宏基因组DNA片段深度聚类方法研究及应用.pdf

摘要

宏基因组DNA片段深度聚类方法研究及应用

宏基因组学（Metagenomics）利用第二代测序技术在未经实验室培养的条件

下，可以获取环境中大多数微生物的遗传物质，是目前微生物群落的主流研究手

段。在宏基因组中，环境中所有物种的DNA片段混杂在一起，因此，将这些DNA

片段按照其物种归属进行聚类是重建群落物种结构的必要手段。准确重构宏基因

组物种信息有助于描述生物体的生理规律与现象，识别人体疾病的生物标记物

等。但由于DNA序列因长度短而导致的特征不足的问题，对DNA序列进行聚

类分析是目前的一个研究难点。

现有宏基因组DNA片段聚类方法大多没有充分利用宏基因组中的已知生物

学知识，导致这些方法对复杂宏基因组的聚类效果不好。基于此，本文首次将已

知物种信息用于DNA序列聚类，提出一种基于已知物种序列预训练的宏基因组

DNA片段特征学习模型与深度聚类算法，提高了宏基因组DNA片段的聚类精

度。本文主要工作有：

（1）构建一种基于图卷积神经网络（GCN）的宏基因组DNA片段词嵌入

模型（FocalGCN）。模型包含两个图卷积神经网络，一个用于构建训练集中每

条序列之间以及序列与整个文档之间的联系并进行编码，另一个则对隐藏层输出

结果进行分类。模型结合Focal-Loss损失函数降低数据集物种丰度不均匀对聚类

的影响，适当调整模型参数并进行多次训练，提升模型的分类性能，使误差函数

最小。利用滑窗法将已知标签的序列切割成多个k-mer序列，再将其划分成训练

集与测试集。实验结果表明，FocalGCN模型的分类性能优于传统的词嵌入模型，

提高了宏基因组DNA片段编码的准确率。

（2）构建一种基于深度LSTM自编码网络的宏基因组DNA片段聚类模型

（DCBin）。该模型的编码器与解码器分别由多个LSTM层和全连接层构成。在

有效重构序列信息及训练网络参数的同时，构建基于模糊c均值及KL散度算法

的聚类层，对隐藏层输出结果进行聚类。在模型误差函数中增加类间分离指标，

降低数据集的不平衡性对聚类的影响，同步减小重构误差与聚类误差。通过改变

学习率、网络层数等参数对模型进行多次迭代及训练，提升整体性能。选取部分

已知物种序列测试模型的可靠性，再将未知物种序列的词嵌入向量输入至模型，

I

按照模型聚类结果将原始DNA片段组装为重叠群，计算其完整度与污染度。本

文选取多组数据集进行实验，结果表明，与其他现有方法相比，本文提出的深度

聚类模型可以得到更多低污染度、高完整度的物种组装基因组。

（3）利用上述深度聚类方法建立基于宏基因组的结直肠癌诊断模型。下载

公开数据集并筛选出代表性序列，利用FocalGCN和DCBin模型得到物种信息。

结合已知物种与未知物种，计算每个样本的物种丰度。然后，构建一个基于随机

森林算法的二分类器，对样本进行训练并预测，确认其为患病或是正常。实验结

果表明，诊断模型在所选取数据集上的AUC值为0.945，优于现有方法，表明模

型提升了结直肠癌诊断性能。同时发现在分类过程中共有3个未知物种的特征贡

献度较高，具有潜在的生物标记物价值。

综上，本文结合宏基因组DNA片段特点与深度学习方法，开展了宏基因组

DNA片段深度聚类模型研究，并将其应用于结直肠癌诊断，取得了较好的效果。

关键词：

宏基因组，DNA片段聚类，深度学习，GCN，LSTM自编码网络，预训练，

词嵌入，结直肠癌诊断

II

Abstract

Researchandapplicationofdeepclusteringmethodsfor

metagenomicDNAreads

Metagenomicscanobtainthegeneticmaterialofmostmicroorganismsinthe

environmentwithoutlabora