一种基于云计算的生物数据深度分析方法、系统及存储介质与流程

本发明涉及云计算，尤其涉及一种基于云计算的生物数据深度分析方法、系统及存储介质。

背景技术：

1、云计算是一种通过互联网按需提供可弹性伸缩的计算资源，如服务器、存储和软件的服务模式，现有技术一般将基因测序等原始数据人工上传至云存储，在虚拟机上手动安装和配置各个分析软件环境，然后依次串行运行组学数据处理和功能分析程序，最后将结果下载到本地进行查看。

2、现有技术假阳性互作导致驱动基因占比不足，验证成功率低，最终靶点列表含大量假阳性，导致结果准确率低下，消除假阳性靶点耗费大量时间和成本，在实际中，某胃癌多组学研究过程由于关键子网络边概率均值偏低，其中原癌基因与生长因子的互作后验概率恰在边界，该互作是已知的磷酸化条件依赖关系，但多组学数据未含修饰信息且无外部知识注入，系统误将该边删除，导致子网络在关键处断裂，下游分子对接仅针对孤立蛋白进行药物筛选，忽略复合物共结合口袋，最终筛选的化合物在细胞实验中无效的问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于云计算的生物数据深度分析方法、系统及存储介质，解决了现有技术中假阳性互作导致驱动基因占比不足，验证成功率低，最终靶点列表含大量假阳性，导致结果准确率低下，消除假阳性靶点耗费大量时间和成本的技术问题。

2、为解决上述技术问题，本发明提供了如下技术方案：该方法的步骤为：采集目标生物的原始多源生物数据，根据原始多源生物数据通过分布式归一化处理，得到预处理生物数据集；

3、基于预处理生物数据集进行自编码特征融合，生成融合多组学特征向量，对预处理生物数据集和融合多组学特征向量进行分布式特征向量处理，得到第一多组学特征向量；

4、对第一多组学特征向量进行图拼接概率矩阵生成，得到边概率矩阵，根据边概率矩阵通过反馈挖掘处理，得到生物网络挖掘结果；

5、其中，根据边概率矩阵通过反馈挖掘处理，包括：根据边概率矩阵和初始分子图通过反馈迭代处理，得到增强节点嵌入和第一边概率矩阵；

6、基于第一边概率矩阵和增强节点嵌入进行关键子置信度评估，生成关键子网络和网络置信度；

7、对网络置信度、第一边概率矩阵、增强节点嵌入和第一多组学特征向量进行二次外部反馈处理，得到生物网络挖掘结果；

8、根据生物网络挖掘结果通过容器化调度决策处理，得到任务调度决策，基于任务调度决策进行状态自动化分析，生成自动化分析结果；

9、基于自动化分析结果通过验证更新反馈处理，得到分析反馈报告。

10、优选的，根据原始多源生物数据通过分布式归一化处理，包括：根据原始多源生物数据通过分布式处理，生成云端统一数据格式；

11、基于云端统一数据格式进行清洗去噪处理，得到清洗后生物数据；

12、对清洗后生物数据进行数据归一化处理，得到预处理生物数据集。

13、优选的，基于预处理生物数据集进行自编码特征融合，包括：根据预处理生物数据集通过自编码器处理，生成组学特异性编码向量；

14、基于组学特异性编码向量进行多头自注意力处理，生成注意力权重矩阵；

15、对注意力权重矩阵进行跨组特征融合，生成融合多组学特征向量。

16、优选的，对预处理生物数据集和融合多组学特征向量进行分布式特征向量处理，包括：根据融合多组学特征向量和预处理生物数据集通过分布式训练处理，得到融合模型参数；

17、基于融合模型参数进行特征重要性评估，生成组学重要性权重；

18、对组学重要性权重和融合多组学特征向量进行多组学特征向量处理，得到第一多组学特征向量。

19、优选的，对第一多组学特征向量进行图拼接概率矩阵生成，包括：根据第一多组学特征向量通过图拼接处理，得到初始分子图；

20、基于初始分子图进行边权重前向传播处理，得到节点嵌入表示；

21、对初始分子图和节点嵌入表示进行估计概率矩阵生成，得到边概率矩阵。

22、优选的，根据生物网络挖掘结果通过容器化调度决策处理，包括：根据生物网络挖掘结果通过容器化编排，生成容器化分析管道；

23、基于容器化分析管道通过云资源感知处理，得到资源状态矩阵；

24、对资源状态矩阵和容器化分析管道进行调度决策处理，得到任务调度决策。

25、优选的，基于任务调度决策进行状态自动化分析，包括：根据任务调度决策和容器化分析管道进行状态反馈处理，得到执行状态向量；

26、基于执行状态向量进行回溯检查处理，得到恢复调度指令；

27、对执行状态向量和恢复调度指令进行自动化结果分析，生成自动化分析结果。

28、优选的，基于自动化分析结果通过验证更新反馈处理，包括：根据自动化分析结果通过生物验证处理，得到验证报告；

29、基于自动化分析结果进行效能评估，生成资源效能报告；

30、对验证报告和资源效能报告进行更新反馈处理，得到分析反馈报告。

31、该技术方案还提供了一种基于云计算的生物数据深度分析系统，该系统包括：预处理模块，采集目标生物的原始多源生物数据，根据原始多源生物数据通过分布式归一化处理，得到预处理生物数据集；

32、组学特征模块，基于预处理生物数据集进行自编码特征融合，生成融合多组学特征向量，对预处理生物数据集和融合多组学特征向量进行分布式特征向量处理，得到第一多组学特征向量；

33、生物挖掘模块，对第一多组学特征向量进行图拼接概率矩阵生成，得到边概率矩阵，根据边概率矩阵通过反馈挖掘处理，得到生物网络挖掘结果；

34、自动分析模块，根据生物网络挖掘结果通过容器化调度决策处理，得到任务调度决策，基于任务调度决策进行状态自动化分析，生成自动化分析结果；

35、分析反馈模块，基于自动化分析结果通过验证更新反馈处理，得到分析反馈报告。

36、根据本公开的一些实施例的一个方面，提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被执行时实现上文中提到的一种基于云计算的生物数据深度分析方法的步骤。

37、借由上述技术方案，本发明提供了一种基于云计算的生物数据深度分析方法、系统及存储介质，至少具备以下有益效果：

38、1、本发明通过各组学专属编码器与多头跨组学权重学习，解决了多组学数据因特性差异被统一编码导致特征丢失的问题，一方面，基因组学数据捕获长距离序列关联，蛋白组学数据逐层提取谱峰模式，代谢组学数据自编码器无监督压缩浓度矩阵，使各组学编码向量保留了各自数据结构的完整信息；另一方面，多头自注意力以三个编码向量为计算组学间交互权重，将融合特征压缩至256维，量化了各组学对表型预测的贡献大小，使后续分析可优先关注贡献最高的组学类型，提升了多组学融合特征的可解释性。

39、2、本发明通过贝叶斯推断边概率矩阵与图神经网络消息传递的迭代协同，解决了数据库静态边权重中假阳性互作干扰节点嵌入的问题，首先，贝塔伯努利共轭推断以节点嵌入内积为交互得分，计算每条潜在边的存在概率，仅保留高置信度边，将关键子网络中已知驱动基因占比大幅提升；其次，边概率矩阵替换数据库静态权重后，重新注入graphsage进行二次消息传递，使节点嵌入迭代中，逐步摆脱初始噪声边的干扰，改善了嵌入质量；最后，云端文献挖掘、检索已知关联修正贝叶斯先验参数，使低置信度子网络获得外部证据增强，改进了网络可靠性。

40、3、本发明通过docker封装分析工具与深度q网络动态调度，解决了多软件环境冲突和静态调度资源利用率低的问题，一方面，每种分析工具及其依赖库封装为独立镜像，通用工作流语言定义步骤间的有向无环图依赖，消除了跨平台部署的库版本冲突，使分析管道可在不同云环境即装即用；另一方面，深度q网络以集群各节点可用cpu核数、内存、gpu数量和任务队列长度为状态，输出任务与节点的最优配对，使gpu密集型任务自动分配至gpu节点、内存密集型任务分配至大内存节点，将整体完成时间较静态调度大幅缩短；任务失败时区分软件错误与资源不足分别处理，改进了异常场景下的恢复效率。

41、4、本发明通过文献与临床变异数据库交叉验证计算验证率，实现分析结果生物可信度的自动量化，并利用验证率阈值触发增量学习、效能指标驱动奖励函数权重调整，共同使得数据预处理参数优化、融合模型增量训练，以及调度权重自适应调整，最终提升云端生物数据分析的持续自进化能力。