一种基于大语言模型的多组学联合分析方法与流程

本技术涉及多组学分析，尤其是涉及一种基于大语言模型的多组学联合分析方法。

背景技术：

1、多组学（multi-omics）分析是系统生物学研究的重要范式，旨在通过整合基因组学、转录组学、蛋白质组学、代谢组学、表观基因组学及微生物组学等多种分子层级的海量数据，从系统层面揭示生物体的复杂调控网络和疾病发生发展机制。近年来，高通量测序技术和质谱技术的飞速发展使得大规模多组学数据的获取日益便捷。然而，如何有效整合这些高维度、异质性强且样本量相对有限的多组学数据，从中挖掘具有生物学意义的跨组学关联，仍然是计算生物学和生物信息学领域的核心挑战之一。

2、现有技术的多组学联合分析方法主要通过稀疏典型相关分析、高斯图模型网络推断及大语言模型分析的方式实现，其中，稀疏典型相关分析能刻画两两组学之间的线性关联强度；高斯图模型网络推断通过l1正则化估计精度矩阵，能够推断特征之间的条件依赖关系；而通过构建基于llm的自动化多组学分析智能体，能够实现多组学的联合分析。然而，稀疏典型相关分析无法揭示在控制其他组学信息后各特征之间的条件依赖关系，也难以构建多组学联合网络；高斯图模型网络推断在高维小样本场景下估计不稳定；而大语言模型的计算过程依赖神经网络的不可解释性黑箱，难以提供可追溯、可验证的数学统计证据。因此，如何给出一种具备线性关联筛选能力、条件依赖推断能力及机制解读能力的组学联合分析方法是本发明要解决的根本问题。

技术实现思路

1、为了解决上述问题，本技术提供了一种基于大语言模型的多组学联合分析方法，采用如下的技术方案：

2、一种基于大语言模型的多组学联合分析方法，包括：

3、对至少两种组学数据进行预处理及特征筛选；

4、利用稀疏典型相关分析模型计算组学间的线性关联强度，并利用稀疏高斯图模型估计精度矩阵，以表征各特征间的条件依赖关系；

5、基于所述线性关联强度及精度矩阵计算跨组学综合关联得分，基于跨组学综合关联得分生成相关性热图；基于精度矩阵生成跨组学关联网络图；进行通路富集分析，得到联合通路分析结果；

6、将线性关联强度、精度矩阵、跨组学综合关联得分、相关性热图、跨组学关联网络图及联合通路分析结果输入至大语言模型中，获得分析报告。

7、可选地，所述预处理的过程包括缺失值处理及标准化；

8、所述标准化的过程包括：将每种组学数据的数据矩阵减去该特征的样本均值后除以样本标准差；

9、所述特征筛选为按照方差从大到小依次累加方差贡献率，直至累计贡献率首次达到或超过预设阈值，保留已累加的特征。

10、可选地，所述线性关联强度计算的过程包括：

11、对于任意两种组学数据，分别寻找一对投影向量使得两组数据投影后的相关系数最大，同时要求每组投影向量的组内方差为1，并对两个投影向量施加l1范数约束；

12、求解该优化问题后得到最大典型相关系数，对全部k种组学进行两两组合计算，构建组学间关联强度矩阵，通过组学间关联强度矩阵表征线性关联强度。

13、可选地，所述精度矩阵估计的过程包括：

14、将所有组学的特征拼接为一个联合特征向量，假设联合特征向量服从均值为零的高斯分布；

15、通过求解带l1正则化项的精度矩阵极大似然估计问题，得到精度矩阵；所述精度矩阵中的非零元素表示对应两个特征之间存在条件依赖关系。

16、可选地，所述精度矩阵估计的过程包括：

17、提取每一对组学求解所得的投影向量中的非零元素，根据所述非零元素所对应的特征索引，将所有组学对中至少一次出现在非零元素中的特征合并构建为一个筛选后特征集合；以所述筛选后特征集合对应的特征子集作为联合特征向量，假设联合特征向量服从均值为零的高斯分布；

18、通过求解带加权l1正则化项的精度矩阵极大似然估计问题，得到精度矩阵；所述精度矩阵中的非零元素表示对应两个特征之间存在条件依赖关系；

19、所述加权l1正则化项包括自适应惩罚权重矩阵；

20、对于属于不同组学的任意两个特征，所述自适应惩罚权重矩阵对应的惩罚权重随着对应投影系数乘积绝对值的增大而减小，所述投影系数为投影向量的元素；

21、对于属于同一组学内的特征对，所述自适应惩罚权重矩阵对应的惩罚权重设为恒定值。

22、可选地，所述跨组学综合关联得分计算的过程包括：

23、对精度矩阵对应分块的非零元素取绝对值的平均数得到平均绝对精度系数；

24、将线性关联强度与平均绝对精度系数进行加权求和，获得跨组学综合关联得分。

25、可选地，所述跨组学关联网络图生成的过程包括：

26、对所述精度矩阵中的元素取绝对值，并设定一个阈值，将绝对值大于该阈值的元素对应的特征对视为存在网络连接，以各组学特征为节点、连接为边生成网络图，不同组学的节点分区排列，跨组学的边采用不同颜色标识。

27、可选地，所述通路富集分析的过程包括：

28、计算每条通路的活性评分，所述活性评分为各组分学中属于该通路的筛选后特征的标准效应量按其权重加权的平均值；

29、进行超几何检验，根据所有特征总数、通路内特征数、差异特征总数及通路内差异特征数计算富集显著性p值。

30、可选地，所述通路富集分析的过程还包括：

31、对于任意两条通路，若二者共享至少一个由所述精度矩阵非零元素指示的跨组学关联特征对，则在两条通路之间建立边，边的权重等于共享的关联特征对数量。

32、可选地，所述分析报告生成的过程包括：

33、将精度矩阵中非零元素对应的特征和稀疏典型相关分析模型中非零投影系数对应的特征作为非零关联特征，将非零关联特征对作为高置信度关联对，通过检索增强生成从外部知识库和文献中检索已知分子相互作用和功能注释，由大语言模型整合生成结构化注释；

34、将通路活性评分和富集分析结果输入大语言模型，结合通路数据库背景生成机制性解读；

35、大语言模型根据热图摘要、网络拓扑特征和通路分析结果自动生成包括执行摘要、关联全景、关键机制和生物学假设的综合报告。

36、综上所述，本技术包括以下至少一种有益技术效果：

37、一、本发明通过利用稀疏典型相关分析模型计算组学间的线性关联强度，利用稀疏高斯图模型估计精度矩阵，实现了两者之间的数学耦合与信息互馈，显著提升网络推断的统计精度；通过将线性关联强度与精度矩阵进行融合形成跨组学综合关联得分，该得分从两个不同维度综合评价组学间的关联强度，比单一指标更具全面性和可靠性；通过将大语言模型作为后处理解释层，既发挥了大语言模型在知识检索和文本生成方面的优势，又避免了将其作为黑箱计算核心导致的可追溯性和可验证性缺失问题。

38、二、本发明通过稀疏典型相关分析进行特征筛选，解决了高斯图模型网络推断的维度灾难问题，通过将稀疏典型相关分析的关联证据作为先验信息引导高斯图模型网络推断的惩罚强度，显著提升网络推断的统计精度；这种信息传递机制实现了从线性关联筛选到条件依赖精化的递进式关联发现。