CN114496073A - 用于识别阳性重排的方法、计算设备和计算机存储介质 - Google Patents

Abstract

本公开涉及一种用于识别阳性重排的方法、计算设备和计算机存储介质。该方法包括：获取关于待测样本的比对结果数据；提取支持多种重排的跨断点的多个支持读长；针对多种重排中的每种重排，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的每个基因组位置上关于多种碱基的碱基类型数据，以便生成关于支持读长的对应断点的第一碱基类型数据；以及生成关于参考基因组的对应断点的第二碱基类型数据；基于第一碱基类型数据和第二碱基类型数据，生成输入特征；以及经由重排预测模型生成关于阳性重排的预测结果。本公开能够自动、高通量地并且高准确性地识别阳性重排。

Description

用于识别阳性重排的方法、计算设备和计算机存储介质

技术领域

本公开总体上涉及生物信息处理，并且具体地，涉及用于识别阳性重排的方法、计算设备和计算机存储介质。

背景技术

融合基因(或者简称“重排”)是指两个或者多个基因联合起来，一起转录形成一个转录本。准确检测阳性融合基因可以作为某些疾病的特异分子标记。例如，BCR/ABL融合基因存在于95％以上的慢性粒细胞白血病患者中，因此，BCR/ABL融合基因可以用于慢性粒细胞白血病的特异分子标记。再例如，AML1/ETO融合基因主要存在于急性粒细胞白血病部分分化型患者中，因此AML1/ETO融合基因可以用于协助急性粒细胞白血病部分分化型的辅助诊断。还例如，针对NTRK融合靶点的LOXO-101的靶向药物对泛癌种具有广泛的药效，有数据表明，其可以达到整体70-80％的癌症控制率。因此，准确识别阳性重排具有重要的临床应用意义。

传统的识别阳性重排的方案例如包括：利用重排calling软件识别重排/融合变异结果，但是上述重排/融合变异结果通常包含一定的假阳性，不适于对于假阳性需要严格控制的临床应用。为了严格控制上述经由重排calling软件所识别的重排/融合的假阳性，通常会利用IGV可视化方式、经由人工检查来确认重排/融合的真假。

传统的识别阳性重排的方案针对在有限时间内识别大批量样本阳性重排的情形，需要耗费巨大的人力，在有限人力的情况下会明显推延获得识别结果的时间，进而延误临床应用的宝贵时机。

综上，传统的识别阳性重排的方案存在的不足之处在于，难以自动、高通量地并且高准确性地识别阳性重排。

发明内容

本公开提供一种用于识别阳性重排的方法、计算设备和计算机存储介质，能够自动、高通量地并且高准确性地识别阳性重排。

根据本公开的第一方面，提供了一种用于识别阳性重排的方法。该方法包括：获取关于待测样本的比对结果数据，比对结果数据包括关于待测样本的全基因组比对信息；在所获取的比对结果数据中，提取支持多种重排的跨断点的多个支持读长；针对多种重排中的每种重排，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的每个基因组位置上关于多种碱基的碱基类型数据，以便生成关于支持读长的对应断点的第一碱基类型数据；以及针对多种重排中的每种重排，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的每个基因组位置上关于多种碱基的碱基类型数据，以便生成关于参考基因组的对应断点的第二碱基类型数据；基于针对多种重排的支持读长的对应断点第一碱基类型数据和参考基因组的对应断点的第二碱基类型数据，生成输入特征；以及经由重排预测模型，提取所生成的输入特征的特征，以便生成关于阳性重排的预测结果，重排预测模型是基于深度学习模型所构建的，并且重排预测模型是经由多样本训练的。

根据本发明的第二方面，还提供了一种计算设备，该设备包括：存储器，被配置为存储一个或多个计算机程序；以及处理器，耦合至存储器并且被配置为执行一个或多个程序使装置执行本公开的第一方面的方法。

根据本公开的第三方面，还提供了一种非瞬态计算机可读存储介质。该非瞬态计算机可读存储介质上存储有机器可执行指令，该机器可执行指令在被执行时使机器执行本公开的第一方面的方法。

在一些实施例中，预定长度大于或者等于300bp。多种碱基包括A碱基、T碱基、C碱基、G碱基和未知碱基。

在一些实施例中，预定长度为400bp，多种碱基包括A碱基、T碱基、C碱基、G碱基。

在一些实施例中，生成关于支持读长的对应断点的第一碱基类型数据包括：针对多种重排中的每种重排的第一基因区段的断点，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的出现频数，以便形成第一频数特征向量；以及针对多种重排中的每种重排的第二基因区段的断点，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的出现频数，以便形成第二频数特征向量，第一碱基类型数据包括第一频数特征向量和第二频数特征向量。

在一些实施例中，生成关于支持读长的对应断点的第一碱基类型数据还包括：确定支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的当前基因组位置上是否出现多种碱基类型中的任一种碱基类型；响应于确定当前基因组位置上出现多种碱基类型中的任一种碱基类型，基于所出现的碱基类型，使得与当前基因组位置所关联的多个特征值中的对应特征值为第一预定值；以及响应于确定当前基因组位置上未出现多种碱基类型中的任一种碱基类型，使得与当前基因组位置所关联的多个特征值均为第二预定值。

在一些实施例中，生成关于参考基因组的对应断点的第二碱基类型数据包括：针对多种重排中的每种重排的第一基因区段的断点，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的出现频数，以便形成第三频数特征向量；针对多种重排中的每种重排的第二基因区段的断点，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的出现频数，以便形成第四频数特征向量，第二碱基类型数据包括第三频数特征向量和第四频数特征向量。

在一些实施例中，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的频数包括：确定参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的当前基因组位置上是否出现多种碱基类型中的任一种碱基类型；响应于确定当前基因组位置上出现多种碱基类型中的任一种碱基类型，基于所出现的碱基类型，使得与当前基因组位置所关联的多个特征值中的对应特征值为第一预定值；以及响应于确定当前基因组位置上未出现多种碱基类型中的任一种碱基类型，使得与当前基因组位置所关联的多个特征值均为第二预定值。

在一些实施例中，生成关于输入特征包括：针对多种重排中的每种重排，基于第一频数特征向量、第二频数特征向量、第三频数特征向量和第四频数特征向量，生成关于每种重排的碱基类型的矩阵；以及将关于每种重排的碱基类型的矩阵转换成一个行特征向量，以便生成关于多种重排的多个行特征向量，以用于生成用于输入重排预测模型的输入特征。

在一些实施例中，重排预测模型经由多样本训练包括：针对阳性重排的第一数量的断点，生成第一数量的行特征向量；针对阴性重排的第二数量的断点，生成第二数量的行特征向量；以及基于第一数量的行特征向量和第二数量的行特征向量，生成用于训练重排预测模型的多样本。

提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。

附图说明

图1示出了根据本公开的实施例的用于实施识别阳性重排的方法的系统的示意图。

图2示出了根据本公开的实施例的用于识别阳性重排的方法的流程图。

图3示出了根据本公开的实施例的用于识别阳性重排的方法的示意图。

图4示出了根据本公开的实施例的用于识别阳性重排的方法的示意图。

图5示出了根据本公开的实施例的用于生成关于支持读长的对应断点的第一碱基类型数据的方法的流程图。

图6示出了用于生成关于输入特征的方法的流程图。

图7示意性示出了适于用来实现本公开实施例的电子设备的框图；以及。

在各个附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。

如前文描述，对于传统的利用重排calling软件识别重排/融合变异结果，再利用IGV可视化方式、经由人工检查来确认重排/融合的真假的方案，需要耗费巨大的人力或时间，难以自动、高通量地并且高准确性地识别阳性重排。

为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于识别阳性重排的方案。在该方案中，通过在所获取的待测样本的包括全基因组比对信息的比对结果数据中，提取支持多种重排的跨断点的多个支持读长；针对多种重排中的每种重排，记录关于支持读长的对应断点的第一碱基类型数据和关于参考基因组的对应断点的第二碱基类型数据；本公开可以获取疑似重排的和疑似断点处在前后预定长度范围内基因组位置上的序列特征数据。另外，通过基于针对多种重排的支持读长的对应断点第一碱基类型数据和参考基因组的对应断点的第二碱基类型数据，生成输入特征；以及经由已训练的重排预测模型，提取所生成的输入特征的特征，以便生成关于阳性重排的预测结果，本公开可以利用深度学习模型来自动提取疑似断点处在参考基因组上对应的前后预定长度范围内的匹配和错配的一致性等用于判断重排真假的关键信息，进而能够自动、高通量地并且高准确性地识别阳性重排。

图1示出了根据本公开的实施例的用于实施识别阳性重排的方法的系统100的示意图。如图1所示，系统100例如包括计算设备110、测序设备130、生信服务器140和网络150。计算设备110可以通过网络150以有线或者无线的方式与测序设备130、生信服务器140进行数据交互。

关于测序设备130，其例如用于针对来自目标个体的待测样本进行测序，例如，针对待测样本通过探针捕获得到的各个测序片段进行双末端测序得到双末端测序数据。测序设备130还用于将关于待测样本的测序序列(例如，双末端数据)发送给计算设备110。在一些实施例中，关于待测样本的测序序列来自生信服务器140。

关于计算设备110，其例如用于获取关于待测样本的全基因组比对信息；以及提取支持多种重排的跨断点的多个支持读长。计算设备110还用于针对多种重排中的每种重排，生成关于支持读长的对应断点的第一碱基类型数据和关于参考基因组的对应断点的第二碱基类型数据；基于针对多种重排的支持读长的对应断点第一碱基类型数据和参考基因组的对应断点的第二碱基类型数据，生成输入特征。另外，计算设备110还用于经由重排预测模型，提取所生成的输入特征的特征，以便生成关于阳性重排的预测结果。在一些实施例中，计算设备110可以具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，在每个计算设备上也可以运行着一个或多个虚拟机。计算设备110例如包括：比对结果数据获取单元112、多个支持读长提取单元114、第一碱基类型数据生成单元116、第二碱基类型数据生成单元118、输入特征生成单元120和阳性重排预测结果生成单元122。上述比对结果数据获取单元112、多个支持读长提取单元114、第一碱基类型数据生成单元116、第二碱基类型数据生成单元118、输入特征生成单元120和阳性重排预测结果生成单元122可以配置在一个或者多个计算设备110上。

关于比对结果数据获取单元112，其用于获取关于待测样本的比对结果数据，比对结果数据包括关于待测样本的全基因组比对信息。

关于多个支持读长提取单元114，其用于在所获取的比对结果数据中，提取支持多种重排的跨断点的多个支持读长。

关于一碱基类型数据生成单元116，其用于针对多种重排中的每种重排，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的每个基因组位置上关于多种碱基的碱基类型数据，以便生成关于支持读长的对应断点的第一碱基类型数据。

关于第二碱基类型数据生成单元118，其用于针对多种重排中的每种重排，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的每个基因组位置上关于多种碱基的碱基类型数据，以便生成关于参考基因组的对应断点的第二碱基类型数据。

关于第二碱基类型数据生成单元118，其用于基于针对多种重排的支持读长的对应断点第一碱基类型数据和参考基因组的对应断点的第二碱基类型数据，生成输入特征。

关于阳性重排预测结果生成单元122，其用于提取所生成的输入特征的特征，以便生成关于阳性重排的预测结果，重排预测模型是基于深度学习模型多构建的，并且重排预测模型是经由多样本训练的。

以下将结合图2和图3描述根据本公开的实施例的用于识别阳性重排的方法200。图2示出了根据本公开的实施例的用于识别阳性重排的方法200的流程图。图3示出了根据本公开的实施例的用于识别阳性重排的方法的示意图。应当理解，方法200例如可以在图6所描述的电子设备700处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤202处，计算设备110获取关于待测样本的比对结果数据，比对结果数据包括关于待测样本的全基因组比对信息。该比对结果信息例如为bam文件。

关于比对结果数据来源，以下实施例中，在进行之前，先对待测样本通过探针捕获得到的各个测序片段进行双末端测序得到双末端测序数据，该双末端测序数据包括待测样本的多个成对读长。然后，计算设备110基于待测样本的双末端测序数据与全基因组参考序列的比对结果而生成全基因组比对信息。全基因组比对信息例如包括：各个读长比对得到的在全基因组上的映射方向、映射位置、成对的读长比对得到的intersize、通过读长的匹配情况找出的与不同读长分别对应的各个断点、成对读长的类型等等。

在步骤204处，计算设备110在所获取的比对结果数据中，提取支持多种重排的跨断点的多个支持读长。例如，如图3所示，标记306指示某种重排的断点。标记308和310指示一端比对上该种重排的第一基因组并且另一端未比对上第二基因组的、跨断点306的支持读长。

关于提取支持多种重排的跨断点的多个支持读长的方法，其例如包括：计算设备110获取双末端测序数据与全基因组参考序列的比对结果信息(该比对结果信息例如为input bam文件)。然后，基于对比结果数据，生成(例如“call”出)候选基因组合(或称潜在的重排)，抽取符合以下两项条件的支持读长，以便形成子比对序列：重排两个基因区间的各有的基因组聚类后的长度在预定范围之内；以及重排两个基因区间具有失调读长的成对关系；之后，计算设备110基于子比对序列，针对每种重排，确定跨对应断点的、一端比对上第一基因组并且另一端未比对上第二基因组的所有支持读长。该子比对序列例如是关于重排基因的subbam文件。

例如，针对每种单纯重排形式的A-B重排，例如，A-B重排第一基因，即基因A有1个断点bp1，A-B重排第二基因，即基因B有1个断点bp2，计算设备110从比对结果数据中(即，bam文件)中抽提A-B重排的对应跨断点bp1和bp2的支持读长(support reads)。关于术语“读长”，其表示对测序片段末端测序得到的测序序列。

关于支持重排的跨断点的支持读长，其代表跨重排的对应断点的、一端比对上第一基因组并且另一端未比对上第二基因组的支持读长。

关于术语“断点”，其表示：一个读长上，与参考序列连续匹配和与参考序列连续不匹配的交界处碱基所在的位点称为该读长的断点。关于术语“对应断点”，其表示：断点在全基因组参考序列上映射到同一位置的所有断点统称为对应断点。

在步骤206处，计算设备110针对多种重排中的每种重排，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的每个基因组位置上关于多种碱基的碱基类型数据，以便生成关于支持读长的对应断点的第一碱基类型数据。在一些实施例中，多种碱基包括A碱基、T碱基、C碱基、G碱基和未知碱基。在一些实施例中，多种碱基包括A碱基、T碱基、C碱基、G碱基。

如图3所示，标记302指示某种重排的断点306(即，支持读长的对应断点)之前的预定长度范围之内基因组位置区域。标记304指示某种重排的断点306(即，支持读长的对应断点)之后的预定长度范围之内基因组位置区域。

关于生成关于支持读长的对应断点的第一碱基类型数据的方法，其例如包括：计算设备110针对多种重排中的每种重排的第一基因区段的断点，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的出现频数，以便形成第一频数特征向量；以及针对多种重排中的每种重排的第二基因区段的断点，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的出现频数，以便形成第二频数特征向量，第一碱基类型数据包括第一频数特征向量和第二频数特征向量。

关于预定长度，其例如而不限于是大于或者等于300bp。在一些实施例中，预定长度为400bp。应当理解，判断真实可靠的融合基因，需要至少基于2条完整图谱读长(即，whole map reads)以及失调读长(即，discordant reads)。每条whole map reads的长度例如为150bp。因此，本公开需要记录支持读长的对应断点之前至少300bp(例如400bp)和对应断点之后的至少300bp(例如400bp)范围之内的各个基因组位置上关于ATCG四种碱基类型的出现频数。在一些实施例中，记录支持读长的对应断点之前至少300bp(例如400bp)和对应断点之后的至少300bp(例如400bp)范围之内的各个基因组位置上关于ATCGN五种碱基类型的出现频数，其中，N碱基代表未知碱基。通过采用上述手段，使得本公开可以基于疑似断点前后至少300bp(例如400bp)范围的匹配上的序列和错配序列的一致性，以及重排的2个组成基因区段错配序列的彼此互补性这些关键信息来识别阳性重排，进而提高识别阳性重排的可靠性和识别效率。

例如，针对每种重排的第一基因区段A的断点bp1，计算设备110记录支持读长的对应断点bp1之前400bp至对应断点bp1之后400bp范围内累计长度为800bp的每个基因组位置出现各碱基的碱基类型数据(例如，ATCG四种碱基的出现频数)，以便形成第一频数特征向量。第一频数特征向量例如为800行x 4碱基类型的特征向量。以及针对每种重排的第二基因区段B的断点bp2，记录支持读长的对应断点bp2之前400bp至对应断点bp2之后400bp范围内累计长度为800bp的每个基因组位置出现各碱基的碱基类型数据(例如，ATCG四种碱基的出现频数)，以便形成第二频数特征向量。第二频数特征向量例如为800行x 4碱基类型的特征向量。由此，针对每个单纯A-B重排的两个断点bp1和bp2共形成第一碱基类型数据，第一碱基类型数据包括第一频数特征向量和第二频数特征向量，例如，该第一碱基类型数据例如是1600行x 4碱基类型的矩阵。

在步骤208处，计算设备110针对多种重排中的每种重排，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的每个基因组位置上关于多种碱基的碱基类型数据，以便生成关于参考基因组的对应断点的第二碱基类型数据。

关于生成关于参考基因组的对应断点的第二碱基类型数据的方法，其包括：针对多种重排中的每种重排的第一基因区段的断点，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于ATCG四种碱基类型的出现频数(在一些实施例中，记录关于ATCGN五种碱基类型的出现频数)，以便形成第三频数特征向量；针对多种重排中的每种重排的第二基因区段的断点，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于ATCG四种碱基类型的出现频数，以便形成第四频数特征向量，第二碱基类型数据包括第三频数特征向量和第四频数特征向量。

例如，针对每种重排的第一基因区段A的断点bp1，计算设备110记录人类参考基因组的对应断点bp1之前400bp至对应断点bp1之后400bp范围内累计长度为800bp的每个基因组位置出现各碱基的碱基类型数据(例如，ATCG四种碱基的出现频数)，以便形成第三频数特征向量。第三频数特征向量例如也为800行x 4碱基类型的特征向量。以及针对每种重排的第二基因区段B的断点bp2，记录人类参考基因组的对应断点bp2之前400bp至对应断点bp2之后400bp范围内累计长度为800bp的每个基因组位置出现各碱基的碱基类型数据(例如，ATCG四种碱基的出现频数)，以便形成第四频数特征向量。第四频数特征向量例如为800行x 4碱基类型的特征向量。由此，针对每个单纯A-B重排的两个断点bp1和bp2共形成第二碱基类型数据，第二碱基类型数据包括第三频数特征向量和第四频数特征向量，例如，该第二碱基类型数据例如是1600行x 4碱基类型的矩阵。

在步骤210处，计算设备110基于针对多种重排的支持读长的对应断点第一碱基类型数据和参考基因组的对应断点的第二碱基类型数据，生成输入特征。

关于生成输入特征的方法，其例如包括：计算设备110针对多种重排中的每种重排，基于第一频数特征向量、第二频数特征向量、第三频数特征向量和第四频数特征向量，生成关于每种重排的碱基类型的矩阵；以及将关于每种重排的碱基类型的矩阵转换成一个行特征向量，以便生成关于多种重排的多个行特征向量，以用于生成用于输入重排预测模型的输入特征。下文将结合图6说明用于生成输入特征的方法600，在此，不再赘述。

例如，计算设备110针对2000例重排中的每种重排，基于第一碱基类型数据(例如是1600行x 4碱基类型的矩阵)和第二碱基类型数据(例如是1600行x 4碱基类型的矩阵)，生成3200行x 4碱基类型的矩阵；针对2000例重排(例如，2000例重排中包括800例单纯的阳性重排，1200例阴性重排)生成用于输入重排预测模型的输入特征。

在步骤212处，计算设备110经由重排预测模型，提取所生成的输入特征的特征，以便生成关于阳性重排的预测结果，重排预测模型是基于深度学习模型多构建的，并且重排预测模型是经由多样本训练的。

关于重排预测模型，其例如包括输入网络层、多层隐藏网络层和输出网络层。输入网络层用于接收步骤210处所生成的输入特征。隐藏网络层例如使用Dense函数进行定义，Dense函数所定义的隐藏层的每个节点都完全连接到前后层中的节点。例如，第一层隐藏网络层的输出用作第二层隐藏网络层的输入。以此类推，最后一层隐藏网络层的输出发送到输出网络层。输出网络层用于输出关于阳性重排的预测结果。关于阳性重排的预测结果例如包括所预测的阳性重排和对应的概率。例如，如果确认与当前潜在的阳性重排的对应概率大于或者等于50％，则计算设备110该潜在的阳性重排为阳性重排。

本公开的重排预测模型例如是基于CNTK而构建的。在一些实施例中，重排预测模型例如而不限于是TensorFlow、或者Theano、Deeplearning4j等深度学习平台而构建。应当理解，CNTK是一个统一的计算网络框架，它将深层神经网络描述为一系列通过有向图的计算步骤。在有向图中，每个节点代表一个输入值或一个网络参数，每个边表示在其中的一个矩阵运算。

关于重排预测模型的训练方法，其例如包括：计算设备110针对阳性重排的第一数量的断点，生成第一数量的行特征向量；针对阴性重排的第二数量的断点，生成第二数量的行特征向量；以及基于第一数量的行特征向量和第二数量的行特征向量，生成用于训练重排预测模型的多样本。关于第一数量，其例如而不限于为4500。关于第二数量，其例如而不限于为4500。例如，计算设备110获取阳性重排的断点和阴性重排的断点各为4500个。其中，例如计算设备110选取4500个为已知重排，其中，2250个为单纯形式重排阳性。计算设备110针对4500个阳性重排的断点和4500个阴性重排的断点，累计9000个重排的断点，生成4500个支持读长的对应断点第一碱基类型数据和4500个参考基因组的对应断点的第二碱基类型数据，进而生成用于训练基于深度学习模型所构建的重排预测模型的训练样本。

以下结合图4本公开方法的技术效果。图4示出了根据本公开的实施例的用于识别阳性重排的方法400的示意图。在本公开上述方案中，通过在所获取的待测样本的包括全基因组比对信息的比对结果数据中，提取支持多种重排的跨断点的多个支持读长；针对多种重排中的每种重排，记录关于支持读长的对应断点(例如，标记424所指示)之前预定长度(例如，标记426所指示)和对应断点之后的预定长度(例如，标记428所指示)范围之内的每个基因组位置上关于多种碱基的第一碱基类型数据410和关于参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的每个基因组位置上关于多种碱基的第二碱基类型数据412；本公开可以获取疑似重排的和疑似断点处在前后预定长度范围内基因组位置上的序列特征数据。另外，通过基于针对多种重排的支持读长的对应断点第一碱基类型数据和参考基因组的对应断点的第二碱基类型数据，生成输入特征416；以及经由多个训练样本414(例如而不限于是上文提及的基于4500个阳性重排的断点和4500个阴性重排的断点而生成训练样本)所训练的重排预测模型418(重排预测模型例如是基于深度学习模型所构建)，提取所生成的输入特征416的特征，以便生成关于阳性重排的预测结果420，本公开可以利用深度学习模型来自动提取疑似断点处在参考基因组上对应的前后预定长度范围内的匹配和错配的一致性等用于判断重排真假的关键信息，进而能够自动、高通量地并且高准确性地识别阳性重排。

以下将结合图3和图5描述根据本公开的实施例的用于生成关于支持读长的对应断点的第一碱基类型数据的方法500。图5示出了根据本公开的实施例的用于生成关于支持读长的对应断点的第一碱基类型数据的方法500的流程图。应当理解，方法500例如可以在图7所描述的电子设备700处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法500还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤502处，计算设备110确定支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的当前基因组位置上是否出现多种碱基类型中的任一种碱基类型。以下以多种碱基类型为ATCG四种碱基类型为例。应当理解，多种碱基类型也可以为ATCGN五种碱基类型。

如图3所示，例如支持读长308的对应断点(支持读长308对应断点与重排的断点306相一致)之前的400bp长度范围之内的当前基因组位置(例如，当前基因组位置312)是否出现ATCG四种碱基类型中的任一种碱基类型。

在步骤504处，如果计算设备110确定当前基因组位置上出现多种碱基类型中的任一种碱基类型，基于所出现的碱基类型，使得与当前基因组位置所关联的多个特征值中的对应特征值为第一预定值。

关于第一预定值，其例如为“1”。例如，如果计算设备110确定当前基因组位置312上出现A碱基类型，则使得与当前基因组位置312所关联的四个特征值中的对应特征值(例如第一个特征值)为“1”。应当理解，每一个基因组位置关联有四个特征值，以便分别对应于ATCG四种碱基类型。例如，第一个特征值对应A碱基类型，如果该基因组位置出现A碱基类型，则第一个特征值为“1”。第二个特征值对应T碱基类型，第三个特征值对应C碱基类型，第四个特征值对应G碱基类型。

在步骤506处，如果计算设备110确定当前基因组位置上未出现多种碱基类型中的任一种碱基类型，使得与当前基因组位置所关联的多个特征值均为第二预定值。

关于第二预定值，其例如为“0”。例如，如果计算设备110确定当前基因组位置314上未出现ATCG四种碱基类型中的任一种碱基类型，则使得与当前基因组位置314所关联的四个特征值均为“0”。

通过采用上述手段，本公开可以便捷地提取疑似断点前后预定范围的基因组位置的碱基类型的分布特点这一用于识别阳性重排的关键信息。

以下将结合图6描述根据本公开的实施例的用于生成关于输入特征的方法600。图6示出了根据本公开的实施例的用于生成关于输入特征的方法600的流程图。应当理解，方法600例如可以在图7所描述的电子设备700处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法600还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤602处，计算设备110针对多种重排中的每种重排，基于第一频数特征向量、第二频数特征向量、第三频数特征向量和第四频数特征向量，生成关于每种重排的碱基类型的矩阵。

第一频数特征向量(其例如是800行x 4碱基类型的矩阵)和第二频数特征向量(其例如是800行x 4碱基类型的矩阵)例如是计算设备110针对多种重排中的每种重排，基于支持读长的对应断点bp1和bp2之前400bp至对应断点bp1和bp2之后400bp范围内的2组长度为800bp的每个基因组位置出现各碱基的碱基类型数据(每个基因组位置对应四个特征值)而分别确定的。

第三频数特征向量(其例如是800行x 4碱基类型的矩阵)和第四频数特征向量(其例如是800行x 4碱基类型的矩阵)例如是计算设备110基于人类参考基因组的对应断点bp1和bp2之前400bp至对应断点bp1和bp2之后400bp范围内的2组长度为800bp的每个基因组位置出现各碱基的碱基类型数据而分别确定。

计算设备110针对多种重排中的每种重排，基于第一频数特征向量、第二频数特征向量、第三频数特征向量和第四频数特征向量，例如生成关于每种重排的碱基类型的矩阵，例如是3200行x 4碱基类型的矩阵。

在步骤604处，计算设备110将关于每种重排的碱基类型的矩阵转换成一个行特征向量，以便生成关于多种重排的多个行特征向量，以用于生成用于输入重排预测模型的输入特征。

例如，计算设备110将3200行x 4碱基类型的矩阵中的换行符去除，以便将3200行x4碱基类型的矩阵转换成1行特征向量。即，计算设备110针对每种重排，形成一个行特征向量，进而针对多种重排，例如，针对2000例潜在的重排，形成2000行特征向量，以用于生成用于输入重排预测模型的输入特征。

通过采用上述手段，本公开能够快速地形成用于表征多条潜在重排的断点前后基因组位置上碱基分布特点的适于深度学习模型的输入数据。

图7示意性示出了适于用来实现本公开实施例的电子设备700的框图。设备700可以是用于实现执行图2、图5、图6所示的方法200、500、600的设备。如图7所示，设备700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序指令，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。CPU 701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708，处理单元701执行上文所描述的各个方法和处理，例如执行方法200、500、600。例如，在一些实施例中，方法200、500、600可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由CPU701执行时，可以执行上文描述的方法200、500、600的一个或多个操作。备选地，在其他实施例中，CPU 701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200、500、600的一个或多个动作。

需要进一步说明的是，本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一序列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

以上该仅为本公开的可选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的保护范围之内。

Claims (11)

1.一种用于识别阳性重排的方法，包括：

获取关于待测样本的比对结果数据，所述比对结果数据包括关于待测样本的全基因组比对信息；

在所获取的比对结果数据中，提取支持多种重排的跨断点的多个支持读长；

针对多种重排中的每种重排，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的每个基因组位置上关于多种碱基的碱基类型数据，以便生成关于支持读长的对应断点的第一碱基类型数据；以及

针对多种重排中的每种重排，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的每个基因组位置上关于多种碱基的碱基类型数据，以便生成关于参考基因组的对应断点的第二碱基类型数据；

基于针对多种重排的支持读长的对应断点第一碱基类型数据和参考基因组的对应断点的第二碱基类型数据，生成输入特征；以及

经由重排预测模型，提取所生成的输入特征的特征，以便生成关于阳性重排的预测结果，所述重排预测模型是基于深度学习模型所构建的，并且所述重排预测模型是经由多样本训练的。

2.根据权利要求1所述的方法，其中所述预定长度大于或者等于300bp，所述多种碱基包括A碱基、T碱基、C碱基、G碱基和未知碱基。

3.根据权利要求1所述的方法，其中预定长度为400bp，所述多种碱基包括A碱基、T碱基、C碱基、G碱基。

4.根据权利要求1所述的方法，其中生成关于支持读长的对应断点的第一碱基类型数据包括：

针对多种重排中的每种重排的第一基因区段的断点，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的出现频数，以便形成第一频数特征向量；以及

针对多种重排中的每种重排的第二基因区段的断点，记录支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的出现频数，以便形成第二频数特征向量，所述第一碱基类型数据包括第一频数特征向量和第二频数特征向量。

5.根据权利要求4所述的方法，其中生成关于支持读长的对应断点的第一碱基类型数据还包括：

确定支持读长的对应断点之前预定长度和对应断点之后的预定长度范围之内的当前基因组位置上是否出现多种碱基类型中的任一种碱基类型；

响应于确定所述当前基因组位置上出现多种碱基类型中的任一种碱基类型，基于所出现的碱基类型，使得与当前基因组位置所关联的多个特征值中的对应特征值为第一预定值；以及

响应于确定所述当前基因组位置上未出现多种碱基类型中的任一种碱基类型，使得与当前基因组位置所关联的多个特征值均为第二预定值。

6.根据权利要求4所述的方法，其中生成关于参考基因组的对应断点的第二碱基类型数据包括：

针对多种重排中的每种重排的第一基因区段的断点，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的出现频数，以便形成第三频数特征向量；

针对多种重排中的每种重排的第二基因区段的断点，记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的出现频数，以便形成第四频数特征向量，所述第二碱基类型数据包括第三频数特征向量和第四频数特征向量。

7.根据权利要求6所述的方法，其中记录参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的各个基因组位置上关于多种碱基类型的频数包括：

确定参考基因组的对应断点之前预定长度和对应断点之后的预定长度范围之内的当前基因组位置上是否出现多种碱基类型中的任一种碱基类型；

响应于确定所述当前基因组位置上出现多种碱基类型中的任一种碱基类型，基于所出现的碱基类型，使得与当前基因组位置所关联的多个特征值中的对应特征值为第一预定值；以及

响应于确定所述当前基因组位置上未出现多种碱基类型中的任一种碱基类型，使得与当前基因组位置所关联的多个特征值均为第二预定值。

8.根据权利要求6所述的方法，其中生成关于输入特征包括：

针对多种重排中的每种重排，基于第一频数特征向量、第二频数特征向量、第三频数特征向量和第四频数特征向量，生成关于每种重排的碱基类型的矩阵；以及

将关于每种重排的碱基类型的矩阵转换成一个行特征向量，以便生成关于多种重排的多个行特征向量，以用于生成用于输入重排预测模型的输入特征。

9.根据权利要求1所述的方法，其中所述重排预测模型经由多样本训练包括：

针对阳性重排的第一数量的断点，生成第一数量的行特征向量；

针对阴性重排的第二数量的断点，生成第二数量的行特征向量；以及

基于第一数量的行特征向量和第二数量的行特征向量，生成用于训练重排预测模型的多样本。

10.一种计算设备，包括：

至少一个处理单元；

至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行根据权利要求1至9任一项所述的方法的步骤。

11.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现根据权利要求1至9中任一项所述的方法。

Images