(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 202211093425.2 (22)申请日 2022.09.08 (71)申请人 杭州联川生物技 术股份有限公司 地址 310018 浙江省杭州市杭州经济技 术 开发区6号大街26 0号16幢四层 (72)发明人 方超　郎秋蕾　陈志锋　 (74)专利代理 机构 杭州信与义专利代理有限公 司 33450 专利代理师 万景旺 (51)Int.Cl. G16B 40/30(2019.01) G16B 30/00(2019.01) G06F 17/16(2006.01) (54)发明名称 基于高通量测序的基因聚类数据预处理方 法、 设备及 介质 (57)摘要 本发明公开了一种基于高通量测序的基因 聚类数据预处理方法， 涉及基因聚类技术领域。 包括以下步骤： S1， 输入原始基因表达量矩阵； S2， 并行计算两两基因之间的距离， 并采用链表 结构存储计算出的距离； S3， 构建用于存储两两 基因的距离的一维数组， 并锚定每一距离在所述 一维数组中的存储位置； S4， 将计算出的距离按 照锚定的位置依次输入到所述一维数组中。 本发 明在提高运行速度的基础上保证数据存放顺序 与单线程运行结果的一致性， 以便后续用于下游 的聚类算法。 权利要求书1页 说明书6页 附图1页 CN 115188421 A 2022.10.14 CN 115188421 A 1.一种基于高通 量测序的基因聚类数据预处 理方法， 其特 征在于， 包括以下步骤： S1， 输入原 始基因表达量矩阵； S2， 并行计算两 两基因之间的距离， 并采用链 表结构存 储计算出的距离； S3， 构建用于存储两两基因的距离的一维数组， 并锚定每一距离在所述一维数组中的 存储位置； S4， 将计算出的距离按照锚定的位置依次输入到所述 一维数组中。 2.根据权利要求1所述的一种基于高通量测序的基因聚类数据预处理方法， 其特征在 于， 所述原 始基因表达量矩阵如下： 其中， 代表基因表达量矩阵， 代表基因表达量， 下 标 代表基因， 下 标 代表样本。 3.根据权利要求2所述的一种基于高通量测序的基因聚类数据预处理方法， 其特征在 于， 所述距离为曼哈顿距离或欧式距离 。 4.根据权利要求3所述的一种基于高通量测序的基因聚类数据预处理方法， 其特征在 于， 当所述距离为曼哈顿距离时， 计算方法如下： 其中， 代表基因 和基因 之间的曼哈顿距离， 代表第 个样本的基因 的 基因表达量； 代表第 个样本的基因 的基因表达量。 5.根据权利要求2或4所述的一种基于高通量测序的基因聚类数据 预处理方法， 其特征 在于， 锚定每一距离在所述 一维数组中的存 储位置的方法如下： 其中， 代表所述一维数组； 代表基因 和基因 之间的曼哈顿距 离； 代表曼哈顿距离 在一维数组 中的位置； 代表基因的总量。 6.根据权利要求1所述的一种基于高通量测序的基因聚类数据预处理方法， 其特征在 于， 所述S4后还 包括S5， 将所述 一维数组中作为下游的层次聚类算法的输入数据。 7.一种终端设备， 包括存储器、 处理器以及存储在所述存储器上并可在所述处理器上 运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求1至5 任意一项所述的基于高通 量测序的基因聚类数据预处 理方法。 8.一种计算机存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执行时 实现如权利要求1至 5任意一项所述的基于高通 量测序的基因聚类数据预处 理方法。权　利　要　求　书 1/1 页 2 CN 115188421 A 2基于高通量测序的基因聚类数据预处理 方法、 设备及介质 技术领域 [0001]本发明涉及基 因聚类技术领域， 尤其涉及 一种基于高通量测序的基因聚类数据预 处理方法、 设备及 介质。 背景技术 [0002]高通量测序 （Next ‑generation  sequencing， NGS） 又称为高通量测序 （High ‑ throughput  sequencing） ， 是基于PCR和基因芯片发展而来的边合成边测序技术。 高通量测 序技术的特点主要有： 测序读长短， 通量高， 准确度高。 高通量测序相比一代测序大幅降低 了成本， 同时保持了较高准确性， 并且 大幅降低了测序时间， 目前高通量测序已经在 全组学 得到广泛应用。 比如： 有参转录组测序， 重测序， DNA甲基化测序， m6A甲基化测序， 单细胞测 序等。 [0003]R语言是由Ross  Ihaka和Robert  Gentleman在1993年开 发的一种编程语言， R拥有 广泛的统计和图形方法目录。 它包括机器学习算法、 线性回归、 时间序列、 统计推理等。 大多 数R库都是用R编写的， R  语言是为数学研究工作者设计的一种数学编程语言， 主要用于统 计分析、 绘图、 数据挖掘。 R语 言目前被大量应用在生物信息领域， 特别是在高通量测序技术 得到广泛使用的情况下， 产生了海量的生物测序数据， 生物信息学家们使用R语言进 行数据 分析和数据统计。 [0004]hclust函数是R语言 内置的一个函数， 主要是用来进行距离算法和聚类分析， 该函 数主要集成了以下几个距离算法： 曼哈顿距离(manhattan  distance)， 欧氏距离 (euclidean  distance)， 马氏距离(mahal anobis distance)， 闵科夫斯基距离(minkowski   distance)， 切比雪夫距离(chebyshev  distance)和蓝氏距离(canberra  distance)等。 其 中曼哈顿距离和欧氏距离是使用最为频繁的两种距离算法。 然而 曼哈顿距离和欧氏距离在 处理常规大小数据的时候运行速度尚可， 但是在运行如高通量测序产生的大数据时， 特别 是样本和基因数非常多的时候， 可能会产生内存溢出和运行速度非常慢 （只能单线程运行） 的情况， 对数据分析的速度和准确性造成了非常大的影响。 发明内容 [0005]为了解决背景技术中提到的至少一个技术问题， 本发明的目的在于提供一种基于 高通量测序的基因聚类数据预处理方法、 设备及介质， 在提高运行速度的基础上保证数据 存放顺序与单线程 运行结果的一 致性， 以便后续用于下游的聚类算法。 [0006]为实现上述目的， 本发明提供如下技 术方案： 一种基于高通 量测序的基因聚类数据预处 理方法， 包括以下步骤： S1， 输入原 始基因表达量矩阵； S2， 并行计算两 两基因之间的距离， 并采用链 表结构存 储计算出的距离； S3， 构建用于存储两两基因的距离 的一维数组， 并锚定每一距离在所述一维数组 中的存储位置；说　明　书 1/6 页 3 CN 115188421 A 3