(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210753079.X (22)申请日 2022.06.28 (71)申请人 山东财经大学 地址 250014 山东省济南市历下区二环东 路7366号 (72)发明人 李防震　 (74)专利代理 机构 北京盛凡佳华专利代理事务 所(普通合伙) 11947 专利代理师 华小明 (51)Int.Cl. G16B 15/00(2019.01) G06T 17/00(2006.01) G06T 15/20(2011.01) G06V 10/774(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的染色体三维结构重建 方法 (57)摘要 本发明公开了一种基于深度学习的染色体 三维结构重建方法， 技术方案为， 从给定的Hi ‑C 相互作用频率矩阵计算期望距离矩阵； 把Hi ‑C相 互作用频率矩阵看作图的带权重邻接矩阵， 生成 图节点的嵌入 特征； 将节点特征向量和无权重邻 接矩阵作为图神经网络的输入， 输出染色体位点 的三维坐标； 图神经网络通过最小化对应于输出 结构的成对距离和期望距离之间的MSE来优化。 本发明的有益效果是： 本发明首次将深度深度学 习技术引入染色体三维结构重建问题， 通过合理 设计图卷积神经网络的结构， 实现了对染色体三 维外结构的高精度重建。 与现有的其他方法相 比， 本方法性能更加优越， 可以显著提高染色体 三维结构重建精度。 权利要求书2页 说明书6页 附图3页 CN 114999563 A 2022.09.02 CN 114999563 A 1.一种基于深度学习的染色体三维结构重建方法， 其特 征在于： S1、 设计合理的图卷积神经网络结构(GCN N)； S2、 从给定的Hi ‑C相互作用频率F矩阵(简称互作矩阵)计算期望距离矩阵D； S3、 把Hi‑C互作矩阵F二 值化， 得到相应的无权 重邻接矩阵A； S4、 把Hi‑C互作矩阵F看作图的带权 重邻接矩阵， 生成图节点的嵌入特 征； S5、 利用节点特 征向量、 无权 重邻接矩阵A和期望距离矩阵D训练GCN N； S6、 将节点特征向量和无权重邻接矩阵A作为GCNN的输入， 输出染色体位点的三维坐 标。 2.如权利要求1所述的基于深度 学习的染色体三维结构重建方法， 其特征在于， 所述S1 中， GCNN的结构设计为： S1‑1、 GCNN包含1个输入层、 1个图卷积层、 3个全连接层和1输出层； S1‑2、 图卷积层采用下式更新每 个节点的特 征： 其中， xi表示节点i的特征向量， deg()表示节点的度， 上 式表明， 目标节点i及其邻居节 点j的特征向量通过矩阵W做性变换， 然后用节点的度做标准化并求和， 最后用求和值更新 目标节点 i的特征向量， W是E ×E矩阵， 所有节点共享 W； S1‑3、 全连接层的激活函数采用ReLU函数， 输出层不使用任何激活函数； S1‑4、 图卷积层的节点数是512， 第1个全连接层的节点数分别是256， 第2个全连接层的 节点数是128， 第3个全连接层的节点数 是64， 输出层的节点数 是3。 3.如权利要求1所述的基于深度 学习的染色体三维结构重建方法， 其特征在于， 所述S2 中， 利用幂律公式把Hi ‑C互作矩阵F转换为期望距离矩阵D， 转换公式 式如下： 其中α 被称为 转换因子 。 4.如权利要求1所述的基于深度 学习的染色体三维结构重建方法， 其特征在于， 所述S3 中， Hi‑C互作矩阵F通过二 值化转换为无权 重邻接矩阵A的公式为： 5.如权利要求1所述的基于深度 学习的染色体三维结构重建方法， 其特征在于， 所述S4 中， 把Hi‑C互作矩阵F看作一个图G(V,E)， 其中V是节点结合， 每个节点代表一个染色体位 点， E是边集合， 边的权重由非零的矩阵元素Fij给出， 则互作矩阵F即是图G的带权重邻 接矩 阵； 使用节点嵌入算法L INE生成节点特 征， 每个节点的特 征维数为512。 6.如权利要求1～5所述的基于深度学习的染色体三维结构重建方法， 其特征在于， 所 述S5中， GCN N训练过程 为： S5‑1、 将节点特征向量和无权重邻接矩阵A输入GCNN， 经前向传播输出染色体三维结构 S， 称为预测的染色体三维结构； S5‑2、 根据三维结构 S计算出染色体位 点的成对距离dij， 称为预测距离矩阵d；权　利　要　求　书 1/2 页 2 CN 114999563 A 2S5‑3、 计算预测距离dij与期望距离Dij期之间的均方误差 MSE， 计算公式如下： 其中|E|表示 边数， 表明上式忽略了非相互作用； S5‑4、 利用反向传播和Adam优化器， 以MSE为代价 函数优化网络参数。 7.如权利要求6所述的基于深度学习的染色体三维结构重建方法， 其特征在于， 所述 S5‑4中， GCNN网络训练的学习率 等于0.001。 8.如权利要求6所述的基于深度学习的染色体三维结构重建方法， 其特征在于， 所述 S5‑4中， 网络收敛的判别标准是， 相邻两次迭代之间MSE的差的绝对值小于10‑8。权　利　要　求　书 2/2 页 3 CN 114999563 A 3