CN115035952B - 碱基识别方法和装置、电子设备及存储介质 - Google Patents
碱基识别方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115035952B CN115035952B CN202210549324.5A CN202210549324A CN115035952B CN 115035952 B CN115035952 B CN 115035952B CN 202210549324 A CN202210549324 A CN 202210549324A CN 115035952 B CN115035952 B CN 115035952B
- Authority
- CN
- China
- Prior art keywords
- light intensity
- intensity data
- channel
- base
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
- G16B30/20—Sequence assembly
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种碱基识别方法和装置、电子设备及存储介质,属于识别技术领域。该方法包括:获取原始碱基通道的原始光强数据;对原始光强数据进行串扰矫正处理,得到第一矫正光强数据;对第一矫正光强数据进行分位数归一化处理,得到初始光强数据;对初始光强数据进行相位矫正处理,得到第二矫正光强数据;对第二矫正光强数据进行均值归一化处理,得到目标光强数据;根据目标光强数据对原始碱基通道进行亮度对比和筛选处理,得到目标碱基;对多个目标碱基进行拼接处理,得到目标碱基序列。本申请实施例能够提高碱基识别的准确性。
Description
技术领域
本申请涉及识别技术领域,尤其涉及一种碱基识别方法和装置、电子设备及存储介质。
背景技术
目前的碱基识别方法常常在串扰抽样阶段出现重复计算的问题,同时在强度计算阶段也较容易受到环境噪声的干扰,影响碱基识别的准确性,因此,如何提高碱基识别的准确性,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种碱基识别方法和装置、电子设备及存储介质,旨在提高碱基识别的准确性。
为实现上述目的,本申请实施例的第一方面提出了一种碱基识别方法,所述方法包括:
获取原始碱基通道的原始光强数据;
对所述原始光强数据进行串扰矫正处理,得到第一矫正光强数据;
对所述第一矫正光强数据进行分位数归一化处理,得到初始光强数据;
对所述初始光强数据进行相位矫正处理,得到第二矫正光强数据;
对所述第二矫正光强数据进行均值归一化处理,得到目标光强数据;
根据所述目标光强数据对所述原始碱基通道进行亮度对比和筛选处理,得到目标碱基;
对多个所述目标碱基进行拼接处理,得到目标碱基序列。
在一些实施例,所述原始碱基通道包括第一通道和第二通道,所述对所述原始光强数据进行串扰矫正处理,得到第一矫正光强数据的步骤,包括:
通过极坐标抽样的方式对所述原始光强数据进行抽样处理,得到第一通道的第一点亮度和第二通道的第二点亮度;
对所述第一点亮度进行归一化处理,得到第一通道亮度,并对所述第二点亮度进行归一化处理,得到第二通道亮度;
根据所述第一通道亮度和所述第二通道亮度构建角度直方图,得到角度抽样阈值;
根据所述角度抽样阈值对所述第一通道和所述第二通道的原始亮点进行分类处理,得到目标亮点;
根据所述目标亮点构建目标串扰矩阵,并根据所述目标串扰矩阵的逆矩阵对所述原始光强数据进行矫正处理,得到所述第一矫正光强数据。
在一些实施例,所述根据所述第一通道亮度和所述第二通道亮度构建角度直方图,得到角度抽样阈值的步骤,包括:
将所述第一通道亮度作为极坐标的x轴,并将所述第二通道亮度作为极坐标的y轴构建所述角度直方图;
对所述角度直方图进行特征提取,得到角度频数分布特征;
对所述角度频数分布特征进行滤波处理,得到角度峰值数据,其中,所述角度峰值数据包括第一角度值和第二角度值;
对所述第一角度值和所述第二角度值进行求中间值,得到所述角度抽样阈值。
在一些实施例,所述对所述初始光强数据进行相位矫正处理,得到第二矫正光强数据的步骤,包括:
根据预设公式和所述初始光强数据计算每一预设碱基的信号纯度;
根据所述信号纯度对所述原始碱基通道进行碱基筛选处理,得到第一筛选数据和第二筛选数据;
根据所述第一筛选数据和所述第二筛选数据对所述初始光强数据进行相位矫正处理,得到所述第二矫正光强数据。
在一些实施例,所述根据所述第一筛选数据和所述第二筛选数据对所述初始光强数据进行相位矫正处理,得到所述第二矫正光强数据的步骤,包括:
对所述第一筛选数据和所述第二筛选数据进行多元线性回归,得到回归参数;
根据所述回归参数对所述初始光强数据进行矫正处理,得到所述第二矫正光强数据。
在一些实施例,所述根据所述目标光强数据对所述原始碱基通道进行亮度对比和筛选处理,得到目标碱基的步骤,包括:
提取所述目标强度数据中的荧光强度值;
选取所述荧光强度值最大的原始碱基通道作为目标碱基通道,并根据所述目标碱基通道得到所述目标碱基。
在一些实施例,所述对多个所述目标碱基进行拼接处理,得到目标碱基序列的步骤,包括:
获取预设的周期顺序;
根据所述周期顺序对多个周期的所述目标碱基进行串连处理,得到所述目标碱基序列。
为实现上述目的,本申请实施例的第二方面提出了一种碱基识别装置,所述装置包括:
数据获取模块,用于获取原始碱基通道的原始光强数据;
串扰矫正模块,用于对所述原始光强数据进行串扰矫正处理,得到第一矫正光强数据;
第一归一化模块,用于对所述第一矫正光强数据进行分位数归一化处理,得到初始光强数据;
相位矫正模块,用于对所述初始光强数据进行相位矫正处理,得到第二矫正光强数据;
第二归一化模块,用于对所述第二矫正光强数据进行均值归一化处理,得到目标光强数据;
碱基筛选模块,用于根据所述目标光强数据对所述原始碱基通道进行亮度对比和筛选处理,得到目标碱基;
碱基拼接模块,用于对多个所述目标碱基进行拼接处理,得到目标碱基序列。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出的碱基识别方法和装置、电子设备及存储介质,其通过获取原始碱基通道的原始光强数据,对原始光强数据进行串扰矫正处理,得到第一矫正光强数据,能够较为准确的估计串扰矩阵,从而更好地规避噪声影响,具有较好的鲁棒性。进一步地,对第一矫正光强数据进行分位数归一化处理,得到初始光强数据,对初始光强数据进行相位矫正处理,得到第二矫正光强数据,并对第二矫正光强数据进行均值归一化处理,得到目标光强数据,能够更加准确地对光强数据进行归一化处理,使得四个通道的碱基亮度可以被归一化到同一个量纲水平,同时,通过相位矫正能够减小噪声等对强度计算的干扰,提高光强比值计算的准确性。最后,根据目标光强数据对原始碱基通道进行亮度对比和筛选处理,得到目标碱基,并对多个目标碱基进行拼接处理,得到目标碱基序列,这一方式能够根据目标光强数据的大小确定出目标碱基,并对多个周期的目标碱基进行拼接处理,得到目标碱基序列,能够提高碱基识别的准确性和生成的碱基序列的精度。
附图说明
图1是本申请实施例提供的碱基识别方法的流程图;
图2是图1中的步骤S102的流程图;
图3是图2中的步骤S203的流程图;
图4是图1中的步骤S104的流程图;
图5是图3中的步骤S402的流程图;
图6是图1中的步骤S106的流程图;
图7是图1中的步骤S107的流程图;
图8是本申请实施例提供的碱基识别装置的结构示意图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(Artificial Intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
直方图(Histogram):又称质量分布图,是一种统计报告图,由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据类型,纵轴表示分布情况。直方图是数值数据分布的精确图形表示。这是一个连续变量(定量变量)的概率分布的估计。它是一种条形图。为了构建直方图,第一步是将值的范围分段,即将整个值的范围分成一系列间隔,然后计算每个间隔中有多少值。这些值通常被指定为连续的,不重叠的变量间隔。间隔必须相邻,并且通常是(但不是必须的)相等的大小。直方图也可以被归一化以显示“相对”频率。它能够显示属于几个类别中的每个案例的比例,其高度等于1。
线性回归:是利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。其表达形式为y=w'x+e,e为误差服从均值为0的正态分布。回归分析中,只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量,且因变量和自变量之间是线性关系,则称为多元线性回归分析。
归一化:是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量。在多种计算中都经常用到这种方法。
目前,碱基识别方法常常在计算一个周期内通道间的串扰矩阵时存在重复计算的问题,同时,部分周期内的碱基分布不均等问题也会影响串扰矩阵的抽样,从而影响强度矫正的精度。另外,传统技术中的碱基识别方法在计算强度的比值时,较容易受到噪声数据和离群数据的干扰,也会影响识别精度。因此,如何提高碱基识别的准确性和数据处理的效率,成为了亟待解决的技术问题。
在串扰抽样阶段出现重复计算的问题,同时在强度计算阶段也较容易受到环境噪声的干扰,影响碱基识别的准确性,因此,如何提高碱基识别的准确性,成为了亟待解决的技术问题。
基于此,本申请实施例提供了一种碱基识别方法和装置、电子设备及存储介质,旨在提高碱基识别的准确性和数据处理的效率。
本申请实施例提供的碱基识别方法和装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的碱基识别方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础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、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的碱基识别方法,涉及人工智能技术领域。本申请实施例提供的碱基识别方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式***,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现碱基识别方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的碱基识别方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S107。
步骤S101,获取原始碱基通道的原始光强数据;
步骤S102,对原始光强数据进行串扰矫正处理,得到第一矫正光强数据;
步骤S103,对第一矫正光强数据进行分位数归一化处理,得到初始光强数据;
步骤S104,对初始光强数据进行相位矫正处理,得到第二矫正光强数据;
步骤S105,对第二矫正光强数据进行均值归一化处理,得到目标光强数据;
步骤S106,根据目标光强数据对原始碱基通道进行亮度对比和筛选处理,得到目标碱基;
步骤S107,对多个目标碱基进行拼接处理,得到目标碱基序列。
本申请实施例所示意的步骤S101至步骤S107,通过获取原始碱基通道的原始光强数据,对原始光强数据进行串扰矫正处理,得到第一矫正光强数据,能够较为准确的估计串扰矩阵,从而更好地规避噪声影响,具有较好的鲁棒性。进一步地,对第一矫正光强数据进行分位数归一化处理,得到初始光强数据,对初始光强数据进行相位矫正处理,得到第二矫正光强数据,并对第二矫正光强数据进行均值归一化处理,得到目标光强数据,能够更加准确地对光强数据进行归一化处理,使得四个通道的碱基亮度可以被归一化到同一个量纲水平,同时,通过相位矫正能够减小噪声等对强度计算的干扰,提高光强比值计算的准确性。最后,根据目标光强数据对原始碱基通道进行亮度对比和筛选处理,得到目标碱基,并对多个目标碱基进行拼接处理,得到目标碱基序列,这一方式能够根据目标光强数据的大小确定出目标碱基,并对多个周期的目标碱基进行拼接处理,得到目标碱基序列,能够提高碱基识别的准确性和生成的碱基序列的精度。
在一些实施例的步骤S101中,可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据,得到原始碱基通道的原始光强数据。也可以通过其他方式获取原始碱基通道的原始光强数据,不限于此。
需要说明的是,原始碱基通道为包括构成DNA的四种碱基的光强通道,四种碱基分别为腺嘌呤(A),胞嘧啶(C),胸腺嘧啶(T)以及鸟嘌呤(G)。原始碱基通道的原始光强数据可以从不同碱基对应的灰度荧光图像获取得来,通过在一个周期内放入4种荧光标记来分别标记四种碱基,并通过照相机进行拍摄成像,得到不同碱基对应的灰度图像,即在每一周期内都拍摄得到四张灰度荧光图像,原始光强数据包括ATCG四个通道的光强大小,即IA,IT,IC,IG。
由于每一种类的碱基对应的灰度荧光图像中的亮点是由激光激发碱基上的荧光物质得到的,而碱基上的荧光团发出的光并不单一,4种通道的荧光团之间会存在着交叉影响,因此需要对每一通道的光强进行串扰矫正处理。
请参阅图2,在一些实施例中,为了有效地解决不同通道之间的串扰问题,原始碱基通道包括第一通道和第二通道,步骤S102可以包括但不限于包括步骤S201至步骤S205:
步骤S201,通过极坐标抽样的方式对原始光强数据进行抽样处理,得到第一通道的第一点亮度和第二通道的第二点亮度;
步骤S202,对第一点亮度进行归一化处理,得到第一通道亮度,并对第二点亮度进行归一化处理,得到第二通道亮度;
步骤S203,根据第一通道亮度和第二通道亮度构建角度直方图,得到角度抽样阈值;
步骤S204,根据角度抽样阈值对第一通道和第二通道的原始亮点进行分类处理,得到目标亮点;
步骤S205,根据目标亮点构建目标串扰矩阵,并根据目标串扰矩阵的逆矩阵对原始光强数据进行矫正处理,得到第一矫正光强数据。
为了提高数据的处理效率,在进行通道之间的串扰抽样时,选取前N个周期进行串扰矩阵评估,得到目标串扰矩阵,在后续的周期评估时,直接引用已有的目标串扰矩阵进行荧光强度矫正,这一方式不仅能够减少碱基不平衡的影响,也能够提高算法效率。
在一些实施例的步骤S201中,通过极坐标抽样的方式对任意两个不同通道的原始光强数据进行抽样处理,构建出其中一个通道对应的碱基类型对另一通道对应的碱基类型的影响程度。
以第一通道(碱基A对应的通道,记为A通道)和第二通道(碱基T对应的通道,记为T通道)为例,计算出碱基A影响碱基T的比例RAT。具体地,通过极坐标抽样的方式对原始光强数据进行抽样处理,得到第一通道的第一点亮度和第二通道的第二点亮度,其中,第一点亮度为第一通道中所有荧光点的光强亮度,第二点亮度为第二通道中所有荧光点的光强亮度。
在一些实施例的步骤S202中,分别对A通道的第一点亮度和T通道的第二点亮度进行数据预处理,将A通道的第一点亮度和T通道的第二点亮度按照0.02和0.98分位数进行最大最小值归一化,得到第一通道亮度和第二通道亮度。
请参阅图3,在一些实施例中,步骤S203可以包括但不限于包括步骤S301至步骤S304:
步骤S301,将第一通道亮度作为极坐标的x轴,并将第二通道亮度作为极坐标的y轴构建角度直方图;
步骤S302,对角度直方图进行特征提取,得到角度频数分布特征;
步骤S303,对角度频数分布特征进行滤波处理,得到角度峰值数据,其中,角度峰值数据包括第一角度值和第二角度值;
步骤S304,对第一角度值和第二角度值进行求中间值,得到角度抽样阈值。
在一些实施例的步骤S301中,对第一通道亮度和第二通道亮度进行极坐标的角度直方图统计,将第一通道亮度作为极坐标的x轴,并将第二通道亮度作为极坐标的y轴构建角度直方图。
在一些实施例的步骤S302中,在统计角度直方图上对每一个AT二维点(x0,y0)进行斜率计算,得到AT二维点对应的斜率值,并通过反正切函数对斜率值进行计算,得到该斜率值对应的角度值Angle,该过程可以表示为Angle=atan(x0,y0)。
进一步地,利用预设的数组Hist统计每一角度值出现的次数,该数组Hsit可以根据实际场景需求设置。具体地,按照1度为频距,通过直方统计的方式得到-45度至135度对应的频数分布,将这一频数分布作为角度直方图对应的角度频数分布特征。
在一些实施例的步骤S303中,为了减小噪声的干扰,提高碱基识别的精度,在获取角度频数分布特征之后,使用中值滤波等滤波方式对直方统计数组进行过滤处理,并对过滤处理之后的直方统计数组进行峰值提取,由于AT强度分布呈现出双长臂的特征,因此,过滤处理之后的直方统计数组会出现双峰情况,根据直方统计数组的曲线特征,确定双峰位置,并提取出双峰位置对应的角度值,将双峰对应的角度值作为角度峰值数据,角度峰值数据包括第一角度值D1和第二角度值D2。
在一些实施例的步骤S304中,对第一角度值和第二角度值求中间值,得到角度抽样阈值D,其中,D=(D1+D2)/2。
在一些实施例的步骤S204中,根据角度抽样阈值D对第一通道(A通道)和第二通道(T通道)的原始亮点进行分类处理,将角度值小于角度抽样阈值,且角度值大于角度抽样阈值与180度之差(即大于D-180)的原始两度电作为计算RAT的抽样点,即目标亮点。
在一些实施例的步骤S205中,通过最小二乘法对所有的目标亮点进行线性拟合,得到线性斜率,该线性斜率即为RAT。
同理,通过上述方式分别求得每两个碱基之间相互影响的比例,包括,根据这一系列的碱基影响比例,构建出比例矩阵M,对比例矩阵M进行求逆计算,得到矫正逆矩阵,该矫正逆矩阵即为目标串扰矩阵,该目标串扰矩阵Minv可以表示为
通过对不同碱基图像的统计分析,得到目标串扰矩阵Minv(4x4,4个通道,4行4列),用目标串扰矩阵Minv来矫正每个荧光团上的四种碱基的信号强度。通过这一目标串扰矩阵对原始光强数据进行矫正处理,得到第一矫正光强数据(包括ACGT四个通道的第一矫正光强IA1、IT1、IG1、IC1),该过程可以表示为
上述步骤S201至步骤S205、步骤S301至步骤S304,通过多个周期综合估计出目标串扰矩阵,能够减少碱基不平衡的影响,采用一次估计,后续直接引用的策略,也能够提高算法效率。同时,在具体的抽样过程中引入了极坐标的直方统计,采用极坐标方式进行抽样,可以更加准确的估计串扰矩阵,更好地规避噪声影响,鲁棒性较好。
在一些实施例的步骤S103中,对第一矫正光强数据进行分位数归一化处理,得到初始光强数据,能够实现对图像亮度的归一化,达到图像整体归一化的效果。具体过程可以表示如公式(1)所示:
其中,I是归一化前的通道强度,即第一矫正光强数据,I′是归一化后的通道强度,即初始光强数据,Per是分位数,取0.02分位数和0.98分位数,Per0.、Per0.分别是通道所有荧光点的亮度分位数。
需要解释的是,由于荧光切除效率的原因,碱基对应的荧光团存在切除不干净的情况,则切除不干净的荧光团将会在下一个周期的通道图像中继续具有一定的光强亮度,这一情况称为荧光团的phasing(滞后性)。同时还有荧光团的提前反应,即荧光团本应当在下一个周期进行反应,但是部分荧光提前出现,并且在当前周期中显示出光强亮度,这一情况称为荧光团的prephasing(提前性)。
为了综合多个因素的共同影响,提高相位矫正的准确性,本申请在碱基的超前抽样(prephasing抽样)和滞后抽样(phasing抽样)阶段,引入了多元线性回归方法来进行抽样处理。
请参阅图4,在一些实施例中,步骤S104可以包括但不限于包括步骤S401至步骤S403:
步骤S401,根据预设公式和初始光强数据计算每一预设碱基的信号纯度;
步骤S402,根据信号纯度对原始碱基通道进行碱基筛选处理,得到第一筛选数据和第二筛选数据;
步骤S403,根据第一筛选数据和第二筛选数据对初始光强数据进行相位矫正处理,得到第二矫正光强数据。
在一些实施例的步骤S401中,预设公式可以表示如公式(2)所示:
其中,IA、IT、IC、IG分别为每一通道的初始光强数据;(IA+IT+IC+IG)为同一周期内的四个通道的荧光团的光强之和;Imax为预设采样位置荧光团的最大通道强度,可以通过比较每一通道的初始光强得来。
可以理解的是,Purity是一个自定义量,用预设采样位置的最大通道强度/四个通道强度和来定义,荧光团(带标记的碱基)在四个通道都会有一定亮点,当其他通道的亮度为0,则Purity等于1,表示所识别的碱基纯度较高,不受其它通道影响;当四个通道强度一样大时,Purity等于0.25,则此时无法判断当前周期的荧光团对应的所测碱基到底是哪个碱基。
根据预设公式计算每一预设碱基的信号纯度,并通过对采样位置进行过滤采样,使得每一周期的荧光团对应的碱基的信号纯度不小于0.4,且同一周期内的四个通道的荧光团的光强之和大于0。
在一些实施例的步骤S402中,根据信号纯度和信号强度对原始碱基通道进行碱基筛选处理,若在当前周期中,某一碱基的信号强度不是最强的,但在前一个周期中该碱基的信号强度最强,则确定该碱基为滞后出现的碱基,对该碱基进行phasing抽样,并将这一碱基纳入第一筛选数据的集合之中。同理,若在当前周期中,某一碱基的信号强度不是最强的,但在后一个周期中该碱基的信号强度最强,则确定该碱基为提前出现的碱基,对该碱基进行pre-phasing抽样,将这一碱基纳入第二筛选数据的集合之中。
需要说明的是,为了提高数据处理的效率,在本申请实施例中还可以引入SSE、AVX等x86指令集对抽样过程进行加速,从而在提高识别精度的同时,提高数据处理的速度,使得该碱基识别的过程满足处理的实时性需求。
请参阅图5,在一些实施例中,步骤S403可以包括但不限于包括步骤S501至步骤S502:
步骤S501,对第一筛选数据和第二筛选数据进行多元线性回归,得到回归参数;
步骤S502,根据回归参数对初始光强数据进行矫正处理,得到第二矫正光强数据。
在一些实施例的步骤S501中,通过预设的多元线性回归分析函数对第一筛选数据和第二筛选数据进行多元线性回归,得到回归参数,具体过程可以表示为
在一些实施例的步骤S502中,在根据回归参数对初始光强数据进行矫正处理时,考虑到phasing和prephasing的累积作用,采用前后多个周期进行回归拟合,从而提高矫正效率和信号精度。由于周期的窗口长度越长,精度越好,本申请实施例的窗口长度采用动态的,随着周期的增加而动态增加。具体地,本申请实施例的phasing校正采用动态窗口的形式,符合长测序场景的需求,能够提高测序长度和测序精度。随着周期的增加,phasing变大,累积效应增大,所以phasing窗口也动态增加。
上述步骤S401至步骤S403、步骤S501至步骤S502,其在phasing抽样阶段采用变窗口大小的方式,使得强度矫正更加灵活,更加准确;另外,phasing矫正的过程同时结合了通道间和周期间的矫正,综合考虑了多个因素的共同影响(包括不同周期之间同一个通道的碱基反应不同步的影响,也包括同一周期内不同通道之间的碱基吸附问题),能够有效地提高碱基识别精度。
在一些实施例的步骤S105中,对第二矫正光强数据进行均值归一化处理,得到目标光强数据,能够实现对光强原点的归一化,达到图像局部归一化的效果。具体过程可以表示如公式(3)所示:
其中,I是归一化前的通道强度,即第二矫正光强数据,I′是归一化后的通道强度,即目标光强数据,Per是分位数,取0.98分位数,Per0.是通道所有荧光点的亮度分位数,mean函数指求取通道中非识别碱基的所有荧光点的强度均值,其中,非识别碱基指不在第一筛选数据和第二筛选数据之内的碱基。
请参阅图6,在一些实施例,步骤S106包括但不限于包括步骤S601至步骤S602:
步骤S601,提取目标强度数据中的荧光强度值;
步骤S602,选取荧光强度值最大的原始碱基通道作为目标碱基通道,并根据目标碱基通道得到目标碱基。
在一些实施例的步骤S601中,根据数据类型对目标强度数据进行提取,得到目标强度数据中的荧光强度值。
在一些实施例的步骤S602中,比较4个原始碱基通道(ACT四个通道)的荧光强度值,根据比较结果来确定当前反应的碱基是哪一种碱基,具体地,选取荧光强度值最大的原始碱基通道作为目标碱基通道,并根据目标碱基通道得到目标碱基。
进一步地,还可以对目标碱基进行评分计算,具体过程可以如公式(4)所示:
Qphred=-10*log10(Pε)公式(4)
其中,Q是目标碱基的质量得分,Pε为目标碱基的错误率。
需要说明的是,若Pε错误率为0.1,则Q为10,若Pε为0.01,则Q为20,若Pε为0.001,则Q为30,即碱基识别的错误率越低,则质量得分越高,表明目标碱基的识别精度越高。
通过上述步骤S601至步骤S602能够较为方便地根据荧光强度值的大小确定目标碱基,并通过对目标碱基进行评分计算来获取目标碱基的反应情况,灵活性较好。
请参阅图7,在一些实施例中,步骤S107可以包括但不限于包括步骤S701至步骤S702:
步骤S701,获取预设的周期顺序;
步骤S702,根据周期顺序对多个周期的目标碱基进行串连处理,得到目标碱基序列。
在一些实施例的步骤S701中,获取预设的周期顺序,该周期顺序可以根据实际业务需求确定,不做限制。
在一些实施例的步骤S702中,通过上述方式获取多个周期对应的目标碱基,根据周期顺序中的先后关系,将多个周期的目标碱基进行串连,得到目标碱基序列,并将目标碱基序列以文件形式输出,从而实现对碱基的精确识别,完成对DNA序列的测序工作。
在一些其他实施例中,还可以在目标碱基的识别以及目标碱基序列的构建过程中引入机器学习或者深度学习的方法,从而提高碱基识别的精确性和数据处理效率。
本申请实施例的碱基识别方法,其通过获取原始碱基通道的原始光强数据,通过极坐标抽样的方式对原始光强数据进行串扰矫正处理,得到第一矫正光强数据,能够较为准确的估计串扰矩阵,从而更好地规避噪声影响,具有较好的鲁棒性。进一步地,对第一矫正光强数据进行分位数归一化处理,得到初始光强数据,对初始光强数据进行相位矫正处理,得到第二矫正光强数据,并对第二矫正光强数据进行均值归一化处理,得到目标光强数据,通过两次的归一化策略能够更加准确地对光强数据进行归一化处理,使得四个通道的碱基亮度可以被归一化到同一个量纲水平,同时,通过相位矫正能够减小噪声等对强度计算的干扰,提高光强比值计算的准确性。最后,根据目标光强数据对原始碱基通道进行亮度对比和筛选处理,得到目标碱基,并对多个目标碱基进行拼接处理,得到目标碱基序列,这一方式能够根据目标光强数据的大小确定出目标碱基,并对多个周期的目标碱基进行拼接处理,得到目标碱基序列,能够提高碱基识别的准确性和生成的碱基序列的精度。
请参阅图8,本申请实施例还提供一种碱基识别装置,可以实现上述碱基识别方法,该装置包括:
数据获取模块801,用于获取原始碱基通道的原始光强数据;
串扰矫正模块802,用于对原始光强数据进行串扰矫正处理,得到第一矫正光强数据;
第一归一化模块803,用于对第一矫正光强数据进行分位数归一化处理,得到初始光强数据;
相位矫正模块804,用于对初始光强数据进行相位矫正处理,得到第二矫正光强数据;
第二归一化模块805,用于对第二矫正光强数据进行均值归一化处理,得到目标光强数据;
碱基筛选模块806,用于根据目标光强数据对原始碱基通道进行亮度对比和筛选处理,得到目标碱基;
碱基拼接模块807,用于对多个目标碱基进行拼接处理,得到目标碱基序列。
该碱基识别装置的具体实施方式与上述碱基识别方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述碱基识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9,图9示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的碱基识别方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述碱基识别方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的碱基识别方法、碱基识别装置、电子设备及存储介质,其通过获取原始碱基通道的原始光强数据,通过极坐标抽样的方式对原始光强数据进行串扰矫正处理,得到第一矫正光强数据,能够较为准确的估计串扰矩阵,从而更好地规避噪声影响,具有较好的鲁棒性。进一步地,对第一矫正光强数据进行分位数归一化处理,得到初始光强数据,对初始光强数据进行相位矫正处理,得到第二矫正光强数据,并对第二矫正光强数据进行均值归一化处理,得到目标光强数据,通过两次的归一化策略能够更加准确地对光强数据进行归一化处理,使得四个通道的碱基亮度可以被归一化到同一个量纲水平,同时,通过相位矫正能够减小噪声等对强度计算的干扰,提高光强比值计算的准确性。最后,根据目标光强数据对原始碱基通道进行亮度对比和筛选处理,得到目标碱基,并对多个目标碱基进行拼接处理,得到目标碱基序列,这一方式能够根据目标光强数据的大小确定出目标碱基,并对多个周期的目标碱基进行拼接处理,得到目标碱基序列,能够提高碱基识别的准确性和生成的碱基序列的精度。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-7中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (8)
1.一种碱基识别方法,其特征在于,所述方法包括:
获取原始碱基通道的原始光强数据,所述原始碱基通道包括第一通道和第二通道;
对所述原始光强数据进行串扰矫正处理,得到第一矫正光强数据;
对所述第一矫正光强数据进行分位数归一化处理,得到初始光强数据;
对所述初始光强数据进行相位矫正处理,得到第二矫正光强数据;
对所述第二矫正光强数据进行均值归一化处理,得到目标光强数据;
根据所述目标光强数据对所述原始碱基通道进行亮度对比和筛选处理,得到目标碱基;
对多个所述目标碱基进行拼接处理,得到目标碱基序列;
其中,所述对所述原始光强数据进行串扰矫正处理,得到第一矫正光强数据的步骤,包括:
通过极坐标抽样的方式对所述原始光强数据进行抽样处理,得到第一通道的第一点亮度和第二通道的第二点亮度;
对所述第一点亮度进行归一化处理,得到第一通道亮度,并对所述第二点亮度进行归一化处理,得到第二通道亮度;
根据所述第一通道亮度和所述第二通道亮度构建角度直方图,得到角度抽样阈值;
根据所述角度抽样阈值对所述第一通道和所述第二通道的原始亮点进行分类处理,得到目标亮点;
根据所述目标亮点构建目标串扰矩阵,并根据所述目标串扰矩阵的逆矩阵对所述原始光强数据进行矫正处理,得到所述第一矫正光强数据;
所述根据所述第一通道亮度和所述第二通道亮度构建角度直方图,得到角度抽样阈值的步骤,包括:
将所述第一通道亮度作为极坐标的x轴,并将所述第二通道亮度作为极坐标的y轴构建所述角度直方图;
对所述角度直方图进行特征提取,得到角度频数分布特征;
对所述角度频数分布特征进行滤波处理,得到角度峰值数据,其中,所述角度峰值数据包括第一角度值和第二角度值;
对所述第一角度值和所述第二角度值进行求中间值,得到所述角度抽样阈值。
2.根据权利要求1所述的碱基识别方法,其特征在于,所述对所述初始光强数据进行相位矫正处理,得到第二矫正光强数据的步骤,包括:
根据预设公式和所述初始光强数据计算每一预设碱基的信号纯度;
根据所述信号纯度对所述原始碱基通道进行碱基筛选处理,得到第一筛选数据和第二筛选数据;
根据所述第一筛选数据和所述第二筛选数据对所述初始光强数据进行相位矫正处理,得到所述第二矫正光强数据。
3.根据权利要求2所述的碱基识别方法,其特征在于,所述根据所述第一筛选数据和所述第二筛选数据对所述初始光强数据进行相位矫正处理,得到所述第二矫正光强数据的步骤,包括:
对所述第一筛选数据和所述第二筛选数据进行多元线性回归,得到回归参数;
根据所述回归参数对所述初始光强数据进行矫正处理,得到所述第二矫正光强数据。
4.根据权利要求1所述的碱基识别方法,其特征在于,所述根据所述目标光强数据对所述原始碱基通道进行亮度对比和筛选处理,得到目标碱基的步骤,包括:
提取所述目标强度数据中的荧光强度值;
选取所述荧光强度值最大的原始碱基通道作为目标碱基通道,并根据所述目标碱基通道得到所述目标碱基。
5.根据权利要求1至4任一项所述的碱基识别方法,其特征在于,所述对多个所述目标碱基进行拼接处理,得到目标碱基序列的步骤,包括:
获取预设的周期顺序;
根据所述周期顺序对多个周期的所述目标碱基进行串连处理,得到所述目标碱基序列。
6.一种碱基识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取原始碱基通道的原始光强数据,所述原始碱基通道包括第一通道和第二通道;
串扰矫正模块,用于对所述原始光强数据进行串扰矫正处理,得到第一矫正光强数据;
第一归一化模块,用于对所述第一矫正光强数据进行分位数归一化处理,得到初始光强数据;
相位矫正模块,用于对所述初始光强数据进行相位矫正处理,得到第二矫正光强数据;
第二归一化模块,用于对所述第二矫正光强数据进行均值归一化处理,得到目标光强数据;
碱基筛选模块,用于根据所述目标光强数据对所述原始碱基通道进行亮度对比和筛选处理,得到目标碱基;
碱基拼接模块,用于对多个所述目标碱基进行拼接处理,得到目标碱基序列;
其中,所述对所述原始光强数据进行串扰矫正处理,得到第一矫正光强数据的步骤,包括:
通过极坐标抽样的方式对所述原始光强数据进行抽样处理,得到第一通道的第一点亮度和第二通道的第二点亮度;
对所述第一点亮度进行归一化处理,得到第一通道亮度,并对所述第二点亮度进行归一化处理,得到第二通道亮度;
根据所述第一通道亮度和所述第二通道亮度构建角度直方图,得到角度抽样阈值;
根据所述角度抽样阈值对所述第一通道和所述第二通道的原始亮点进行分类处理,得到目标亮点;
根据所述目标亮点构建目标串扰矩阵,并根据所述目标串扰矩阵的逆矩阵对所述原始光强数据进行矫正处理,得到所述第一矫正光强数据;
所述根据所述第一通道亮度和所述第二通道亮度构建角度直方图,得到角度抽样阈值的步骤,包括:
将所述第一通道亮度作为极坐标的x轴,并将所述第二通道亮度作为极坐标的y轴构建所述角度直方图;
对所述角度直方图进行特征提取,得到角度频数分布特征;
对所述角度频数分布特征进行滤波处理,得到角度峰值数据,其中,所述角度峰值数据包括第一角度值和第二角度值;
对所述第一角度值和所述第二角度值进行求中间值,得到所述角度抽样阈值。
7.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至5任一项所述的碱基识别方法的步骤。
8.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至5中任一项所述的碱基识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549324.5A CN115035952B (zh) | 2022-05-20 | 2022-05-20 | 碱基识别方法和装置、电子设备及存储介质 |
PCT/CN2023/072456 WO2023221546A1 (zh) | 2022-05-20 | 2023-01-16 | 碱基识别方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549324.5A CN115035952B (zh) | 2022-05-20 | 2022-05-20 | 碱基识别方法和装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035952A CN115035952A (zh) | 2022-09-09 |
CN115035952B true CN115035952B (zh) | 2023-04-18 |
Family
ID=83121362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210549324.5A Active CN115035952B (zh) | 2022-05-20 | 2022-05-20 | 碱基识别方法和装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115035952B (zh) |
WO (1) | WO2023221546A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035952B (zh) * | 2022-05-20 | 2023-04-18 | 深圳赛陆医疗科技有限公司 | 碱基识别方法和装置、电子设备及存储介质 |
CN116363403B (zh) * | 2023-05-26 | 2023-08-11 | 深圳赛陆医疗科技有限公司 | 用于基因样本的图像识别方法、图像识别***和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989248B (zh) * | 2015-02-05 | 2018-11-27 | 中国科学院数学与***科学研究院 | 用于多个分子信号的数据处理方法和装置 |
JP6910068B2 (ja) * | 2015-06-11 | 2021-07-28 | ユニバーシティ オブ ピッツバーグ−オブ ザ コモンウェルス システム オブ ハイヤー エデュケーションUniversity Of Pittsburgh Of The Commonwealth System Of Higher Education | ヘマトキシリン・エオシン(h&e)染色組織画像における関心領域を調べて、多重化/高多重化蛍光組織画像で腫瘍内細胞空間的不均一性を定量化するシステム及び方法 |
CN113012757B (zh) * | 2019-12-21 | 2023-10-20 | 深圳市真迈生物科技有限公司 | 识别核酸中的碱基的方法和*** |
CN115035952B (zh) * | 2022-05-20 | 2023-04-18 | 深圳赛陆医疗科技有限公司 | 碱基识别方法和装置、电子设备及存储介质 |
-
2022
- 2022-05-20 CN CN202210549324.5A patent/CN115035952B/zh active Active
-
2023
- 2023-01-16 WO PCT/CN2023/072456 patent/WO2023221546A1/zh unknown
Non-Patent Citations (1)
Title |
---|
刘洪萍等.花卉图像色彩信息灰阶串扰量化方法仿真.计算机仿真.2020,(第02期),1-8. * |
Also Published As
Publication number | Publication date |
---|---|
WO2023221546A1 (zh) | 2023-11-23 |
CN115035952A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115035952B (zh) | 碱基识别方法和装置、电子设备及存储介质 | |
CN107977706B (zh) | 模块化分布式人工神经网络 | |
EP3619711B1 (en) | Predicting quality of sequencing results using deep neural networks | |
CN111192292B (zh) | 基于注意力机制与孪生网络的目标跟踪方法及相关设备 | |
CN111815754B (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
CN108876816B (zh) | 基于自适应目标响应的目标跟踪方法 | |
CN110459162B (zh) | 亮度补偿数据获取方法、装置、设备 | |
CN101650783A (zh) | 图像识别方法以及摄像装置 | |
CN110189341B (zh) | 一种图像分割模型训练的方法、图像分割的方法及装置 | |
CN110035281B (zh) | 一种坏点检测方法、装置及电子设备 | |
JP6431404B2 (ja) | 姿勢推定モデル生成装置及び姿勢推定装置 | |
CN111476835A (zh) | 多视角图像一致性的无监督深度预测方法、***、装置 | |
CN107609596A (zh) | 无参数自动加权多图正则化非负矩阵分解及图像聚类方法 | |
US8090206B2 (en) | Systems and methods for matching images | |
CN111614959B (zh) | 一种视频打码方法、装置以及电子设备 | |
CN116188808A (zh) | 图像特征提取方法和***、存储介质及电子设备 | |
CN111784703A (zh) | 一种图像分割方法、装置、电子设备和存储介质 | |
CN114995414A (zh) | 一种墙面质量检测机器人及方法、电子设备、存储介质 | |
CN110288608B (zh) | 作物行中心线提取方法和装置 | |
CN112016621B (zh) | 分类模型的训练方法、颜色的分类方法及电子设备 | |
EP4328802A1 (en) | Deep neural network (dnn) accelerators with heterogeneous tiling | |
CN110880003B (zh) | 一种图像匹配方法、装置、存储介质及汽车 | |
CN115187643A (zh) | 图像配准和模板构建方法、装置、电子设备及存储介质 | |
CN112001289A (zh) | 物品的检测方法和装置、存储介质及电子装置 | |
CN115294035A (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |