组学数据处理方法、装置、电子设备和存储介质与流程

1.本公开涉及人工智能技术领域，具体为深度学习、智能医疗技术领域，尤其涉及组学数据处理方法、装置、电子设备和存储介质。


背景技术：

2.随着高通量测序技术的发展，组学数据在现代医学中的使用越来越多，由于组学数据可以整体刻画出病人的健康状况，因此在疾病诊断、用药等方面被广泛应用。
3.但是，组学数据的高维度、高噪声、批次效应等特点，为实际应用带来了很多困难，获取精准的组学数据的低维表示，对于提高比如癌症分型的分类、个体生存分析等下游应用的准确性，具有重要意义。


技术实现要素：

4.本公开提供了一种用于组学数据处理方法、装置、电子设备和存储介质。
5.根据本公开的一方面，提供了一种组学数据处理方法，所述方法包括：获取组学数据；根据所述组学数据中多个基因的表达量，对所述组学数据进行编码，以得到所述组学数据的特征；根据所述组学数据的特征，执行所述组学数据的目标任务。
6.根据本公开的另一方面，提供了一种用于组学数据处理的模型训练方法，所述方法包括：获取训练组学数据；采用至少两种数据增强策略，对所述训练组学数据中的多个基因的表达量进行调整，以得到至少两种增强组学数据；根据所述至少两种增强组学数据中多个基因的表达量，采用深度神经网络模型进行编码，以得到对应的特征；根据所述至少两种增强组学数据的特征之间的差异，调整所述神经网络模型的模型参数，以使所述差异最小化。
7.根据本公开的另一方面，提供了一种组学数据处理装置，所述装置包括：第一获取模块，用于获取组学数据；第一编码模块，用于根据所述组学数据中多个基因的表达量，对所述组学数据进行编码，以得到所述组学数据的特征；处理模块，用于根据所述组学数据的特征，执行所述组学数据的目标任务。
8.根据本公开的另一方面，提供了一种用于组学数据处理的模型训练装置，包括：第二获取模块，用于获取训练组学数据；第一调整模块，用于采用至少两种数据增强策略，对所述训练组学数据中的多个基因的表达量进行调整，以得到至少两种增强组学数据；第二编码模块，用于根据所述至少两种增强组学数据中多个基因的表达量，采用深度神经网络模型进行编码，以得到对应的特征；第二调整模块，用于根据所述至少两种增强组学数据的特征之间的差异，调整所述神经网络模型的模型参数，以使所述差异最小化。
9.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开的组学数据处理方法，或者执行本公开的用于组学数据处理的模型训练方法。
10.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例公开的组学数据处理方法，或者执行本公开实施例公开的用于组学数据处理的模型训练方法。
11.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开的组学数据处理方法的步骤，或者实现本公开的用于组学数据处理的模型训练方法的步骤。
12.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开第一实施例的组学数据处理方法的流程示意图；
15.图2是根据本公开第二实施例的组学数据处理方法的流程示意图；
16.图3是根据本公开第三实施例的用于组学数据处理的模型训练方法的流程示意图；
17.图4是根据本公开第三实施例的用于组学数据处理的模型训练方法的架构示意图；
18.图5是根据本公开第四实施例的用于组学数据处理的模型训练方法的流程示意图；
19.图6是根据本公开第五实施例的组学数据处理装置的结构示意图；
20.图7是根据本公开第六实施例的用于组学数据处理的模型训练装置的结构示意图；
21.图8是用来实现本公开实施例的组学数据处理方法或用于组学数据处理的模型训练方法的电子设备的框图。
具体实施方式
22.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
23.本公开提供的组学数据处理方法、用于组学数据处理的模型训练方法、装置、电子设备、非瞬时计算机可读存储介质以及计算机程序产品，涉及人工智能技术领域，具体为深度学习、智能医疗技术领域。
24.其中，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
25.智能医疗，是通过打造健康档案区域医疗信息平台，利用最先进的物联网技术，实
现患者与医务人员、医疗机构、医疗设备之间的互动，逐步达到信息化。在不久的将来医疗行业将融入更多人工智慧、传感技术等高科技，使医疗服务走向真正意义的智能化，推动医疗事业的繁荣发展。
26.目前，组学数据的高维度、高噪声、批次效应等特点，为实际应用带来了很多困难，获取精准的组学数据的低维表示，对于提高比如癌症种类分型、生存分析等下游应用的准确性，具有重要意义。
27.本公开提供一种组学数据处理方法，通过根据组学数据中多个基因的表达量，对组学数据进行编码，以得到组学数据的特征，进而根据组学数据的特征，执行组学数据的目标任务，能够获取精准的组学数据的低维表示，进而提高基于组学数据对病人进行癌症分型、生存分析等下游的目标任务的准确性。
28.下面参考附图描述本公开实施例的组学数据处理方法、用于组学数据处理的模型训练方法、装置、电子设备、非瞬时计算机可读存储介质以及计算机程序产品。
29.图1是根据本公开第一实施例的组学数据处理方法的流程示意图。其中，需要说明的是，本实施的组学数据处理方法，执行主体为组学数据处理装置，该组学数据处理装置可以由软件和/或硬件实现，该组学数据处理装置可以配置在电子设备，该电子设备可以包括但不限于终端设备、服务器等，该实施例对电子设备不作具体限定。
30.如图1所示，该组学数据处理方法可以包括：
31.步骤101，获取组学数据。
32.其中，该组学数据，为待处理的组学数据。组学数据中包括多个基因。
33.步骤102，根据组学数据中多个基因的表达量，对组学数据进行编码，以得到组学数据的特征。
34.其中，基因表达是指细胞在生命过程中，把储存在dna(deoxyribonucleic acid，脱氧核糖核酸)顺序中遗传信息经过转录和翻译，转变成具有生物活性的蛋白质分子。基因的表达量，是基因表达的量化数值。
35.在本公开实施例中，对组学数据进行编码，即对组学数据进行特征提取。通过根据组学数据中多个基因的表达量，对组学数据进行特征提取，能够实现从组学数据中充分提取特征，从而得到精准的组学数据的特征。其中，组学数据的特征，即为组学数据的低维度的组学表征，即低维表示。
36.其中，对组学数据进行特征提取，可以通过深度神经网络模型实现，比如可以通过经过训练的mlp(multi-layer perception，多层感知机)模型，实现根据组学数据中多个基因的表达量，对组学数据进行特征提取。或者，也可以通过其它方式实现，本公开对此不作限制。
37.步骤103，根据组学数据的特征，执行组学数据的目标任务。
38.其中，目标任务，可以为个体生存分析任务、疾病诊断任务、用药推荐任务、癌症分型的分类任务等任意下游任务，本公开对此不作限制。
39.本公开实施例中，得到组学数据的特征后，即可根据组学数据的特征，执行组学数据的目标任务。由于本公开中能够得到精准的组学数据的低维表示，提高了组学数据的低维表示的表达能力，从而能够更好的描述病人的状态，进而基于得到的组学数据的低维表示，执行组学数据的目标任务，能够提高目标任务的准确性。
40.本公开实施例的组学数据处理方法，通过获取组学数据，根据组学数据中多个基因的表达量，对组学数据进行编码，以得到组学数据的特征，进而根据组学数据的特征，执行组学数据的目标任务，能够获取精准的组学数据的低维表示，进而提高癌症分型的分类任务、个体生存分析任务等下游的目标任务的准确性。
41.下面结合图2，对本公开提供的组学数据处理方法中，根据组学数据中多个基因的表达量，对组学数据进行编码，以得到组学数据的特征的过程进一步说明。
42.图2是根据本公开第二实施例的组学数据处理方法的流程示意图。如图2所示，组学数据处理方法，可以包括以下步骤：
43.步骤201，获取组学数据。
44.其中，组学数据，为待处理的组学数据。组学数据中包括多个基因的表达量。
45.步骤202，根据组学数据中的多个基因的表达量，生成输入向量。
46.步骤203，将输入向量输入深度神经网络模型进行编码，以得到组学数据的特征。
47.其中，深度神经网络模型，可以为任意能够实现特征提取的模型，比如mlp模型，本公开对此不作限制。
48.在本公开实施例中，可以预先采用对比学习的方式训练深度神经网络模型，深度神经网络模型的输入为根据组学数据中多个基因的表达量生成的输入向量，输出为组学数据的特征，从而在获取组学数据后，可以根据组学数据中的多个基因的表达量，生成输入向量，并将输入向量输入经过训练的深度神经网络模型，采用深度神经网络模型对组学数据进行特征提取，以得到组学数据的特征。
49.其中，深度神经网络模型的训练过程，可以参考下述实施例，此处不再赘述。
50.通过根据组学数据中多个基因的表达量，生成输入向量，将输入向量输入深度神经网络模型，以采用深度神经网络模型对组学数据进行编码，实现了采用深度神经网络模型，从组学数据中充分提取特征，得到精准的组学数据的特征。
51.在本公开实施例中，输入向量包括一个或多个维度，组学数据中的一个或多个基因，对应输入向量的一个维度。其中，在输入向量包括一个维度时，可以根据组学数据中多个基因的表达量，确定该维度的取值。在输入向量包括多个维度时，对于任一维度，可以根据组学数据中该维度对应的一个或多个基因的表达量，确定该维度的取值。
52.即本公开实施例中，根据组学数据中的多个基因的表达量，生成输入向量时，可以将组学数据中的多个基因的表达量作为输入向量中对应维度的取值。
53.由此，可以使得生成的输入向量中包含组学数据中多个基因的表达量，进而使得深度神经网络模型能够根据输入向量包含的多个基因的表达量，充分从组学数据中提取特征。
54.步骤204，根据组学数据的特征，执行组学数据的目标任务。
55.其中，目标任务，可以为个体生存分析任务、疾病诊断任务、用药推荐任务、癌症分型的分类任务等任意下游任务，本公开对此不作限制。
56.本公开实施例的组学数据处理方法，通过获取组学数据，根据组学数据中的多个基因的表达量，生成输入向量，将输入向量输入深度神经网络模型进行编码，以得到组学数据的特征，进而根据组学数据的特征，执行组学数据的目标任务，能够获取精准的组学数据的低维表示，进而提高癌症分型的分类任务、个体生存分析任务等下游的目标任务的准确
性。
57.根据本公开的实施例，还提供一种用于组学数据处理的模型训练方法。图3是根据本公开第三实施例的用于组学数据处理的模型训练方法的流程示意图。
58.其中，需要说明的是，本公开实施例提供的用于组学数据处理的模型训练方法，执行主体为用于组学数据处理的模型训练装置，以下简称模型训练装置。该模型训练装置可以由软件和/或硬件实现，该模型训练装置可以配置在电子设备，该电子设备可以包括但不限于终端设备、服务器等，该实施例对电子设备不作具体限定。
59.如图3所示，用于组学数据处理的模型训练方法，可以包括以下步骤：
60.步骤301，获取训练组学数据。
61.其中，训练组学数据中包括多个基因。
62.步骤302，采用至少两种数据增强策略，对训练组学数据中的多个基因的表达量进行调整，以得到至少两种增强组学数据。
63.其中，基因的表达量，是基因表达的量化数值。
64.数据增强策略，为用于对训练组学数据进行数据增强的策略。数据增强策略，可以根据需要设置，本公开对此不作限制。
65.本公开实施例中，可以采用至少两种数据增强策略，对训练组学数据进行数据增强，得到至少两种增强组学数据。其中，采用每种数据增强策略，对训练组学数据进行数据增强，对应得到一种增强组学数据。
66.具体的，可以采用至少两种数据增强策略，对训练组学数据中的多个基因的表达量进行调整，从而实现对训练组学数据进行数据增强。其中，采用每种数据增强策略，对训练组学数据中的多个基因的表达量进行调整，对应得到一种增强组学数据。
67.步骤303，根据至少两种增强组学数据中多个基因的表达量，采用深度神经网络模型进行编码，以得到对应的特征。
68.其中，深度神经网络模型，可以为mlp模型，也可以为其它模型，本公开对此不作限制。
69.本公开实施例中，对于每种增强组学数据，可以根据其中多个基因的表达量，采用深度神经网络模型对该种增强组学数据进行编码，以得到该种增强组学数据对应的特征。其中，增强组学数据对应的特征，即为增强组学数据的低维度的组学表征，即低维表示。其中，对增强组学数据进行编码，即对增强组学数据进行特征提取。
70.步骤304，根据至少两种增强组学数据的特征之间的差异，调整神经网络模型的模型参数，以使差异最小化。
71.在本公开实施例中，可以采用对比学习的方式来进行模型训练。具体的，获取至少两种增强组学数据对应的特征后，可以根据至少两种增强组学数据对应的特征之间的差异，共同计算对比学习损失函数，并通过调整深度神经网络模型的模型参数，以使对比学习损失函数最小化，来优化深度神经网络模型的模型参数。通过多次重复302-304的步骤，对深度神经网络模型的模型参数进行多次优化，即可得到训练后的深度神经网络模型。
72.其中，可以通过sgd(stochastic gradient descent，随机梯度下降)、bgd(batch gradient descent，批量梯度下降)法等任意优化方法，对深度神经网络模型的模型参数进行优化，本公开对此不作限制。
73.其中，对比学习损失函数，可以为infonce(info noise-contrastive estimation，信息噪声对比估计)损失函数、barlow twins(一种自监督学习方法)损失函数，或者也可以为其它损失函数，可以根据所使用的对比学习方法进行选择，本公开对此不作限制。
74.以infonce损失函数为例，可以通过增大批量大小(batch size)，在组学数据样本之间构建正负样本，从而在隐空间对组学数据样本之间的差异与相关性进行学习。其中，一个组学数据样本，可以理解为一种增强组学数据。
75.以采用两种数据增强策略，对训练组学数据中的多个基因的表达量进行调整，得到两种增强组学数据，并基于两种增强组学数据进行模型训练为例，参考图4所示的架构图，本公开实施例中可以采用双塔模型，模型包括数据增强模块、编码模块和损失函数计算模块。其中，数据增强模块可以采用两种数据增强策略，对输入的训练组学数据401进行数据增强，得到两种增强组学数据402和403。编码模块通过深度神经网络模型404实现，将增强组学数据402输入深度神经网络模型404，以采用深度神经网络模型404对增强组学数据402进行特征提取，可以得到增强组学数据402对应的低维度的特征405。类似的，将增强组学数据403输入深度神经网络模型404，以采用深度神经网络模型404对增强组学数据403进行特征提取，可以得到增强组学数据403对应的低维度的特征406。损失函数计算模块，在获取编码模块输出的特征405和406后，可以根据增强组学数据402的特征405，与增强组学数据403的特征406之间的差异，计算对比学习损失函数，并通过调整深度神经网络模型404的模型参数，以使对比学习损失函数最小化，来优化深度神经网络模型404的模型参数。通过多次采用两种数据增强策略，对训练图数据401进行数据增强，以基于两种增强组学数据的特征之间的差异，对深度神经网络模型404的模型参数进行多次优化，即可得到深度神经网络模型404的最优参数，完成深度神经网络模型404的训练。
76.需要说明的是，本公开实施例中的训练后的深度神经网络模型，可以用于获取组学数据，并根据组学数据中多个基因的表达量，对组学数据进行编码，以得到组学数据的特征。采用训练后的深度神经网络模型执行上述步骤的过程，可以参数上述组学数据处理方法的实施例的说明，此处不再赘述。
77.通过采用对比学习的方式学习，可以学习到至少两种增强组学数据之间的相关性和差异性，使得训练得到的深度神经网络模型能够从组学数据中充分提取特征，得到精准的组学数据的低维表示，提高组学数据的低维表示的表达能力，从而能够更好的描述病人的状态，进而基于得到的组学数据的低维表示，执行组学数据的目标任务，能够提高目标任务的准确性。
78.综上，本公开实施例提供的用于组学数据处理的模型训练方法，通过获取训练组学数据，采用至少两种数据增强策略，对训练组学数据中的多个基因的表达量进行调整，以得到至少两种增强组学数据，根据至少两种增强组学数据中多个基因的表达量，采用深度神经网络模型进行编码，以得到对应的特征，根据至少两种增强组学数据的特征之间的差异，调整神经网络模型的模型参数，以使差异最小化，实现了基于训练组学数据，对深度神经网络模型进行训练，得到用于组学数据处理的深度神经网络模型，利用训练后的深度神经网络模型进行组学数据处理，能够实现从组学数据中充分提取特征，得到精准的组学数据的低维表示，进而提高癌症分型的分类任务、个体生存分析任务等下游的目标任务的准
确性。
79.下面结合图5，对本公开提供的用于组学数据处理的模型训练装置进一步说明。
80.图5是根据本公开第四实施例的用于组学数据处理的模型训练方法的流程示意图。
81.如图5所示，用于组学数据处理的模型训练方法，可以包括以下步骤：
82.步骤501，获取训练组学数据。
83.步骤502，采用至少两种数据增强策略，对训练组学数据中的至少一个基因的表达量进行掩码，以得到至少两种增强组学数据。
84.本公开实施例中，采用至少两种数据增强策略，对训练组学数据进行数据增强时，至少两种数据增强策略，可以均为对训练组学数据中的至少一个基因的表达量进行掩码，但各数据增强策略对应的掩码位置不同，即不同数据增强策略为对不同的基因的表达量进行掩码。从而通过采用至少两种数据增强策略，对训练组学数据中的至少一个基因的表达量进行掩码，由于不同数据增强策略为对不同的基因的表达量进行掩码，则可以得到至少两种增强组学数据。
85.在本公开实施例中，采用至少两种数据增强策略，对训练组学数据进行数据增强时，至少两种数据增强策略，也可以均为对训练组学数据中的至少一个基因的表达量添加噪声，但不同数据增强策略对应的噪声添加方式不同。比如不同数据增强策略为对不同的基因的表达量添加噪声，或者不同数据增强策略为对相同基因的表达量添加不同幅度的噪声，或者不同数据增强策略为对不同的基因的表达量添加噪声，且添加的噪声的幅度不同。从而通过采用至少两种数据增强策略，对训练组学数据中的至少一个基因的表达量添加噪声，由于不同数据增强策略存在差别，则可以得到至少两种增强组学数据。
86.相应的，步骤502可以替换为：采用至少两种数据增强策略，对训练组学数据中的至少一个基因的表达量添加噪声，以得到至少两种增强组学数据。
87.通过采用至少两种数据增强策略，对训练组学数据中的至少一个基因的表达量进行掩码，或者采用至少两种数据增强策略，对训练组学数据中的至少一个基因的表达量添加噪声，实现了对训练组学数据进行数据增强，得到至少两种增强组学数据，进而使得采用数据增强后的增强组学数据进行训练得到的深度神经网络模型，在对组学数据进行编码时的抗干扰能力增强，从而通过训练后的深度神经网络模型能够获取更准确的组学数据的低维表示。
88.步骤503，根据至少两种增强组学数据中多个基因的表达量，采用深度神经网络模型进行编码，以得到对应的特征。
89.步骤504，根据至少两种增强组学数据的特征之间的差异，调整神经网络模型的模型参数，以使差异最小化。
90.其中，步骤503-504的具体实现过程及原理，可以参考上述实施例的描述，此处不再赘述。
91.综上，本公开实施例提供的用于组学数据处理的模型训练方法，通过获取训练组学数据，采用至少两种数据增强策略，对训练组学数据中的至少一个基因的表达量进行掩码，以得到至少两种增强组学数据，根据至少两种增强组学数据中多个基因的表达量，采用深度神经网络模型进行编码，以得到对应的特征，根据至少两种增强组学数据的特征之间
的差异，调整神经网络模型的模型参数，以使差异最小化，实现了基于训练组学数据，对深度神经网络模型进行训练，得到用于组学数据处理的深度神经网络模型，利用训练后的深度神经网络模型进行组学数据处理，能够实现从组学数据中充分提取特征，得到精准的组学数据的低维表示，进而提高癌症分型的分类任务、个体生存分析任务等下游的目标任务的准确性。
92.下面结合图6，对本公开提供的组学数据处理装置进行说明。
93.图6是根据本公开第五实施例的组学数据处理装置的结构示意图。
94.如图6所示，本公开提供的组学数据处理装置600，包括：第一获取模块601、第一编码模块602以及处理模块603。
95.其中，第一获取模块601，用于获取组学数据；
96.第一编码模块602，用于根据组学数据中多个基因的表达量，对组学数据进行编码，以得到组学数据的特征；
97.处理模块603，用于根据组学数据的特征，执行组学数据的目标任务。
98.需要说明的是，本实施例提供的组学数据处理装置600，可以执行前述实施例的组学数据处理方法。其中，组学数据处理装置600可以由软件和/或硬件实现，该组学数据处理装置600可以配置在电子设备，该电子设备可以包括但不限于终端设备、服务器等，该实施例对电子设备不作具体限定。
99.作为本公开实施例的一种可能的实现方式，第一编码模块602，包括：
100.生成单元，用于根据组学数据中的多个基因的表达量，生成输入向量；
101.编码单元，用于将输入向量输入深度神经网络模型进行编码，以得到组学数据的特征。
102.作为本公开实施例的一种可能的实现方式，生成单元，包括：
103.处理子单元，用于将组学数据中的多个基因的表达量作为输入向量中对应维度的取值。
104.需要说明的是，前述对于组学数据处理方法的实施例的说明，也适用于本公开提供的组学数据处理装置，此处不再赘述。
105.本公开实施例提供的组学数据处理装置，通过获取组学数据，根据组学数据中多个基因的表达量，对组学数据进行编码，以得到组学数据的特征，进而根据组学数据的特征，执行组学数据的目标任务，能够获取精准的组学数据的低维表示，进而提高癌症分型的分类任务、个体生存分析任务等下游的目标任务的准确性。
106.根据本公开的实施例，还提供一种用于组学数据处理的模型训练装置。
107.下面结合图7，对本公开提供的用于组学数据处理的模型训练装置进行说明。
108.图7是根据本公开第六实施例的用于组学数据处理的模型训练装置的结构示意图。
109.如图7所示，本公开提供的用于组学数据处理的模型训练装置700，包括：第二获取模块701、第一调整模块702、第二编码模块703以及第二调整模块704。
110.其中，第二获取模块701，用于获取训练组学数据；
111.第一调整模块702，用于采用至少两种数据增强策略，对训练组学数据中的多个基因的表达量进行调整，以得到至少两种增强组学数据；
112.第二编码模块703，用于根据至少两种增强组学数据中多个基因的表达量，采用深度神经网络模型进行编码，以得到对应的特征；
113.第二调整模块704，用于根据至少两种增强组学数据的特征之间的差异，调整神经网络模型的模型参数，以使差异最小化。
114.需要说明的是，本实施例提供的用于组学数据处理的模型训练装置700，简称模型训练装置，可以执行前述实施例的用于组学数据处理的模型训练方法。其中，模型训练装置可以由软件和/或硬件实现，该模型训练装置可以配置在电子设备，该电子设备可以包括但不限于终端设备、服务器等，该实施例对电子设备不作具体限定。
115.作为本公开实施例的一种可能的实现方式，第一调整模块702，包括：
116.掩码单元，用于采用至少两种数据增强策略，对训练组学数据中的至少一个基因的表达量进行掩码，以得到至少两种增强组学数据。
117.作为本公开实施例的一种可能的实现方式，第一调整模块702，包括：
118.处理单元，用于采用至少两种数据增强策略，对训练组学数据中的至少一个基因的表达量添加噪声，以得到至少两种增强组学数据。
119.需要说明的是，前述对于用于组学数据处理的模型训练方法的实施例的说明，也适用于本公开提供的用于组学数据处理的模型训练装置，此处不再赘述。
120.本公开实施例提供的用于组学数据处理的模型训练装置，通过获取训练组学数据，采用至少两种数据增强策略，对训练组学数据中的多个基因的表达量进行调整，以得到至少两种增强组学数据，根据至少两种增强组学数据中多个基因的表达量，采用深度神经网络模型进行编码，以得到对应的特征，根据至少两种增强组学数据的特征之间的差异，调整神经网络模型的模型参数，以使差异最小化，实现了基于训练组学数据，对深度神经网络模型进行训练，得到用于组学数据处理的深度神经网络模型，利用训练后的深度神经网络模型进行组学数据处理，能够实现从组学数据中充分提取特征，得到精准的组学数据的低维表示，进而提高癌症分型的分类任务、个体生存分析任务等下游的目标任务的准确性。
121.基于上述实施例，本公开还提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开的组学数据处理方法，或者执行本公开的用于组学数据处理的模型训练方法。
122.基于上述实施例，本公开还提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例公开的组学数据处理方法，或者执行本公开实施例公开的用于组学数据处理的模型训练方法。
123.基于上述实施例，本公开还提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开的组学数据处理方法的步骤，或者实现本公开的用于组学数据处理的模型训练方法的步骤。
124.根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质和一种计算机程序产品。
125.图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种
形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
126.如图8所示，该电子设备800可以包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
127.设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
128.计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如组学数据处理方法或用于组学数据处理的模型训练方法。例如，在一些实施例中，组学数据处理方法或用于组学数据处理的模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的组学数据处理方法或用于组学数据处理的模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行组学数据处理方法或用于组学数据处理的模型训练方法。
129.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
130.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
131.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可
读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
132.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
133.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、互联网和区块链网络。
134.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
135.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
136.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。