[发明专利]基于时序数据的表型本体构建方法

摘要

本发明公开了一种基于时序数据的表型本体构建方法，用于解决现有表型本体构建方法实用性差的技术问题。技术方案是通过基因之间的相互作用关系自动识别并捕获瞬时表型，通过捕捉瞬时表型之间的关系，构建一个有向无环图，最终得到表型本体。本发明绕植物表型本体展开，通过基因、表型和环境之间的关系，构建出植物的时序表型本体。该方法基于图论挖掘植物时序表型数据中的潜在模式，算法易于实现，时间复杂度低，能够在有限的时间复杂度和空间复杂度内完成本体构建。其构建出来的表型本体拥有完善的拓扑结构，是一个注释了生物信息的有向无环图。节点之间的关系被很好的保留，节点的生物信息和生物意义也被很好的注释，实用性好。

主权项

1.一种基于时序数据的表型本体构建方法，其特征在于包括以下步骤：步骤一、获取实验数据；动态环境光合成像集成多个组件的实验平台，在动态环境条件下连续监测植物的生长和光合作用；实验中每个突变体为敲除特定基因的拟南芥植株，在动态环境下对其光合作用的参数和叶片的生长情况进行数天的监测，最终得到拟南芥的光合作用时序表型数据；基于DEPI技术测量得到初始表型数据，使用记录的倍数变化将每个基因的表型值与参考值进行比较，得到相对表型值；参考值是野生型突变体实验，重组近交系实验中的亲本系，或者是群体实验中所有个体的平均值；步骤二、表型相关性的计算；给定时序表型数据M(P,T)，T_i是一个时间窗口，T_i∈T；P是一个基因集合，集合中的每个基因P_j代表敲除该基因的一个突变体；首先将时间序列T切割为m个长度为n的时间窗口；一个表型术语的最小注释时间长度为一个时间窗口的大小，时间窗口内的时间点是连续的；然后针对每一个时间窗口T_i，构造一个无向图G_i(S,E_i)，S是基因集合，E_i为无向图中的边，表示在时间窗口T_i内两个基因具有相似的表型值；对于每一个时间窗口T_i均使用NPM聚类方法进行多次聚类，通过统计任意两个基因被聚在同一类的频数，计算出这两个基因的表型相关性；对于基因g_i和基因g_j，在n次试验中，被聚在同一类的次数为k，则表型相关性为：计算出来的值越大，表示该基因对拥有更为相似的表型值；步骤三、动态表型网络构建；初始化各个时刻下的表型网络是散点图；根据计算得到的基因的表型相关性，将表型相关性值满足给定阈值的基因对进行连接操作；当两个基因的表型相关性大于给定的阈值时，将在无向图内增加一条边连接这两个基因；通过不断的连接，构造每一个时间窗口下的无向图；由步骤二计算得到的基因表型相关性初步得到T＝{T₁,T₂,T₃}，P＝{A,B,C,D,E,F,G}；初始化各个基因结点为孤立的节点；当表型相关性阈值设定为0.8时，在时间窗口T₁下，满足阈值要求的基因对有：(A,B),(A,C)(A,D),(B,C),(B,D),(C,D),(D,E),(D,F),(D,G),(E,F),(F,G)，因此分别对这些基因之间进行连边操作，生成时间窗口T₁下的无向图G₁；在时间窗口T₂下，满足阈值要求的有9组基因对：(A,B),(A,C),(A,E),(B,C),(B,E),(C,E),(C,F),(E,F),(F,G)，分别对这些基因之间进行连边操作，生成时间窗口T₂下的无向图G₂；在时间窗口T₃下，表型相关性满足给定阈值要求的一共有8组基因对，这8组基因对分别为：(A,C),(A,G),(C,E),(C,F),(C,G),(E,F),(E,G)，(F，G)，分别对这些基因对之间进行连边操作，生成时间窗口T₃下对应的无向图G₃；对每一个无向图，使用改进版本的Bron‑Kerbosch算法查找出对应的极大团；对无向图G₁，通过极大团算法搜寻得到三个极大团，这三个极大团分别为C_1,1＝{A，B，C，D}，C_1，2＝{D，E，F}，C_1，3＝{D，F，G}；对无向图G₂，得到四个极大团，分别为C₂，₁＝{C，E，F}，C_2，2＝{A，B，C，E}，C_2,3＝{G，F}，C_2，4＝{D}；对无向图G₃，得到四个极大团，分别为C_3，1＝{C，E，F，G}，C_3，2＝{A，C，G}，C_3，3＝{B}，C_3，4＝{D}；定义C为网络G(S，E，T)的所有极大团集合，C(S_j，Ti)定义了一个表型术语，其注释基因是S_j，时间窗口是Ti，C(S_j，Ti)∈C；表型本体有一个抽象的根节点，根节点没有任何信息，是一个为了优化结构的空节点，所有无向图生成的极大团都与根节点直接相连，对应边由根节点指向极大团节点；步骤四、极大团的信息融合；当查找到当前时间窗口下的极大团后，将其与相邻的其他时间窗口下的极大团进行信息融合；融合的操作是不断的取基因的交集集合，同时扩充时间；融合后根据表型本体的准则判断其是否满足表型术语的定义，如果不满足则舍弃，如果满足，则加入到表型本体结构中；在表型本体构建过程中，第一层的表型术语P₁，P₂，P₃，其注释时间均为T₁；P₁＝C({A，B,C，D}，{T₁})，P₂＝C({D,E，F}，{T₁})，P₃＝C({D，F，G}，{T₁})，时间窗口T₂下，P₄＝C({C，E，F}，{T₂})，P₅＝C({A，B,C,E},{T₂})，P₆＝C({F,G},{T₂})；将P₁与P₄，P₅，P₆分别相交，得到P₇＝C({C}，{T_1，2})，P₈＝C({A，B，C}，{T_1,2})；P₂与P₄，P₅，P₆分别相交得到P₉，P₁₀，P₁₁；P₃与P₄，P₅，P₆分别相交得到P₁₂，P₁₃；根据定义1，P₇，P₁₀，P₁₁由于注释基因过少，低于给定的阈值，所以被舍弃；P₈，P₉，P₁₃满足给定的表型本体的要求，因此留在表型本体中；将注释时间为T_1，2的每一个表型本体与注释时间T₃窗口下的每一个表型本体进行取交集操作；T₃时间窗口下的表型本体有P₁₄，P₁₅；P₈＝C({A，B，C}，{T_1，2})与P₁₄＝(C({D，E，F，G},{T₃}))取交集生成P₁₆＝(C({C},{T_1,2,3}))；P₈＝C({A,B,C},{T_1,2})与P₁₅＝(C({A,C,G},{T₃}))取交集生成P₁₇＝(C({A,C},{T_1,2,3}))；P₉＝C({E,F},{T_1,2})与P₁₄＝(C({D,E,F,G},{T₃}))取交集生成P₁₈＝(C({E,F},{T_1,2,3}))；P₉＝C({E,F},{T_1,2})与P₁₅＝(C({A,C,G},{T₃}))取交集生成P₁₉＝(C({F,G},{T_1,2,3}))；根据定义1，由于P₁₆不满足注释基因个数的最低要求，P₁₆被舍弃；在表型本体信息融合过程中，所有不满足定义要求的节点都被舍弃；由于P₁₈和P₉是父子关系，拥有同样的注释基因，但是P₁₈的注释时间更长，为了避免冗余，用P₁₈代替P₉节点；步骤五、时序表型本体的构建；已知某时间点下动态网络的极大团，即种子术语，将种子术语与相邻时间点下的极大团进行集合取交集操作，融合极大团信息；交集结果临时存储在内存中，并不断让交集结果与下一个时间点的极大团进行集合操作，如此循环直至最后一个时间点；为了能够将所有的表型术语间复杂的关系合理的表示出来，构建一个空节点的有向无环图P_root，该节点是一个抽象的节点，不具备任何意义；首先将所有时间窗口下生成的有向无环图与P_root直接相连，接下来，对任意两个不同时间窗口下的表型本体进行判断是否有关联，如果有关联，则加边；判断规则如下：对于两个表型术语C(P_j,T_i)和C(P_h,T_k)，如果两者在网络中没有父子关系则进行判断，当表型术语C(P_j,T_i)的注释基因是另一个表型术语C(P_h,T_k)注释基因的父集，即且C(P_j,T_i)的注释时间是C(P_h,T_k)的子集，即则在有向无环图中增加一条从C(P_j,T_i)指向C(P_h,T_k)的有向边；在时间窗口T₁，T₂，T₃下分别得到三个有向无环图；这三个有向无环图首先直接到空节点P_root上；接着进行表型术语之间的关系判断，决定是否加入新的边；对P₅＝C({A,B,C,,E},{T₂})和P₈＝C({A,B,C},{T_1,2})来说，由于P₅的注释基因集合{A,B,C,E}是P₈的注释基因集合{A,B,C}的父集，而P₅的注释时间集合{T₂}是P₈的注释基因集合{T_1,2}的子集，因此增加一条从P₅指向P₈的有向边；对于P₂₁＝C({C,E,F},{T_1,2})和P₁₈＝C({E,F},{T_1,2,3})来说，由于P₂₁的注释基因集合{C,E,F}是P₁₈的注释基因集合{E,F}的父集，而P₂₁的注释时间集合{T_1,2}是P₁₈的注释基因集合{T_1,2,3}的子集，因此增加一条从P₂₁指向P₁₈的有向边；增加P₁₅到P₂₃，P₁₄到P₁₉的有向边；增加P₁₄到P₁₉、P₁₄到P₂₁、P₁₅到P₂₃的有向边，完成本体结构图的合并与构建；步骤六、时序表型本体的优化；对于每个生成的表型术语，根据术语的注释基因和注释时间，对应得到若干个连续时间下测得的表型值集合；假设注释基因个数为a，注释时间长度为b，涉及的表型数据有c种，则得到a*b*c个表型值；对这些表型值的值分布进行判断，有n个值处于给定的有意义区间内，则该表型术语的得分值为：有意义得分值的最大值为1，最小值为0，值越大，表示表型术语越有意义；为了减少表型术语的冗余，将高度相似的表型术语进行融合；高度相似定义为两个集合只相差一个基因不同，其余的基因相同；并根据给定表型值的纯度阈值，去除无意义的表型术语，优化本体的拓扑结构。