本發(fā)明屬于數(shù)據(jù)分析，尤其涉及基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析系統(tǒng)及方法。

背景技術：

1、癌癥患者的基因表達量在預測疾病進展、指導藥物選擇中發(fā)揮了至關重要的作用，通過分析基因表達量的變化，可以揭示特定基因在疾病中的功能和作用，單細胞rna測序（scrna-seq）技術提供了對單個細胞基因表達的檢測，能夠反映患者個體差異和腫瘤內的異質性，這為個性化分析提供了細致的細胞層次信息，基因調控網(wǎng)絡（grn）旨在揭示轉錄因子和靶基因之間的調控關系，通過精確的grn預測，可以更好地理解基因表達量的變化機制，為個性化癌癥治療提供更強有力的決策支持。

2、然而，目前癌癥患者個性化治療中的基因表達量分析和預測，尤其是基于單細胞rna測序（scrna-seq）數(shù)據(jù)的建模工作，仍然面臨諸多技術難點。傳統(tǒng)的數(shù)據(jù)處理和分析方法在處理單細胞數(shù)據(jù)時，容易受到噪聲影響，缺乏對復雜基因調控網(wǎng)絡（grn）的準確捕捉，且難以支持因果推斷，例如，現(xiàn)有大部分分析方法只能處理靜態(tài)數(shù)據(jù)，無法實現(xiàn)對單細胞水平基因表達的動態(tài)建模，從而限制了模型在預測癌癥患者特定基因表達變化方面的準確性，此外，在存在大量噪聲的情況下，傳統(tǒng)分析方法的表現(xiàn)顯著下降，易導致錯誤的基因調控關系識別。

3、現(xiàn)有的單細胞基因表達數(shù)據(jù)分析方法（如高斯混合模型、差分表達分析等）雖然可以處理一定程度的噪聲數(shù)據(jù)，但缺乏適應癌癥患者異質性和個體特異性的能力，這些方法在面對個性化治療數(shù)據(jù)時，常常無法過濾數(shù)據(jù)中的非生物學噪聲，導致模型推斷結果不穩(wěn)定，并且難以識別腫瘤內復雜的基因調控關系，此外，許多grn推斷方法雖然可以模擬部分轉錄因子與靶基因之間的關系，但由于難以對基因間的非線性和多維關系進行建模，往往無法在單細胞水平上實現(xiàn)精準的基因預測和調控網(wǎng)絡重構。

4、現(xiàn)有的單細胞基因表達量模擬工具和grn推斷工具雖然在一定程度上考慮了基因調控關系，但這些方法缺乏因果結構支持，且在噪聲數(shù)據(jù)中容易產(chǎn)生失真，尤其在癌癥研究應用中，常見的腫瘤樣本個體差異較大，噪聲強度高，現(xiàn)有工具難以支持針對癌癥個體的準確grn建模，導致結果不可靠。

技術實現(xiàn)思路

1、本發(fā)明實施例的目的在于提供基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析方法，旨在解決上述背景技術中提出的問題。

2、本發(fā)明實施例是這樣實現(xiàn)的，基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析方法，包括以下步驟：

3、將基因身份和基因表達量數(shù)值轉換為向量表示；

4、計算基因向量表示之間的注意力分數(shù)，作為基因之間關系的評判標準；

5、對具體的基因表達量進行預測。

6、優(yōu)選地，所述將基因身份和基因表達量數(shù)值轉換為向量表示的步驟，具體包括：

7、對基因身份進行編碼；

8、利用高斯分布對基因表達量數(shù)數(shù)值進行編碼；

9、將兩部分編碼相加，得到最終的向量表示。

10、優(yōu)選地，所述利用高斯分布對基因表達量數(shù)數(shù)值進行編碼的步驟，具體為：針對單個基因表達量數(shù)據(jù)g，使用一組均勻分布的高斯基函數(shù)g對距離進行編碼，每個高斯基函數(shù)有其各自的均值，標準差：

11、；

12、單個數(shù)值g會被表示成：。

13、優(yōu)選地，所述利用高斯分布對基因表達量數(shù)數(shù)值進行編碼的步驟，具體還包括：使用單獨的向量表示額外考慮對缺失值的編碼。

14、優(yōu)選地，所述計算基因向量表示之間的注意力分數(shù)，作為基因之間關系的評判標準的步驟，具體為：針對每個基因，計算該基因和其他基因之間的注意力分數(shù)，所有基因都計算完成之后，將這些注意力分數(shù)進行由高到低的排序，認為前n注意力分數(shù)對應的基因和基因之間存在基因調控關系。

15、本發(fā)明實施例的另一目的在于提供基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析系統(tǒng)，用于實現(xiàn)上述基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析方法，包括：

16、編碼層模塊，用于將基因身份和基因表達量數(shù)值轉換為向量表示；

17、自注意力層模塊，用于計算基因向量表示之間的注意力分數(shù)，作為基因之間關系的評判標準；

18、預測層模塊，用于對具體的基因表達量進行預測。

19、優(yōu)選地，所述編碼層模塊包括：

20、基因身份編碼層單元，用于對基因身份進行編碼；

21、表達量數(shù)值高斯編碼層單元，用于利用高斯分布對基因表達量數(shù)數(shù)值進行編碼；

22、相加單元，用于將兩部分編碼相加，得到最終的向量表示。

23、優(yōu)選地，所述自注意力層模塊的參數(shù)為：自注意力頭為8，自注意力層數(shù)為1，自注意力層的向量編碼長度為64。

24、優(yōu)選地，還包括：模型訓練模塊，用于將樣本隨機劃分為訓練集，驗證集和測試集，訓練集負責訓練模型，學習潛在的基因調控網(wǎng)絡grn，驗證集負責防止模型過擬合，用來選取最優(yōu)的模型，測試集負責測試模型在基因表達量預測的性能。

25、本發(fā)明實施例提供的基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析方法，通過引入高斯層，增強了抗噪性能，利用嵌入和注意力機制，捕捉基因間復雜的調控關系，并在單細胞水平上實現(xiàn)個體化的grn預測，能夠克服現(xiàn)有方法在癌癥患者個性化治療中的缺陷，進而支持癌癥患者個性化治療中的基因表達量分析和預測。

技術特征：

1.基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析方法，其特征在于，所述計算基因向量表示之間的注意力分數(shù)，作為基因之間關系的評判標準的步驟，具體為：針對每個基因，計算該基因和其他基因之間的注意力分數(shù)，所有基因都計算完成之后，將這些注意力分數(shù)進行由高到低的排序，認為前n注意力分數(shù)對應的基因和基因之間存在基因調控關系。

3.基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析系統(tǒng)，用于實現(xiàn)權利要求1或2所述的基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析方法，其特征在于，包括：

4.根據(jù)權利要求3所述的基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析系統(tǒng)，其特征在于，所述編碼層模塊包括：

5.根據(jù)權利要求3所述的基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析系統(tǒng)，其特征在于，所述自注意力層模塊的參數(shù)為：自注意力頭為8，自注意力層數(shù)為1，自注意力層的向量編碼長度為64。

6.根據(jù)權利要求4所述的基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析系統(tǒng)，其特征在于，還包括：模型訓練模塊，用于將樣本隨機劃分為訓練集，驗證集和測試集，訓練集負責訓練模型，學習潛在的基因調控網(wǎng)絡grn，驗證集負責防止模型過擬合，用來選取最優(yōu)的模型，測試集負責測試模型在基因表達量預測的性能。

技術總結
本發(fā)明適用于數(shù)據(jù)分析技術領域，提供了基于深度回歸算法的基因調控網(wǎng)絡的數(shù)據(jù)分析系統(tǒng)及方法，所述方法包括以下步驟：將基因身份和基因表達量數(shù)值轉換為向量表示；計算基因向量表示之間的注意力分數(shù)，作為基因之間關系的評判標準；對具體的基因表達量進行預測。本發(fā)明通過引入高斯層，增強了抗噪性能，利用嵌入和注意力機制，捕捉基因間復雜的調控關系，并在單細胞水平上實現(xiàn)個體化的GRN預測，能夠克服現(xiàn)有方法在癌癥患者個性化治療中的缺陷，進而支持癌癥患者個性化治療中的基因表達量分析和預測。

技術研發(fā)人員：周豐豐,鄭嘉鑫,李柯薇,范雨思,王月英
受保護的技術使用者：吉林大學
技術研發(fā)日：
技術公布日：2025/1/6