基于配对宏基因组数据和深度学习筛选的单细胞微生物基因组补全方法

本发明属于生物信息，具体涉及一种基于配对宏基因组数据和深度学习筛选的单细胞微生物基因组补全方法。

背景技术：

1、单细胞微生物基因组测序（single amplified genome，sag）能够在无需培养的条件下获得单个微生物细胞的遗传信息，适用于研究复杂环境中难培养、低丰度或尚未被充分表征的微生物。然而，sag样本通常需要经历单细胞分选、裂解和全基因组扩增。由于单细胞起始dna量极低，扩增过程易产生覆盖度不均、片段缺失、扩增偏移和随机丢失，导致最终组装得到的基因组完整度偏低，基因组片段不连续，部分功能基因和系统发育标记缺失。

2、宏基因组测序（metagenome，mg）能够从同一环境样本中获得大量混合微生物读段（reads）。若宏基因组数据与目标sag来自同一环境、同一样本或相邻配对样本，则其中理论上包含与目标sag来源相同或高度相近的基因组片段。因此，配对宏基因组数据可以作为低完整度sag的潜在补充来源。

3、目前对于单个低完整度sag的质量提升方面主要存在的问题是：

4、1.现有 sag 引导式回收方法多依赖已有contig的直接序列相似性。 当目标 sag完整度较低、可比对区域有限时，缺失区域对应 reads 很难通过直接比对被召回；

5、2.宏基因组分箱方法通常面向混合样本整体划分。 该类方法并不以某一个低完整度sag作为条件进行read级筛选，且常依赖稳定覆盖度、多样本信息或较长contig，对于单个sag与单个配对宏基因组样本的补全场景适配不足；

6、3.常规深度学习reads分类方法通常依赖固定分类标签或参考数据库，其输出目标是物种分类、功能分类或标签识别，而不是判断候选read是否应被某一个具体目标sag接收。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供了一种基于配对宏基因组数据和深度学习筛选的单细胞微生物基因组补全方法，以待补全的目标 sag 作为条件对象，以与该sag配对的宏基因组paired-end reads作为候选补充序列，通过训练得到的sag-read条件判别模型，预测候选read或read pair是否来源于目标sag对应的基因组，预测为阳性的reads被筛选出来，与原sag reads 合并后重新组装，在控制污染的同时提高目标sag的完整度。

2、具体的，本发明一方面提出基于配对宏基因组数据和深度学习筛选的单细胞微生物基因组补全方法包括：

3、获取多个单细胞微生物基因组的原始读段，构造训练数据；

4、对每个单细胞微生物基因组的原始读段进行下采样，将部分读段用于模拟低完整度单细胞微生物基因组并进行组装，将来源于同一单胞微生物基因组但未参与组装的其他读段作为正样本，将来源于其他单细胞微生物基因组的读段作为负样本，形成目标单细胞微生物基因组-候选读段-标签的训练对；

5、对所述模拟低完整度单细胞微生物基因组的重叠群进行片段切分并提取片段特征，形成目标单细胞微生物基因组的片段级上下文表示；

6、对候选读段进行k-mer词元化，分别编码正向序列和反向互补序列，经方向无关融合后得到读段嵌入向量；

7、将所述目标单细胞微生物基因组的片段特征集合与所述读段嵌入向量输入预训练的单细胞微生物基因组-读段条件判别模型，输出候选读段属于目标单细胞微生物基因组的概率；

8、在实际应用阶段，将待补全的目标单细胞微生物基因组与配对的宏基因组双端读段数据输入所述单细胞微生物基因组-读段条件判别模型，根据输出的概率筛选宏基因组读段；

9、将筛选出的宏基因组读段与所述目标单细胞微生物基因组的原始读段合并，重新组装，得到补全后的单细胞微生物基因组序列。

10、作为本发明的进一步说明，所述单细胞微生物基因组-读段条件判别模型的训练目标为：使来源于同一单细胞微生物基因组的正样本读段的预测概率升高，使来源于其他单细胞微生物基因组的负样本读段的预测概率降低；所述判别模型以目标单细胞微生物基因组为条件，输出候选读段属于该目标单细胞微生物基因组的概率，所述概率用于在配对宏基因组数据中识别可用于补充目标单细胞微生物基因组的候选读段。

11、作为本发明的进一步说明，所述方向无关融合包括：将读段正向序列的编码结果与反向互补序列的编码结果进行逐维最大融合，后进行l2归一化，得到方向无关的读段嵌入向量。

12、作为本发明的进一步说明，所述片段级上下文表示的构建方式为，将目标单细胞微生物基因组的重叠群以设定长度为单位切分为多个片段，对各片段分别提取特征，得到目标单细胞微生物基因组的片段特征集合；所述读段嵌入向量作为查询向量，对所述片段特征集合进行注意力聚合，得到关于该候选读段的目标单细胞微生物基因组上下文向量。

13、作为本发明的进一步说明，所述筛选宏基因组读段包括：对配对的宏基因组双端读段中的每一条读段分别计算其属于目标单细胞微生物基因组的概率；根据以下任一种融合策略计算双端读段对的融合得分：取两条读段概率的最小值作为融合得分的严格模式、取两条读段概率的最大值作为融合得分的宽松模式、取两条读段概率的平均值作为融合得分的平均模式；根据融合得分，按照阈值筛选、按得分排序取前n个读段对、或按目标单细胞微生物基因组原始读段数量的设定比例进行筛选，输出筛选后的双端读段文件。

14、作为本发明的进一步说明，所述读段嵌入向量通过候选读段进行k-mer词元化后输入读段编码器获得，所述读段编码器包括嵌入层、多尺度一维卷积层、通道注意力模块或压缩激励模块、残差连接和归一化层；所述多尺度一维卷积层包含多个不同卷积核尺寸的并行卷积分支，分别用于捕获短程k-mer模式、中尺度序列模体和长程序列组成模式。

15、作为本发明的进一步说明，所述片段特征通过核苷酸transformer模型提取。

16、本发明第二方面提供一种基于配对宏基因组数据和深度学习筛选的单细胞微生物基因组补全系统，包括：

17、数据获取模块，用于获取多个单细胞微生物基因组样本的原始读段及待补全目标单细胞微生物基因组与配对宏基因组双端读段数据；

18、训练数据构造模块，用于对每个单细胞微生物基因组的读段进行下采样，构造正样本和负样本；

19、读段编码模块，用于对候选读段进行k-mer词元化及方向无关编码，生成读段嵌入向量；

20、单细胞微生物基因组特征提取模块，用于对单细胞微生物基因组重叠群进行片段切分并提取片段特征，生成片段特征集合；

21、单细胞微生物基因组-读段条件判别模型，用于接收所述片段特征集合与所述读段嵌入向量，输出候选读段属于目标单细胞微生物基因组的概率；

22、筛选模块，用于根据所述概率对配对宏基因组双端读段进行筛选；

23、组装模块，用于将筛选出的宏基因组读段与目标单细胞微生物基因组原始读段合并后进行重新组装，得到补全后的单细胞微生物基因组。

24、作为本发明的进一步说明，所述单细胞微生物基因组-读段条件判别模型的训练过程中，采用二分类交叉熵损失函数，并加入软假发现率正则项，所述软假发现率正则项用于约束训练过程中假阳性读段的比例；所述软假发现率的计算公式为：

25、其中，为第i个样本的预测概率，i为第i个样本的真实标签，为平滑系数，总损失函数为二分类交叉熵损失与软假发现率正则项的加权和

26、与现有技术相比，本发明具有以下有益的技术效果：

27、本发明在sag补全实验中，补全后单胞基因组完整度相较补全前整体提高，完整度提升的中位数为14.64个百分点，平均值为21.122个百分点；在read-sag 二分类任务中，本发明模型基于比对或k-mer相似性的非深度学习基线方法取得明显更优的auroc和auprc，说明本发明并非简单增加宏基因组reads，而是通过条件判别模型筛选出更适合目标sag补全的 reads。

28、本发明以单个sag为条件，从配对宏基因组reads中筛选可用于补全该单个 sag的reads，先提升sag本身的完整度和组装质量；补全后的sag后续仍可进入共组装、分类注释或metasag类下游分析流程，解决了单细胞基因组本体质量提升问题，而不是仅提供宏基因组/sag的联合探索分析。

29、本技术方案的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术方案而了解。本技术方案的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

30、下面通过附图和实施例，对本技术方案的技术方案做进一步的详细描述。