本發(fā)明涉及生物信息學(xué)，尤其涉及一種基于大語言模型的實(shí)現(xiàn)基因組拷貝數(shù)變異自動(dòng)化解讀的方法。

背景技術(shù)：

1、拷貝數(shù)變異(copy?number?variation,cnv)作為一種重要的遺傳變異形式，在多種遺傳疾病的研究與診斷中扮演著關(guān)鍵角色。基因組拷貝數(shù)變異(copy?number?variant，cnv)與多種人類疾病相關(guān)。為尋找“發(fā)育遲緩、智力低下、多發(fā)畸形”患兒、反復(fù)自然流產(chǎn)患者、以及產(chǎn)前超聲提示結(jié)構(gòu)畸形胎兒等病例的遺傳學(xué)病因，全基因組拷貝數(shù)變異檢測(cè)已成為臨床一線的檢查手段。

2、拷貝數(shù)變異檢測(cè)結(jié)果的解讀涉及大量的生物信息學(xué)分析、基因組學(xué)原理以及臨床病理聯(lián)系，使得cnv檢測(cè)結(jié)果解讀的編寫工作尤為艱巨。cnv的類型多樣，包括缺失、重復(fù)、倒位等多種變異形式，每一種變異可能對(duì)應(yīng)不同的生物學(xué)效應(yīng)和臨床意義。準(zhǔn)確理解并區(qū)分這些變異對(duì)疾病的發(fā)生發(fā)展所起的作用是一項(xiàng)極具挑戰(zhàn)性的任務(wù)。盡管cnv檢測(cè)技術(shù)不斷發(fā)展，但在轉(zhuǎn)化為臨床實(shí)踐時(shí)，如何將復(fù)雜的遺傳變異信息整合入現(xiàn)有的診療流程，并轉(zhuǎn)化成清晰、實(shí)用的報(bào)告語言，是目前的一大難點(diǎn)。cnv檢測(cè)及其報(bào)告撰寫也受到地區(qū)間醫(yī)療資源和技術(shù)力量差異的影響。尤其是在欠發(fā)達(dá)或偏遠(yuǎn)地區(qū)，受限于技術(shù)和人才資源，使有效實(shí)施cnv檢測(cè)及準(zhǔn)確解讀報(bào)告變得更為困難。近年來，雖然已發(fā)展出多種cnv檢測(cè)技術(shù)，如染色體微陣列分析、基于高通量測(cè)序的基因組拷貝數(shù)變異檢測(cè)技術(shù)，但是這些技術(shù)檢出的大量拷貝數(shù)變異，給數(shù)據(jù)分析和遺傳咨詢帶來了極大的挑戰(zhàn)。

3、在當(dāng)前的醫(yī)療科技領(lǐng)域，隨著大數(shù)據(jù)和人工智能技術(shù)的快速發(fā)展，特別是在自然語言處理(nlp)方面的進(jìn)步，使用大模型輔助醫(yī)學(xué)檢測(cè)報(bào)告的解讀已經(jīng)成為前沿研究的重要方向。傳統(tǒng)的醫(yī)學(xué)檢測(cè)報(bào)告解讀過程高度依賴醫(yī)生的專業(yè)知識(shí)和經(jīng)驗(yàn)，而這一過程可能受到主觀因素的影響，且在面對(duì)海量數(shù)據(jù)時(shí)效率有限。而未經(jīng)專業(yè)化適配的原始模型并未針對(duì)醫(yī)學(xué)語境下的專業(yè)術(shù)語、病理生理學(xué)表述以及復(fù)雜醫(yī)學(xué)檢測(cè)指標(biāo)的邏輯關(guān)系進(jìn)行特異性優(yōu)化。

4、遺傳學(xué)報(bào)告與大部分影像學(xué)或檢驗(yàn)數(shù)值報(bào)告不同，人類遺傳物質(zhì)有6gb以上，其拷貝數(shù)變異檢測(cè)結(jié)果由位置、大小、拷貝數(shù)變異情況三個(gè)要素構(gòu)成。其結(jié)果解釋更是需要考慮基因、區(qū)域等因素進(jìn)行相關(guān)致病性評(píng)級(jí)和分析?；诖耍柩邪l(fā)一種對(duì)拷貝數(shù)變異(cnv)病例檢測(cè)報(bào)告能準(zhǔn)確、可靠解讀的方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決目前臨床上無法對(duì)各種拷貝數(shù)變異(cnv)檢測(cè)結(jié)果做準(zhǔn)確解讀的技術(shù)問題，提供一種實(shí)現(xiàn)基因組拷貝數(shù)變異自動(dòng)化解讀方法，該方法能對(duì)基因組拷貝數(shù)變異檢測(cè)結(jié)果進(jìn)行準(zhǔn)確可靠的智能化解讀，使cnv數(shù)據(jù)分析的工作效率得到大幅提升。

2、為了解決上述技術(shù)問題，本發(fā)明通過如下技術(shù)方案實(shí)現(xiàn):

3、在本發(fā)明的一個(gè)方面，提供了一種實(shí)現(xiàn)基因組拷貝數(shù)變異自動(dòng)化解讀的方法，包括以下步驟：

4、獲取chatglm-6b的大語言模型；

5、建立基因組拷貝數(shù)變異檢測(cè)結(jié)果解讀數(shù)據(jù)集，并對(duì)該數(shù)據(jù)脫敏，糾偏，規(guī)范化，以及轉(zhuǎn)換為訓(xùn)練數(shù)據(jù)；

6、使用低秩適應(yīng)算法對(duì)所述大語言模型進(jìn)行調(diào)整學(xué)習(xí)，使該大語言模型獲取針對(duì)拷貝數(shù)變異結(jié)果報(bào)告解讀能力；

7、在調(diào)整學(xué)習(xí)的大語言模型中，設(shè)計(jì)多個(gè)提示詞(prompts)得到相應(yīng)的輸入-輸出對(duì)，人工對(duì)齊該輸入-輸出對(duì)，用強(qiáng)化學(xué)習(xí)算法對(duì)所述模型進(jìn)行二次調(diào)整；

8、產(chǎn)生新的拷貝數(shù)變異檢測(cè)結(jié)果解讀數(shù)據(jù)集。

9、優(yōu)選的，所述新的拷貝數(shù)變異檢測(cè)結(jié)果解讀數(shù)據(jù)集在產(chǎn)生之后，通過在線學(xué)習(xí)模塊在線學(xué)習(xí)并持續(xù)微調(diào)。

10、優(yōu)選的，所述對(duì)數(shù)據(jù)脫敏是針對(duì)用戶隱私敏感信息的脫敏，使用哈希編碼算法對(duì)用戶信息完成密文編碼轉(zhuǎn)換；

11、和/或，所述對(duì)數(shù)據(jù)糾偏是針對(duì)歷史數(shù)據(jù)出現(xiàn)的錯(cuò)誤數(shù)據(jù)和陳述進(jìn)行人工糾偏，以獲取正確信息用于模型訓(xùn)練；

12、和/或，所述對(duì)數(shù)據(jù)規(guī)范化是將格式不統(tǒng)一的結(jié)果解讀數(shù)據(jù)統(tǒng)一處理到一般性的格式，以調(diào)整模型訓(xùn)練；

13、和/或，所述轉(zhuǎn)換為訓(xùn)練數(shù)據(jù)是將結(jié)果解讀數(shù)據(jù)的形式轉(zhuǎn)換為自然語言問題-自然語言答案的訓(xùn)練數(shù)據(jù)格式。

14、優(yōu)選的，所述使用低秩適應(yīng)算法對(duì)大語言模型進(jìn)行調(diào)整學(xué)習(xí)，包括以下步驟：

15、在初始化階段，對(duì)于預(yù)訓(xùn)練模型中待微調(diào)的自注意力層的權(quán)重矩陣，將其視為固定的原始參數(shù)矩陣w0；為每個(gè)待調(diào)整的矩陣定義兩個(gè)低秩矩陣a和b，其中a∈rr×k，b∈rd×r，r是遠(yuǎn)小于d和k的秩，d和k分別代表原始權(quán)重矩陣的行數(shù)和列數(shù)，用高斯分布初始化矩陣a，初始化b為零矩陣；

16、在訓(xùn)練階段，交替使用隨機(jī)梯度下降方案訓(xùn)練低秩矩陣a和b，使模型的更新僅通過δw＝ba實(shí)現(xiàn)，該δw是相對(duì)于原始參數(shù)的調(diào)整變化；使用目標(biāo)任務(wù)的數(shù)據(jù)集訓(xùn)練模型，優(yōu)化損失函數(shù)以獲得最優(yōu)的a和b；

17、在應(yīng)用階段，w＝w0+δw形成新的參數(shù)矩陣，然后使用w去做調(diào)整大模型的拷貝數(shù)變異結(jié)果解讀推理。

18、在本發(fā)明的一些實(shí)施例中，使用低秩適應(yīng)算法對(duì)大語言模型進(jìn)行調(diào)整這個(gè)步驟，使用了16個(gè)rtx?gpus，超過72小時(shí)的總算力成本。

19、優(yōu)選的，所述人工對(duì)齊該輸入-輸出對(duì)，用強(qiáng)化學(xué)習(xí)模塊對(duì)模型進(jìn)行二次調(diào)整，包括以下步驟：

20、對(duì)輸入-輸出對(duì)進(jìn)行人工審核，如果不符合人類價(jià)值觀或者非合理的回答，則加入回答評(píng)分，構(gòu)建負(fù)樣本集合評(píng)分，所述加入的回答評(píng)分包括：“以下回答是不合理的”、或“以下回答是不正確的”、或“以下回答是不符合價(jià)值觀的”；

21、通過強(qiáng)化學(xué)習(xí)中的ppo(proximal?policy?optimization)，利用評(píng)分更新上述低秩矩陣b/a，得到δw’＝b’a’；

22、應(yīng)用w＝w0+δw’，然后使用w去做調(diào)整大模型的拷貝數(shù)變異結(jié)果解讀推理。

23、優(yōu)選的，所述在線學(xué)習(xí)模塊包括：

24、新數(shù)據(jù)的清洗函數(shù)，用于清洗和整理新的結(jié)果解讀數(shù)據(jù)為統(tǒng)一的模型要求格式，并將結(jié)果解讀數(shù)據(jù)轉(zhuǎn)換成自然語言問題-自然語言回答的配對(duì)；

25、學(xué)習(xí)模塊，其訓(xùn)練模式是將新的數(shù)據(jù)作為調(diào)整數(shù)據(jù)集，用上述方法訓(xùn)練w”，秩參數(shù)r的設(shè)置與當(dāng)前微調(diào)模型的秩參數(shù)保持一致；

26、應(yīng)用模塊，應(yīng)用w＝w0+δw”，然后使用w去做微調(diào)大模型的拷貝數(shù)變異結(jié)果解讀推理。

27、在本發(fā)明的另一方面，還提供了一種實(shí)現(xiàn)基因組拷貝數(shù)變異自動(dòng)化解讀的裝置，包括：

28、存儲(chǔ)器，用于存儲(chǔ)程序；

29、處理器，用于執(zhí)行所述存儲(chǔ)器存儲(chǔ)的程序，以實(shí)現(xiàn)基于大語言模型的基因組拷貝數(shù)變異自動(dòng)化解讀方法。

30、在本發(fā)明的另一方面，還提供了一種基因組拷貝數(shù)變異自動(dòng)化分析系統(tǒng)，包括：

31、實(shí)現(xiàn)基因組拷貝數(shù)變異自動(dòng)化解讀的裝置，用于將大語言模型進(jìn)行訓(xùn)練、調(diào)整學(xué)習(xí)，使其獲得針對(duì)拷貝數(shù)變異結(jié)果報(bào)告解讀能力；

32、信息輸入模塊，用于輸入待分析的拷貝數(shù)變異數(shù)據(jù)；

33、數(shù)據(jù)分析語句生成模塊，使經(jīng)過訓(xùn)練學(xué)習(xí)的大語言模型自動(dòng)對(duì)輸入的拷貝數(shù)變異數(shù)據(jù)進(jìn)行解讀，并輸出相應(yīng)結(jié)果。

34、在本發(fā)明的另一方面，還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其存儲(chǔ)有程序，所述程序能夠被處理器執(zhí)行，以實(shí)現(xiàn)上述基因組拷貝數(shù)變異自動(dòng)化解讀方法。

35、本發(fā)明實(shí)現(xiàn)基因組拷貝數(shù)變異自動(dòng)化解讀的方法，通過對(duì)大語言模型進(jìn)行定向訓(xùn)練與性能優(yōu)化，使其能夠理解并精準(zhǔn)解釋cnv檢測(cè)報(bào)告中的各類專業(yè)信息，使大語言模型最有效地應(yīng)用于cnv片段解讀。而且，本發(fā)明的大語言模型具有不間斷學(xué)習(xí)和自我更新能力，可以很好的應(yīng)對(duì)cnv解讀結(jié)果經(jīng)常更新的情況。此外，本發(fā)明系統(tǒng)使用十分方便，只需輸入cnv信息，便可得到自動(dòng)解讀cnv片段的檢測(cè)報(bào)告，從而有效輔助臨床遺傳病例的診斷，具有廣闊的應(yīng)用前景。