本發(fā)明屬于環(huán)境科學領(lǐng)域，涉及一種基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法。

背景技術(shù)：

1、微生物生態(tài)學的一個核心目標是對地球微生物群與環(huán)境要素之間的相互作用進行理解。目前，關(guān)于河流浮游細菌群落組成的研究主要聚焦于探索其與環(huán)境要素的相互關(guān)系、時空特征以及主要驅(qū)動因素。為了彌補實地監(jiān)測的局限性，研究者們開發(fā)了各種模型來預測河流浮游細菌群落的組成和動態(tài)變化，這些研究對于制定生態(tài)管理計劃、應(yīng)對環(huán)境變化具有重要意義。

2、傳統(tǒng)的預測模型，如基于機理的動力學模型(如monod方程、lotka-volterra模型)和多元線性回歸模型，在預測微生物群落結(jié)構(gòu)方面存在局限性，主要體現(xiàn)在對復雜自然群落的適用性不足，以及忽略了環(huán)境因素的交互作用和非線性關(guān)系。此外，自然河流系統(tǒng)受地理、水文、理化等多重復雜因素的影響，傳統(tǒng)的多元回歸分析難以充分捕捉這些復雜關(guān)系。

3、在此背景下，深度學習(dl)作為一種先進的機器學習方法，在處理大規(guī)模數(shù)據(jù)和復雜模型方面展現(xiàn)出顯著優(yōu)勢。盡管dl在生物信息學領(lǐng)域已取得顯著成果，如醫(yī)學圖像診斷和基因組序列分析，但在微生物組研究中的應(yīng)用還相對有限。目前，雖然已有研究利用dl方法(如lstm和cnn)預測微生物群落變化，但這些方法在處理復雜的非線性關(guān)系和變量間的交互作用時仍缺乏可解釋性。因此，開發(fā)一種可解釋性更強的基于數(shù)據(jù)驅(qū)動的深度學習模型，對于提高河流浮游細菌群落組成預測的準確性和可靠性至關(guān)重要。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法，為河流浮游細菌群落組成研究提供更簡便高效的方法，為更好的了解環(huán)境變化對浮游細菌的潛在影響提供技術(shù)支撐。

2、為達到上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法，包括以下步驟：

4、數(shù)據(jù)采集與準備：采集/收集河流浮游細菌樣本及相關(guān)環(huán)境數(shù)據(jù)，包括水體理化指標、氣象要素、地理格局和人類活動等。形成原始數(shù)據(jù)集，涵蓋浮游細菌相對豐度、總氮(tn)、總磷(tp)、溶解性有機碳(doc)、葉綠素(chla)、電導率(cond)、ph、溶解氧(do)、水溫(wt)、氣溫(at)、降水(pre)、高程(elev)和地理距離等指標。在大型流域中，為保證數(shù)據(jù)充分，采集不同空間點位的數(shù)據(jù)，如干流、支流等，確保總樣本數(shù)大于所需預測群落組成數(shù)的兩倍以上。

5、數(shù)據(jù)預處理：檢查數(shù)據(jù)有效性，去除錯誤數(shù)據(jù)和空數(shù)據(jù)。統(tǒng)一量綱，使用標準化、最小-最大歸一化、均值歸一化或?qū)?shù)歸一化方法。對離散數(shù)據(jù)如時間、地貌類型等重新編碼，內(nèi)置獨熱編碼或其他方法。

6、模型構(gòu)建：劃分模型訓練集和測試集。設(shè)計兩個編碼器模型和一個解碼器模型。第一編碼器：將浮游細菌otu豐度轉(zhuǎn)換為潛在空間(lsotu)。第二編碼器：將環(huán)境要素轉(zhuǎn)換為潛在空間(lsef)。解碼器：將潛在空間轉(zhuǎn)換回浮游細菌豐度。兩個編碼器的潛在空間被訓練為相似，最小化差異，創(chuàng)建一個綜合潛在空間(lscomb)。

7、模型訓練與評估：集成預測器和解碼器，預測器從環(huán)境要素返回lscomb，解碼器從lscomb返回浮游細菌otu相對豐度。使用多種損失函數(shù)和評估指標，如bray-curtis距離、均方誤差(mse)等，優(yōu)化和評估模型。通過測試集數(shù)據(jù)評估模型，計算各項評估指標的得分。采用shap(shapleyadditive?explanations)方法對模型進行解釋，分析每個環(huán)境要素對模型預測結(jié)果的影響；shap值的計算基于以下公式：

8、

9、其中，n是特征i的集合，特征i包含總氮tn、總磷tp、溶解性有機碳doc、葉綠素chla、電導率cond、ph、溶解氧do、水溫wt、氣溫at、降水pre、高程elev和地理距離指標，s是不包含特征i的特征子集，φi(f)是特征i的shap值，f(s)是模型在給定特征子集s時的預測輸出。

10、模型解釋與保存：采用shap方法解釋模型，分析每個環(huán)境要素對預測結(jié)果的影響。計算shap值，提供模型的可解釋性。保存訓練好的編碼器和解碼器模型，便于后續(xù)使用。通過輸入新的環(huán)境要素，模型可以預測新樣本的浮游細菌分布情況。

11、本發(fā)明的有益效果在于：

12、(1)本發(fā)明通過深度學習模型，特別是自編碼器，能夠更準確地預測河流浮游細菌群落的組成，相較于傳統(tǒng)的基于機理的動力學模型和多元線性回歸模型，提高了預測的準確性。

13、(2)利用shap值解釋模型，本發(fā)明能夠清晰地展示每個環(huán)境要素如何影響模型預測，從而增強了模型的可解釋性，使其在環(huán)境科學領(lǐng)域具有更高的應(yīng)用價值。

14、(3)通過數(shù)據(jù)驅(qū)動的方法，本發(fā)明不僅限于特定環(huán)境要素的預測，而是能夠探索各類環(huán)境要素與河流浮游細菌相對豐度之間的復雜關(guān)系，為生態(tài)環(huán)境監(jiān)測和保護提供更廣泛的技術(shù)支持。

15、(4)本發(fā)明有助于制定更加精準和及時的生態(tài)管理計劃，通過準確預測河流浮游細菌群落的變化，為應(yīng)對環(huán)境變化的短期和長期影響提供科學依據(jù)。

16、(5)本發(fā)明在微生物組研究領(lǐng)域的應(yīng)用，特別是在河流浮游細菌群落組成預測方面，推動了數(shù)據(jù)驅(qū)動深度學習技術(shù)在環(huán)境科學領(lǐng)域的應(yīng)用和發(fā)展。

17、本發(fā)明的其他優(yōu)點、目標和特征在某種程度上將在隨后的說明書中進行闡述，并且在某種程度上，基于對下文的考察研究對本領(lǐng)域技術(shù)人員而言將是顯而易見的，或者可以從本發(fā)明的實踐中得到教導。本發(fā)明的目標和其他優(yōu)點可以通過下面的說明書來實現(xiàn)和獲得。

技術(shù)特征：

1.基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法，其特征在于：該方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法，其特征在于：所述數(shù)據(jù)預處理包括檢查數(shù)據(jù)有效性、去除錯誤數(shù)據(jù)和空數(shù)據(jù)，統(tǒng)一量綱，并采用標準化、最小-最大歸一化、均值歸一化或?qū)?shù)歸一化方法。

3.根據(jù)權(quán)利要求1所述的基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法，其特征在于：所述優(yōu)化模型并評估其性能的指標包括平均絕對誤差、均方誤差、平均絕對百分比誤差、皮爾遜相關(guān)系數(shù)、布雷-柯蒂斯不相似度和根相對平方誤差。

4.根據(jù)權(quán)利要求1所述的基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法，其特征在于：所述劃分訓練集與測試集中，設(shè)計第一編碼器、第二編碼器和解碼器，第一編碼器將浮游細菌otu豐度作為輸入特征，將其轉(zhuǎn)換為潛在空間lsotu；第二編碼器將環(huán)境要素作為輸入特征，將其轉(zhuǎn)換為潛在空間lsef；解碼器將潛在空間轉(zhuǎn)換為浮游細菌豐度；

5.根據(jù)權(quán)利要求4所述的基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法，其特征在于：所述模型在測試集上的性能評估，包括計算各項評估指標的得分；采用shap(shapleyadditive?explanations)方法對模型進行解釋，分析每個環(huán)境要素對模型預測結(jié)果的影響；shap值的計算基于以下公式：

6.根據(jù)權(quán)利要求1所述的基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法，其特征在于：所述環(huán)境要素還包括地理因素、水文參數(shù)和理化指標。

7.根據(jù)權(quán)利要求5所述的基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法，其特征在于：所述評估指標還包括不依賴尺度的指標，具體為皮爾遜相關(guān)系數(shù)(pearsoncorrelation)、布雷-柯蒂斯不相似度(bray-curtis?dissimilarity)和根相對平方誤差(rrse,root?relative?squarederror)。

技術(shù)總結(jié)
本發(fā)明涉及一種基于人工神經(jīng)網(wǎng)絡(luò)自編碼器的河流浮游細菌群落組成預測方法，屬于環(huán)境科學領(lǐng)域。該方法通過采集河流浮游細菌OTU相對豐度及相關(guān)水環(huán)境、氣象等數(shù)據(jù)，形成原始數(shù)據(jù)集，并進行預處理。利用自編碼器模型通過訓練集構(gòu)建基于OTU組成的潛在空間和基于環(huán)境要素的潛在空間，在訓練過程中最小化兩個潛在空間之間的差異，通過同一個解碼器從潛在空間獲得OTU組成。利用SHAP值解釋模型，了解每個環(huán)境要素如何影響單個樣本的模型預測，通過平均多個樣本的SHAP值，了解環(huán)境要素對模型預測的總體影響。本發(fā)明從數(shù)據(jù)驅(qū)動的深度學習模型視角探究了各類環(huán)境要素與河流浮游細菌相對豐度之間的變化關(guān)系。

技術(shù)研發(fā)人員：姚明磊,林珊珊,魯倫慧,李哲,曹燕,陳宇楊,何汶峰
受保護的技術(shù)使用者：中國長江三峽集團有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23