一種面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法及其系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開一種面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法及其系統(tǒng)，所述方法為：A、接收輸入的代謝組特征數(shù)據(jù)，將其分割為多個(gè)數(shù)據(jù)塊，并將該多個(gè)數(shù)據(jù)塊映射送入映射規(guī)約框架中的各個(gè)運(yùn)算節(jié)點(diǎn)中；B、利用計(jì)算智能方法同時(shí)對(duì)多個(gè)數(shù)據(jù)塊上的加權(quán)權(quán)值進(jìn)行優(yōu)化；C、將優(yōu)化后的多個(gè)數(shù)據(jù)塊加權(quán)權(quán)值合并為整體代謝組特征數(shù)據(jù)的加權(quán)權(quán)值并輸出。本發(fā)明系統(tǒng)的數(shù)據(jù)分塊處理機(jī)制降低了加權(quán)分析難度，有效提升了預(yù)測準(zhǔn)確性。且并行化結(jié)構(gòu)使系統(tǒng)可部署至多個(gè)計(jì)算節(jié)點(diǎn)，顯著減少運(yùn)算時(shí)間的同時(shí)能夠保證系統(tǒng)的效率與穩(wěn)定性。本系統(tǒng)應(yīng)用的計(jì)算智能算法可有效地解決復(fù)雜的大規(guī)模優(yōu)化問題。其預(yù)測準(zhǔn)確性優(yōu)于現(xiàn)有算法，從而實(shí)現(xiàn)可對(duì)目標(biāo)生理狀態(tài)進(jìn)行更為有效的預(yù)估。
【專利說明】一種面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法及其系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及生物信息學(xué)領(lǐng)域，尤其涉及一種面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方 法及其系統(tǒng)。

【背景技術(shù)】
[0002] 代謝物是生物體內(nèi)完成代謝過程的小分子有機(jī)化合物總稱，包含了豐富的生理狀 態(tài)信息。代謝組學(xué)是代謝物的整體系統(tǒng)性研究方法，可有效揭示代謝現(xiàn)象背后的生化機(jī)理。 與傳統(tǒng)研究方法相比，代謝組學(xué)被認(rèn)為可更全面地展示生命體的真實(shí)狀態(tài)。因此獲得了越 來越多的重視，被廣泛應(yīng)用于諸多科研與實(shí)用領(lǐng)域中。
[0003] 代謝物經(jīng)采集、檢測獲得的信號(hào)數(shù)據(jù)，稱為代謝組特征數(shù)據(jù)，是代謝組學(xué)的研究基 本對(duì)象。通常使用機(jī)器學(xué)習(xí)方法對(duì)其進(jìn)行分析，以挖掘其中的生理狀態(tài)信息。現(xiàn)有技術(shù)一般 使用基于特征選擇（Feature Selection)的機(jī)器學(xué)習(xí)算法對(duì)代謝組特征數(shù)據(jù)進(jìn)行分析，其 主要包含兩個(gè)部分：（1).使用特征選擇對(duì)輸入數(shù)據(jù)進(jìn)行降維運(yùn)算，以厘清其中重要的特征 信號(hào)以及其所對(duì)應(yīng)的代謝物質(zhì)，并消除無關(guān)噪聲，從而提升預(yù)測算法性能。目前常用的特征 選擇方法包括主成份分析（Principal Component Analysis, PCA)、線性判別分析（Linear Discriminant Analysis, LDA)以及最小冗余最大關(guān)聯(lián)（Minimum Redundancy Maximum ReleVanCe，mRMR)選擇等。（2).使用分類/回歸算法對(duì)降維后的數(shù)據(jù)進(jìn)行預(yù)測學(xué)習(xí)，估計(jì) 輸入特征所可能產(chǎn)生的生理結(jié)果，以指導(dǎo)后續(xù)醫(yī)療、科研等相關(guān)工作。目前常用的分類/回 歸算法包括 k_ 近鄰算法（k-Nearest Neighbor, k-ΝΝ)、線性回歸（Linear Regression)、邏 輯回歸（Logistic Regression)以及支持向量機(jī)（Support Vector Machine, SVM)等。但 由于代謝組特征數(shù)據(jù)一般都具有規(guī)模龐大、特征維度高、包含大量噪聲、以及特征信號(hào)與目 標(biāo)狀態(tài)間呈非線性關(guān)系等特點(diǎn)。上述的傳統(tǒng)方法往往難以在合理運(yùn)算時(shí)間內(nèi)獲得令人滿意 的學(xué)習(xí)結(jié)果。
[0004] 特征加權(quán)分析（Feature Weighting)是特征選擇當(dāng)權(quán)值可取得[0, 1]范圍內(nèi)任意 實(shí)數(shù)值時(shí)的泛化形式。與特征選擇相比，特征加權(quán)更適合被用于代謝組特征數(shù)據(jù)的分析：首 先，現(xiàn)有研究表明，特征加權(quán)可獲得比特征選擇更佳的預(yù)測效果提升能力，所形成的系統(tǒng)可 對(duì)目標(biāo)生理狀態(tài)進(jìn)行更為精確的估計(jì)。其次，加權(quán)權(quán)值為連續(xù)數(shù)值，可更為準(zhǔn)確地描述所對(duì) 應(yīng)代謝物信號(hào)與目標(biāo)狀態(tài)間的具體關(guān)聯(lián)，這一信息對(duì)后續(xù)相關(guān)研究具有重要價(jià)值。但代謝 組特征數(shù)據(jù)規(guī)模龐大、維度較高，其特征加權(quán)屬于復(fù)雜的大規(guī)模多模優(yōu)化問題，難以使用傳 統(tǒng)數(shù)學(xué)方法進(jìn)行處理。因此嚴(yán)重限制了其實(shí)際運(yùn)用。
[0005] 現(xiàn)有針對(duì)代謝組特征數(shù)據(jù)的機(jī)器學(xué)習(xí)算法，其主要缺陷在于：
[0006] 其一，特征選擇中的權(quán)值僅能取得{0, 1}兩個(gè)離散值，而無法對(duì)代謝物信號(hào)的重 要性差異進(jìn)行更為精確的描述。例如，若兩種代謝物質(zhì)對(duì)目標(biāo)生理狀態(tài)都具有影響，但其程 度有所差別，則其所對(duì)應(yīng)信號(hào)的權(quán)值也應(yīng)各不相同。影響較大的代謝物信號(hào)權(quán)值也應(yīng)較大， 反之亦然。但特征選擇僅能賦予〇或1兩種權(quán)值，難以描述此類差異性。導(dǎo)致重要的生物 學(xué)信息丟失。
[0007] 其二，特征加權(quán)算法中權(quán)值設(shè)定難度較大，目前缺少行之有效的解決方法。特別是 對(duì)于大數(shù)據(jù)上的特征加權(quán)，現(xiàn)有算法都難以進(jìn)行有效處理，而僅能近求解。從而嚴(yán)重影響了 分析性能。
[0008] 其三，現(xiàn)有機(jī)器學(xué)習(xí)技術(shù)主要針對(duì)小規(guī)模數(shù)據(jù)進(jìn)行設(shè)計(jì)，并未考慮代謝組特征的 大數(shù)據(jù)情況。這往往造成面對(duì)龐大數(shù)據(jù)時(shí)，分類/回歸算法性能顯著下降，運(yùn)算時(shí)間指數(shù)增 力口。另外現(xiàn)有算法的運(yùn)算復(fù)雜度較高，且架構(gòu)上難以并行化處理，導(dǎo)致無法在合理時(shí)間內(nèi)對(duì) 代謝組大數(shù)據(jù)進(jìn)行有效分析。
[0009] 因此，現(xiàn)有技術(shù)還有待于改進(jìn)和發(fā)展。


【發(fā)明內(nèi)容】

[0010] 鑒于上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種面向大數(shù)據(jù)的代謝組特征 數(shù)據(jù)分析方法及其系統(tǒng)，旨在解決目前數(shù)據(jù)分析方法無法對(duì)代謝組大數(shù)據(jù)進(jìn)行快速有效分 析的問題。
[0011] 本發(fā)明的技術(shù)方案如下：
[0012] 一種面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其中，所述方法包括以下步驟：
[0013] A、接收輸入的代謝組特征數(shù)據(jù)，將其分割為多個(gè)數(shù)據(jù)塊，并將該多個(gè)數(shù)據(jù)塊映射 送入映射規(guī)約（MapReduce)框架中的各個(gè)運(yùn)算節(jié)點(diǎn)中；
[0014] B、利用計(jì)算智能方法同時(shí)對(duì)多個(gè)數(shù)據(jù)塊上的加權(quán)權(quán)值進(jìn)行優(yōu)化；
[0015] C、將優(yōu)化后的多個(gè)數(shù)據(jù)塊加權(quán)權(quán)值合并為整體代謝組特征數(shù)據(jù)的加權(quán)權(quán)值并輸 出。
[0016] 所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其中，所述代謝組特征數(shù)據(jù)表示 為代謝組特征數(shù)據(jù)集F = F2, .. .，F(xiàn)#}，其中Fn = [f\，f2，…，fD]為第η個(gè)特征矢量， Ν為數(shù)據(jù)集大小，D為特征矢量總維數(shù)；所述多個(gè)數(shù)據(jù)塊的數(shù)量為Μ，且每個(gè)數(shù)據(jù)塊包含L = D/Μ個(gè)元素，設(shè)定系統(tǒng)總迭代次數(shù)為K次。
[0017] 所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其中，所述步驟A具體為：
[0018] A1、讀取初始化迭代計(jì)數(shù)器k并對(duì)所讀數(shù)值進(jìn)行判斷，當(dāng)k = 0時(shí)，構(gòu)造 D維加權(quán) 矢量I，其值初始化為[0，1]范圍內(nèi)的隨機(jī)值，當(dāng)k>0時(shí)，將上一次迭代的輸出權(quán)值作為本 次加權(quán)矢量的初始值，即w k = wk_lt)
[0019] A2、構(gòu)造包含Μ個(gè)空集的數(shù)據(jù)塊集1= {Bi = 0，B2 = 0，._.，Βμ=0}，以及包 含所有索引值的索引矢量D = [1，2, 3,…，D]，并初始化數(shù)據(jù)塊計(jì)數(shù)器m = 0。
[0020] A3、構(gòu)造子索引矢量/? = 0子加權(quán)矢量= 以及子特征矢量集 = {F"u，F(xiàn)m,2,…，，其中任意子特征矢量有二0，并初始化塊內(nèi)計(jì)數(shù)器1 = 0〇
[0021] A4、從索引矢量D中隨機(jī)選擇一索引值d加入子索引矢量1_"中，同時(shí)將索引值d從 D中移除，將加權(quán)矢量Wk在第d維上的權(quán)值wd加入子加權(quán)矢量\m，輪流取得代謝組特征數(shù) 據(jù)集獷中每個(gè)特征矢量 Fn，將其在第d維上的特征信號(hào)值fd加入Fm的第η個(gè)子特征矢量 Fm,"〇
[0022] A5、更新塊內(nèi)計(jì)數(shù)器1 = 1+1，并判斷1是否小于L，若是，則跳轉(zhuǎn)至步驟A2,若否， 則執(zhí)行步驟A6。
[0023] A6、添加當(dāng)前數(shù)據(jù)塊為BM二砂^,", F,"}，并更新數(shù)據(jù)塊計(jì)數(shù)器m = m+Ι。并判 斷m是否小于M，若是，則跳轉(zhuǎn)至步驟A1，若否，則執(zhí)行步驟A7。
[0024] A7、將分割后的數(shù)據(jù)塊集映射送入映射規(guī)約框架中的各個(gè)運(yùn)算節(jié)點(diǎn)。
[0025] 所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其中，所述步驟A1之前還包括： 初始化迭代計(jì)數(shù)器k = 0,
[0026] 所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其中，所述步驟B具體為：
[0027] B1、針對(duì)數(shù)據(jù)塊Bm= ，構(gòu)造計(jì)算智能方法的進(jìn)化種群ps，其中每 個(gè)尋優(yōu)個(gè)體的候選解為L維矢量Xi，其中i = 1，2,…，| ps |，該Xi值初始化為Xi = Wk，m ;
[0028] B2、設(shè)置計(jì)算智能方法最大迭代次數(shù)為G，初始化迭代計(jì)數(shù)器g = 0 ;
[0029] B3、計(jì)算進(jìn)化種群ps中每個(gè)尋優(yōu)個(gè)體的適應(yīng)度函數(shù)值，并根據(jù)各尋優(yōu)個(gè)體的適應(yīng) 度函數(shù)值，使用計(jì)算智能方法優(yōu)化進(jìn)化種群ps ;
[0030] B4、更新迭代計(jì)數(shù)器g = g+Ι，并判斷g是否小于G，若是，則跳轉(zhuǎn)至步驟B3,若否， 則執(zhí)行步驟B5 ;
[0031] B5、將種群中最優(yōu)個(gè)體的候選解Xbest作為優(yōu)化取得的最佳子加權(quán)矢量\m，即
[0032]

【權(quán)利要求】
1. 一種面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其特征在于，所述方法包括以下步 驟： A、 接收輸入的代謝組特征數(shù)據(jù)，將其分割為多個(gè)數(shù)據(jù)塊，并將該多個(gè)數(shù)據(jù)塊映射送入 映射規(guī)約框架中的各個(gè)運(yùn)算節(jié)點(diǎn)中； B、 利用計(jì)算智能方法同時(shí)對(duì)多個(gè)數(shù)據(jù)塊上的加權(quán)權(quán)值進(jìn)行優(yōu)化； C、 將優(yōu)化后的多個(gè)數(shù)據(jù)塊加權(quán)權(quán)值合并為整體代謝組特征數(shù)據(jù)的加權(quán)權(quán)值并輸出。
2. 根據(jù)權(quán)利要求1所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其特征在于，所述 代謝組特征數(shù)據(jù)表示為代謝組特征數(shù)據(jù)集F = {A，F(xiàn)2, 其中Fn= [f\，f2，… ，fD]為第η個(gè)特征矢量，N為數(shù)據(jù)集大小，D為特征矢量總維數(shù)；所述多個(gè)數(shù)據(jù)塊的數(shù)量為 M,且每個(gè)數(shù)據(jù)塊包含L = D/Μ個(gè)元素，設(shè)定系統(tǒng)總迭代次數(shù)為K次。
3. 根據(jù)權(quán)利要求2所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其特征在于，所述 步驟A具體為： A1、讀取初始化迭代計(jì)數(shù)器k并對(duì)所讀數(shù)值進(jìn)行判斷，當(dāng)k = 0時(shí)，構(gòu)造 D維加權(quán)矢量 W。，其值初始化為[0, 1]范圍內(nèi)的隨機(jī)值，當(dāng)k>0時(shí)，將上一次迭代的輸出權(quán)值作為本次加 權(quán)矢量的初始值，即Wk = Wg ; A2、構(gòu)造包含Μ個(gè)空集的數(shù)據(jù)塊集B = {Β! = 0，B2 = 0,…，B;w二0丨，以及包含所 有索引值的索引矢量D = [1，2, 3,…，D]，并初始化數(shù)據(jù)塊計(jì)數(shù)器m = 0 ; A3、構(gòu)造子索引矢量= 0，子加權(quán)矢量= 0，以及子特征矢量集 I = {F"u，...，，其中任意子特征矢量有I" = 0，并初始化塊內(nèi)計(jì)數(shù)器1 = 〇 ； A4、從索引矢量D中隨機(jī)選擇一索引值d加入子索引矢量1_"中，同時(shí)將索引值d從D中 移除，將加權(quán)矢量Wk在第d維上的權(quán)值wd加入子加權(quán)矢量\m，輪流取得代謝組特征數(shù)據(jù)集 F中每個(gè)特征矢量Fn，將其在第d維上的特征信號(hào)值fd加入1^的第η個(gè)子特征矢量Fm， n ; A5、更新塊內(nèi)計(jì)數(shù)器1 = 1+1，并判斷1是否小于L，若是，則跳轉(zhuǎn)至步驟A2,若否，則執(zhí) 行步驟A6 ; A6、添加當(dāng)前數(shù)據(jù)塊為并更新數(shù)據(jù)塊計(jì)數(shù)器m = m+l。并判斷m 是否小于M，若是，則跳轉(zhuǎn)至步驟A1，若否，則執(zhí)行步驟A7 ; A7、將分割后的數(shù)據(jù)塊集1映射送入映射規(guī)約框架中的各個(gè)運(yùn)算節(jié)點(diǎn)。
4. 根據(jù)權(quán)利要求3所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其特征在于，所述 步驟A1之前還包括：初始化迭代計(jì)數(shù)器k = 0。
5. 根據(jù)權(quán)利要求4所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其特征在于，所述 步驟B具體為： B1、針對(duì)數(shù)據(jù)塊{尤《，構(gòu)造計(jì)算智能方法的進(jìn)化種群PS，其中每個(gè)尋 優(yōu)個(gè)體的候選解為L維矢量\，其中i = 1，2,…，| ps |，該Xi值初始化為Xi = Wk，m ; B2、設(shè)置計(jì)算智能方法最大迭代次數(shù)為G，初始化迭代計(jì)數(shù)器g = 0 ; B3、計(jì)算進(jìn)化種群ps中每個(gè)尋優(yōu)個(gè)體的適應(yīng)度函數(shù)值，并根據(jù)各尋優(yōu)個(gè)體的適應(yīng)度函 數(shù)值，使用計(jì)算智能方法優(yōu)化進(jìn)化種群pS ; B4、更新迭代計(jì)數(shù)器g = g+1，并判斷g是否小于G，若是，則跳轉(zhuǎn)至步驟B3,若否，則執(zhí) 行步驟B5 ; B5、將種群中最優(yōu)個(gè)體的候選解Xbest作為優(yōu)化取得的最佳子加權(quán)矢量\m，即
B6、將子加權(quán)矢量\m與子索引矢量Im構(gòu)成鍵值對(duì)Pm = <Im:Wk，m>，作為映射規(guī)約框架 中映射過程的輸出。
6. 根據(jù)權(quán)利要求5所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其特征在于，所述 計(jì)算智能方法包括差分進(jìn)化、粒子群優(yōu)化或文化基因算法。
7. 根據(jù)權(quán)利要求6所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其特征在于，所述 步驟B3中計(jì)算進(jìn)化種群ps中每個(gè)尋優(yōu)個(gè)體的適應(yīng)度函數(shù)值具體為： B31、對(duì)于輸入的第i個(gè)尋優(yōu)個(gè)體，將其候選解矢量Xi作為子加權(quán)矢量Wm ; B32、將Wm與Fm中的各子特征矢量Fm; n相乘以進(jìn)行加權(quán)，當(dāng)Wm中任一權(quán)值Wl小于預(yù)設(shè)閾 值S，則刪除此維度上的對(duì)應(yīng)代謝特征信號(hào)，實(shí)現(xiàn)降維，最終形成加權(quán)子特征矢量F\n ; B33、將加權(quán)后的子特征矢量集合F M= F M，2，...，F(xiàn) 用于訓(xùn)練機(jī)器學(xué)習(xí) 分類/回歸算法，獲得分類/回歸算法的預(yù)測準(zhǔn)確率； B34、將分類/回歸算法的預(yù)測準(zhǔn)確率作為當(dāng)前個(gè)體\的適應(yīng)度函數(shù)值f (XJ。
8. 根據(jù)權(quán)利要求7所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其特征在于，所述 步驟C具體為： C1、收集輸出的所有Μ個(gè)鍵值對(duì)，構(gòu)成鍵值對(duì)集合P = 巧，...，iV}，并對(duì)其進(jìn)行 規(guī)約處理； C2、構(gòu)造全零值的D維加權(quán)矢量Wk = [0, 0,…，0]。初始化數(shù)據(jù)塊計(jì)數(shù)器m = 0 ; C3、取得鍵值對(duì)集合P中的第m個(gè)鍵值對(duì)？111 = <Im:Wk，m>，初始化塊內(nèi)計(jì)數(shù)器1 = 0 ; C4、將子加權(quán)矢量Wk，m中第1維上的權(quán)值，添加至加權(quán)矢量Wk的第I m[l]維上，即Wk = = Wk，m[l] |d = Im[l]}，1 = 1，2,…，L ; C5、更新塊內(nèi)計(jì)數(shù)器1 = 1+1，判斷1是否小于L，若是，則跳轉(zhuǎn)至步驟C4,若否，則執(zhí)行 步驟C6 ; C6、更新數(shù)據(jù)塊計(jì)數(shù)器m = m+1，判斷m是否小于M，若是，則跳轉(zhuǎn)至步驟C3,若否，則執(zhí) 行步驟C7 ; C7、更新迭代計(jì)數(shù)器k = k+Ι，判斷k是否小于K，若是，則跳轉(zhuǎn)至步驟A，若否，則執(zhí)行步 驟C8 ; C8、利用最終得到的加權(quán)矢量WK對(duì)輸入代謝組特征數(shù)據(jù)集JF進(jìn)行加權(quán)。
9. 根據(jù)權(quán)利要求8所述的面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析方法，其特征在于，利用 最終得到的加權(quán)矢量WK對(duì)輸入代謝組特征數(shù)據(jù)集IF進(jìn)行加權(quán)，而后將其用于訓(xùn)練機(jī)器學(xué)習(xí) 算法，獲得整體的分類/回歸預(yù)測準(zhǔn)確率，將加權(quán)矢量W K與分類/回歸預(yù)測準(zhǔn)確率作為結(jié) 果輸出。
10. -種面向大數(shù)據(jù)的代謝組特征數(shù)據(jù)分析系統(tǒng)，其特征在于，所述系統(tǒng)包括： 數(shù)據(jù)分割模塊，用于接收輸入的代謝組特征數(shù)據(jù)，將其分割為多個(gè)數(shù)據(jù)塊，并將該多個(gè) 數(shù)據(jù)塊映射送入映射規(guī)約框架中的各個(gè)運(yùn)算節(jié)點(diǎn)中； 啟發(fā)式加權(quán)模塊，用于利用計(jì)算智能方法同時(shí)對(duì)經(jīng)數(shù)據(jù)分割模塊分割后的多個(gè)數(shù)據(jù)塊 上的加權(quán)權(quán)值進(jìn)行優(yōu)化； 權(quán)值融合模塊，用于將優(yōu)化后的多個(gè)數(shù)據(jù)塊加權(quán)權(quán)值合并為整體代謝組特征數(shù)據(jù)的加 權(quán)權(quán)值并輸出。
【文檔編號(hào)】G06F19/10GK104063631SQ201410265541
【公開日】2014年9月24日 申請(qǐng)日期:2014年6月13日 優(yōu)先權(quán)日:2014年6月13日
【發(fā)明者】周家銳, 華韻之, 紀(jì)震, 朱澤軒, 曾啟明 申請(qǐng)人:周家銳, 華韻之, 紀(jì)震, 朱澤軒, 曾啟明