，判断所述浓度预测模型是否有效；
22、若在散点图中两者呈现线性关系，则判断所述浓度预测模型输出的浓度是准确的。
23、进一步的，在获取预设菌种在不同浓度的第一标准品溶液对应的实验数据的步骤后，还包括下述步骤：
24、采用qubit设备对预设菌种a的m×n个第一标准品溶液进行测量，得到总dna的信号值b＝{b(1)b(2)…b(m)}；设定预设菌种a的梯度为a＝{a1a2…am}；
25、计算对应的总dna浓度值t＝{t(1)t(2)…t(m)}，即对任一个梯度αi，对应的信号值为
26、计算总dna浓度值根据浓度预测模型得到预设菌种a的菌种数量，计算梯度ai下n个第一标准品溶液的菌丰度为
27、进一步的，在通过所述丰度预测模型与所述第二浓度值输出预设菌种在未知样品溶液的菌丰度的步骤中，具体包括下述步骤：
28、设定预设菌种为d个菌种，采用qpcr设备测量d个菌种在未知样品溶液的信号值{c1c2…dd}；采用qubit设备测量总dna的信号值b；
29、通过所述浓度预测模型计算得到预设菌种在未知样品溶液中的群落结构信息，包括菌种数量{α1α2…αdα(d+1)}和菌种浓度{α′1α′2…α′dα′(d+1)}，其中(d+1)为剩余的未知菌种；
30、根据菌种浓度α和所述总dna测量数据中的总dna浓度t的比值进行计算，得到预设菌种在未知样品溶液的菌丰度为
31、进一步的，所述第二标准品溶液的配置过程包括：
32、根据所述未知浓度样品溶液的第二浓度值预测预设区间，配置在预设区间的第二标准品溶液后和所述未知浓度样品溶液一同上机，检测所述浓度预测模型的对应区间是否与预设区间一致。
33、本申请提供一种基于多层神经网络的菌群丰度预测系统，包括：
34、获取模块：获取预设菌种在不同浓度的第一标准品溶液对应的实验数据，其中实验数据包括第一信号值、第一浓度值和菌种数量；获取未知浓度样品溶液对应的第二信号值；
35、训练模块：将所述实验数据输入神经网络模型进行训练，得到浓度预测模型；
36、计算模块：将所述第二信号值输入至所述浓度预测模型，计算得到未知浓度样品溶液对应的第二浓度值；
37、判断模块：根据所述第二浓度值配置第二标准品溶液，将所述第二标准品溶液和所述未知浓度样品溶液同时进行上机实验，判断信号过程是否一致；若信号判断为一致，则获取所述第二标准品溶液的总dna测量数据；
38、输出模块：将所述总dna测量数据和所述实验数据输入组合模型进行训练，得到丰度预测模型；通过所述丰度预测模本文档来自技高网...
【技术保护点】
1.一种基于多层神经网络的菌群丰度预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法，其特征在于，在将所述实验数据输入神经网络模型进行训练，得到浓度预测模型的步骤中，具体包括下述步骤：
3.根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法，其特征在于，在将所述第二信号值输入至所述浓度预测模型，计算得到未知浓度样品溶液对应的第二浓度值的步骤中，具体包括下述步骤：
4.根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法，其特征在于，在根据所述第二浓度值配置第二标准品溶液，将所述第二标准品溶液和所述未知浓度样品溶液同时进行上机实验，判断信号过程是否一致；若信号判断为一致，则获取所述第二标准品溶液的总DNA测量数据的步骤中，具体包括下述步骤：
5.根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法，其特征在于，在获取预设菌种在不同浓度的第一标准品溶液对应的实验数据的步骤后，还包括下述步骤：
6.根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法，其特征在
7.根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法，其特征在于，所述第二标准品溶液的配置过程包括：
8.一种根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法的系统，其特征在于，包括：
9.一种设备，其特征在于，所述设备包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于实现权利要求1-7任一项所述的一种基于多层神经网络的菌群丰度预测方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以实现一种基于多层神经网络的菌群丰度预测。
10.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1-7任一项所述的一种基于多层神经网络的菌群丰度预测方法。
...【技术特征摘要】
1.一种基于多层神经网络的菌群丰度预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法，其特征在于，在将所述实验数据输入神经网络模型进行训练，得到浓度预测模型的步骤中，具体包括下述步骤：
3.根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法，其特征在于，在将所述第二信号值输入至所述浓度预测模型，计算得到未知浓度样品溶液对应的第二浓度值的步骤中，具体包括下述步骤：
4.根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法，其特征在于，在根据所述第二浓度值配置第二标准品溶液，将所述第二标准品溶液和所述未知浓度样品溶液同时进行上机实验，判断信号过程是否一致；若信号判断为一致，则获取所述第二标准品溶液的总dna测量数据的步骤中，具体包括下述步骤：
5.根据权利要求1所述的一种基于多层神经网络的菌群丰度预测方法，其特征在于，在获取预设菌种在不同浓度的第一标准品溶液对应的实验数据的步...
【专利技术属性】
技术研发人员：王俊，胡吉，曹红志，陈君怡，孟星宇，刘隽燕，周炎晖，张丽莉，黎浩，李英睿，
申请(专利权)人：深圳微伴医学检验实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。