本發(fā)明涉及微生物組數(shù)據(jù)分析，尤其涉及基于微生物組分層特征自適應(yīng)融合的疾病預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著高通量測(cè)序技術(shù)的快速發(fā)展，微生物組學(xué)研究在近年來(lái)取得了顯著進(jìn)展。作為人體內(nèi)部的微型生態(tài)系統(tǒng)，微生物群落與人類健康密切相關(guān)，特別是腸道微生物組與神經(jīng)系統(tǒng)之間的“腸-腦軸”關(guān)系已被多項(xiàng)研究證實(shí)。微生物組數(shù)據(jù)分析在神經(jīng)系統(tǒng)疾病診斷領(lǐng)域展現(xiàn)出巨大的潛力和價(jià)值，為早期診斷和預(yù)后評(píng)估提供了新的視角和方法。

2、然而，與傳統(tǒng)臨床數(shù)據(jù)不同，微生物組數(shù)據(jù)具有顯著的特殊性，給數(shù)據(jù)分析帶來(lái)了嚴(yán)峻挑戰(zhàn)：首先，微生物組數(shù)據(jù)具有高維度、高噪聲和高稀疏性的特點(diǎn)，常常包含數(shù)千甚至數(shù)萬(wàn)個(gè)特征，而樣本量通常較小，容易導(dǎo)致模型過(guò)擬合；其次，微生物組數(shù)據(jù)呈現(xiàn)明顯的層級(jí)結(jié)構(gòu)特征，從門、綱、目、科到屬的分類層級(jí)反映了微生物的進(jìn)化關(guān)系和功能特性，這種結(jié)構(gòu)信息對(duì)疾病診斷具有重要價(jià)值，但傳統(tǒng)分析方法往往無(wú)法有效利用；此外，微生物組數(shù)據(jù)還具有多維表征需求，一個(gè)微生物群落的特征可以從個(gè)體特性、群落結(jié)構(gòu)模式和環(huán)境依賴性等多個(gè)角度進(jìn)行解讀，單一維度的特征提取難以全面捕捉微生物組的復(fù)雜特性；最后，在多疾病分類場(chǎng)景下，不同疾病的樣本通常存在數(shù)量不平衡問(wèn)題，如何在保持模型穩(wěn)定性的同時(shí)兼顧各類疾病的診斷準(zhǔn)確性，是微生物組數(shù)據(jù)分析面臨的另一大挑戰(zhàn)。

3、現(xiàn)有的微生物組數(shù)據(jù)疾病預(yù)測(cè)方法主要包括：基于機(jī)器學(xué)習(xí)的分類方法，如隨機(jī)森林、支持向量機(jī)、梯度提升決策樹等；以及新興的深度學(xué)習(xí)方法，如多層感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等。然而，這些方法普遍存在以下局限：一是無(wú)法充分利用微生物分類學(xué)的層級(jí)知識(shí)，忽略了不同分類層級(jí)間的信息互補(bǔ)性；二是特征提取能力有限，難以同時(shí)捕捉微生物組數(shù)據(jù)的結(jié)構(gòu)化模式、環(huán)境依賴性特征和個(gè)體特性；三是對(duì)樣本不平衡問(wèn)題考慮不足，在多疾病分類場(chǎng)景下性能不穩(wěn)定。

4、因此，亟需開(kāi)發(fā)一種能夠充分利用微生物分類層級(jí)信息、實(shí)現(xiàn)多維度特征表征、有效應(yīng)對(duì)樣本不平衡問(wèn)題的預(yù)測(cè)方法，以提高神經(jīng)系統(tǒng)疾病的診斷準(zhǔn)確率和穩(wěn)定性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有技術(shù)中的問(wèn)題。

2、本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：提供一種基于微生物組分層特征自適應(yīng)融合的疾病預(yù)測(cè)方法，包括以下步驟：

3、對(duì)多源微生物組數(shù)據(jù)樣本進(jìn)行預(yù)處理，獲得包含門、綱、目、科、屬五個(gè)層級(jí)的分層特征數(shù)據(jù)樣本；

4、構(gòu)建疾病預(yù)測(cè)模型，利用分層特征數(shù)據(jù)樣本進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中結(jié)合類別平衡機(jī)制和多維度不確定性評(píng)估策略，動(dòng)態(tài)調(diào)整樣本采樣權(quán)重；

5、使用訓(xùn)練好的疾病預(yù)測(cè)模型，基于微生物組數(shù)據(jù)進(jìn)行疾病預(yù)測(cè)；

6、所述疾病預(yù)測(cè)模型中，分層特征提取模塊對(duì)五個(gè)分類層級(jí)的分層特征數(shù)據(jù)進(jìn)行多層次特征提取，整合得到包含分層信息的多級(jí)融合特征；多尺度特征融合模塊通過(guò)三條并行通路處理多級(jí)融合特征，分別輸出包含結(jié)構(gòu)化信息、環(huán)境依賴信息和個(gè)體特征信息的特征，再通過(guò)動(dòng)態(tài)加權(quán)融合機(jī)制整合三條通路輸出的特征，得到多維度融合特征；分類器基于多尺度融合特征進(jìn)行疾病預(yù)測(cè)。

7、優(yōu)選的，所述分層特征提取模塊獲得多級(jí)融合特征的過(guò)程，包括以下步驟：

8、層次特征提取組件提取五個(gè)層級(jí)的特征并組合得到層級(jí)特征表示，表示為：

9、；

10、；

11、；

12、其中，、、、、分別表示門、綱、目、科、屬五個(gè)層級(jí)的特征；每個(gè)層級(jí)的特征是由該層級(jí)下所有分類單元的聚合豐度組成的向量，，表示輸入疾病預(yù)測(cè)模型的數(shù)據(jù)矩陣，表示對(duì)應(yīng)于分類單元的特征向量；是分類單元的所有后代分類單元組成的集合，通過(guò)遞歸使用子節(jié)點(diǎn)映射計(jì)算得到，為中的一個(gè)分類單元元素記錄所有后代的集合；記錄了以分類單元為父節(jié)點(diǎn)的所有子分類單元的集合，通過(guò)對(duì)映射中的父子關(guān)系信息進(jìn)行反向映射構(gòu)建的；為已知數(shù)據(jù)，記錄了每個(gè)微生物分類單元的五個(gè)層級(jí)和父節(jié)點(diǎn)信息；

13、分類層級(jí)權(quán)重組件動(dòng)態(tài)調(diào)整特征權(quán)重，從而得到加權(quán)特征表示，表示為：

14、；

15、；

16、其中，x表示樣本數(shù)據(jù)矩陣；是分類單元所在層級(jí)的基礎(chǔ)權(quán)重，衡量特征的判別能力，表示特征的稀疏程度，和是平衡參數(shù)，表示以調(diào)整后權(quán)重向量為對(duì)角元素的對(duì)角矩陣；

17、分類關(guān)系建模組件基于特征之間的分類路徑和進(jìn)化距離構(gòu)建多維關(guān)系矩陣，通過(guò)多維關(guān)系矩陣計(jì)算關(guān)系特征表示，表示為：

18、；

19、；

20、；

21、其中，表示特征和的共同路徑長(zhǎng)度，和分別代表到達(dá)特征和的完整分類路徑長(zhǎng)度；表示特征和之間的進(jìn)化距離，為控制距離影響強(qiáng)度的參數(shù)；

22、通過(guò)特征融合得到多級(jí)融合特征，表示為：

23、；

24、是可學(xué)習(xí)的融合權(quán)重矩陣，通過(guò)梯度下降法在訓(xùn)練過(guò)程中優(yōu)化。

25、優(yōu)選的，所述多尺度特征融合模塊以多級(jí)融合特征作為輸入特征，通過(guò)三條并行通路處理多級(jí)融合特征，最后計(jì)算得到多維度融合特征，包括以下步驟：

26、模式流通路采用相關(guān)性注意力機(jī)制處理輸入特征，得到模式流輸出特征，表示為：

27、；

28、；

29、；

30、其中，、、分別是查詢、鍵和值的可學(xué)習(xí)權(quán)重矩陣，、、分別表示學(xué)習(xí)得到的查詢、鍵和值投影，為縮放因子，用于確保訓(xùn)練過(guò)程中梯度流的穩(wěn)定性；

31、上下文流通路采用全局范圍處理模塊通過(guò)計(jì)算輸入特征之間的相似度矩陣建立長(zhǎng)程依賴關(guān)系，并通過(guò)上下文流的前饋神經(jīng)網(wǎng)絡(luò)計(jì)算上下流輸出特征，表示為：

32、；

33、；

34、其中，表示全局注意力操作，和分別表示兩個(gè)全連接層操作，為激活函數(shù)，為防止過(guò)擬合的操作；

35、內(nèi)容流通路通過(guò)相似度映射機(jī)制和通道聚焦模塊處理輸入特征，得到內(nèi)容流輸出特征，表示為：

36、；

37、；

38、其中，和是可學(xué)習(xí)的權(quán)重矩陣，是激活函數(shù)，是注意力映射矩陣，表示通道聚焦操作；

39、計(jì)算每個(gè)通路的重要性權(quán)重，然后基于權(quán)重對(duì)每個(gè)通路的輸出特征進(jìn)行加權(quán)組合，得到多維度融合特征，表示為：

40、；

41、；

42、其中，表示對(duì)應(yīng)三個(gè)通路的可學(xué)習(xí)融合權(quán)重，表示對(duì)應(yīng)三個(gè)通路的可學(xué)習(xí)的權(quán)重向量，表示全局池化操作，表示對(duì)應(yīng)三個(gè)通路的輸出特征；表示模式流通路，表示上下流通路，表示內(nèi)容流通路。

43、優(yōu)選的，通過(guò)分類器對(duì)多維度融合特征進(jìn)行疾病預(yù)測(cè)，具體為：通過(guò)隨機(jī)森林分類器對(duì)多尺度融合特征進(jìn)行疾病預(yù)測(cè)，輸出分類結(jié)果及置信度。

44、優(yōu)選的，所述分類模式可根據(jù)實(shí)際預(yù)測(cè)需求配置為二分類或多分類；

45、在二分類設(shè)置中，分類結(jié)果區(qū)分為疾病狀態(tài)和非疾病狀態(tài)；

46、在多分類設(shè)置中，分類結(jié)果可識(shí)別并區(qū)分為多種不同疾病類型。

47、優(yōu)選的，所述動(dòng)態(tài)調(diào)整樣本采樣權(quán)重通過(guò)動(dòng)態(tài)采樣模塊實(shí)現(xiàn)，包括以下步驟：

48、基于類別平衡機(jī)制計(jì)算基礎(chǔ)權(quán)重，表示為：

49、；

50、；

51、；

52、；

53、其中，表示樣本的基礎(chǔ)權(quán)重；表示樣本所屬類別的綜合權(quán)重；是疾病級(jí)別權(quán)重，表示類別的反頻率權(quán)重；是疾病間權(quán)重，表示類別間相對(duì)樣本分布的歸一化權(quán)重；是疾病類別中的樣本數(shù)量，是總樣本數(shù)，是疾病類別總數(shù)；

54、基于多維度不確定性評(píng)估機(jī)制計(jì)算復(fù)合不確定性得分，表示為：

55、；

56、；

57、；

58、；

59、；

60、其中，表示樣本的復(fù)合不確定性得分；、和分別是樣本的歸一化后的熵值、置信度差異和類間差異，、和均表示權(quán)重系數(shù)；表示輸入屬于類別的預(yù)測(cè)概率，表示類別的未歸一化邏輯輸出；表示樣本被正確分類的概率；表示按降序排列后的第個(gè)預(yù)測(cè)概率；

61、結(jié)合基礎(chǔ)權(quán)重和復(fù)合不確定性得分計(jì)算綜合權(quán)重，表示為：

62、；

63、；

64、其中，表示當(dāng)前迭代次數(shù)，表示最大迭代次數(shù)，是控制不確定性權(quán)重比例的參數(shù)，隨著訓(xùn)練進(jìn)行逐漸增加但不超過(guò)預(yù)設(shè)的最大值。

65、優(yōu)選的，所述動(dòng)態(tài)采樣模塊還包括溫度參數(shù)調(diào)節(jié)機(jī)制，表示為：

66、；

67、；

68、其中，和分別是溫度參數(shù)的最小值和最大值，是溫度降低速率，訓(xùn)練初期采用較高溫度使采樣更加均勻，訓(xùn)練后期降低溫度使采樣更加聚焦于高權(quán)重樣本。表示樣本在第次迭代中的最終采樣權(quán)重計(jì)算。

69、優(yōu)選的，所述使用訓(xùn)練好的疾病預(yù)測(cè)模型，基于微生物組數(shù)據(jù)進(jìn)行疾病預(yù)測(cè)，包括以下步驟：

70、采集待檢測(cè)的微生物組數(shù)據(jù)并進(jìn)行預(yù)處理，獲得包含門、綱、目、科、屬五個(gè)層級(jí)的分層特征數(shù)據(jù)；

71、將分層特征數(shù)據(jù)輸入訓(xùn)練好的疾病預(yù)測(cè)模型，得到分類結(jié)果及置信度。

72、本發(fā)明還提供一種基于微生物組分層特征自適應(yīng)融合的疾病預(yù)測(cè)系統(tǒng)，包括：

73、預(yù)處理模塊，對(duì)多源微生物組數(shù)據(jù)樣本進(jìn)行預(yù)處理，獲得包含門、綱、目、科、屬五個(gè)層級(jí)的分層特征數(shù)據(jù)樣本；

74、訓(xùn)練模塊，構(gòu)建疾病預(yù)測(cè)模型，利用分層特征數(shù)據(jù)樣本進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中結(jié)合類別平衡機(jī)制和多維度不確定性評(píng)估策略，動(dòng)態(tài)調(diào)整樣本采樣權(quán)重；

75、預(yù)測(cè)模塊，使用訓(xùn)練好的疾病預(yù)測(cè)模型，基于微生物組數(shù)據(jù)進(jìn)行疾病預(yù)測(cè)；

76、所述疾病預(yù)測(cè)模型中，分層特征提取模塊對(duì)五個(gè)分類層級(jí)的分層特征數(shù)據(jù)進(jìn)行多層次特征提取，整合得到包含分層信息的多級(jí)融合特征；多尺度特征融合模塊通過(guò)三條并行通路處理多級(jí)融合特征，分別輸出包含結(jié)構(gòu)化信息、環(huán)境依賴信息和個(gè)體特征信息的特征，再通過(guò)動(dòng)態(tài)加權(quán)融合機(jī)制整合三條通路輸出的特征，得到多維度融合特征；分類器基于多尺度融合特征進(jìn)行疾病預(yù)測(cè)。

77、本發(fā)明具有如下有益效果：

78、（1）本發(fā)明通過(guò)分層特征提取模塊顯式建模微生物分類學(xué)的層級(jí)關(guān)系，充分利用微生物分類層級(jí)中蘊(yùn)含的豐富生物學(xué)信息，有效捕獲了門、綱、目、科、屬之間的進(jìn)化和功能聯(lián)系，提高了特征表示的生物學(xué)意義和可解釋性；

79、（2）本發(fā)明設(shè)計(jì)的多尺度特征融合模塊通過(guò)三條并行特征處理流，分別從結(jié)構(gòu)化模式、環(huán)境依賴性和個(gè)體特性三個(gè)維度對(duì)微生物組數(shù)據(jù)進(jìn)行深度解讀，實(shí)現(xiàn)了對(duì)微生物組數(shù)據(jù)的全方位表征，顯著增強(qiáng)了模型識(shí)別復(fù)雜微生物組模式的能力；

80、（3）本發(fā)明的動(dòng)態(tài)采樣模塊結(jié)合類別平衡機(jī)制和多維度不確定性評(píng)估策略，有效解決了多疾病分類場(chǎng)景下的樣本不平衡問(wèn)題，顯著提高了模型對(duì)少數(shù)類疾病和困難樣本的學(xué)習(xí)能力，增強(qiáng)了分類的穩(wěn)定性和準(zhǔn)確性；

81、（4）本發(fā)明采用端到端的訓(xùn)練方式，各模塊協(xié)同優(yōu)化，減少了中間處理步驟，提高了模型的整體性能和泛化能力，為基于微生物組的神經(jīng)系統(tǒng)疾病診斷提供了更加穩(wěn)健的技術(shù)支持。

82、以下結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明，但本發(fā)明不局限于實(shí)施例。