技术特征：
1.一种高密度基因芯片的微珠亮暗分类方法，其特征在于，包括：步骤s1：将每个微珠的灰度图作为自动编码器模型的输入图像和结果标签，对自动编码器模型的编码器和解码器进行预训练，直至自动编码器模型学会从微珠中自动提取出微珠的高维特征、并且能够从提取到的微珠的高维特征中重构出与输入相同的图像时，则完成自动编码器模型的预训练；步骤s2：完成自动编码器模型的预训练后，使用编码器的输出作为后续模型的输入，使用解码器计算重构损失以优化模型；步骤s3：在自动编码器的编码层后再加一神经网络中的全连接层作为自表达层，并进一步训练自动编码器和自表达层，直至当编码器输出的高维特征作为自表达层的输入、并且输入自表达层的高维特征通过自表达层的表达系数矩阵被自表达时，则完成了自动编码器和自表达层的训练，并在这一过程中，使自表达层中的表达系数矩阵完成构建；步骤s4：将待分类的每个微珠的灰度图输入训练后的编码器编码以获得当前高维特征；步骤s5：将当前高维特征输入训练后的自表达层以获得当前表达系数矩阵；步骤s6：使用谱聚类算法，将自表达层的当前表达系数矩阵作为谱聚类算法中的相似度矩阵进行聚类，从而分出微珠的亮暗。2.如权利要求1所述的高密度基因芯片的微珠亮暗分类方法，其特征在于，在步骤s6中，使用谱聚类算法对相似度矩阵进行切割，找出能够互相线性表达的样本聚作一类，从而得到微珠的亮暗分类结果。3.如权利要求2所述的高密度基因芯片的微珠亮暗分类方法，其特征在于，使用谱聚类算法进行聚类包括步骤：（1）将自表达层中的表达系数矩阵当作相似度矩阵w；（2）通过计算相似度矩阵或拉普拉斯矩阵l，并构建标准化的拉普拉斯矩阵；（3）计算标准化后的拉普拉斯矩阵的前k个特征值与特征向量，构建特征向量矩阵q；（4）利用k-means聚类算法对特征矩阵q中的特征向量进行聚类，对应得到相似度矩阵w中每行对象所属的类别。4.如权利要求1所述的高密度基因芯片的微珠亮暗分类方法，其特征在于，在步骤s3中，假设编码器得到的高维特征为z，自表达层中的表达系数矩阵为c，训练自表达层使得输入z通过自表达层得到的输出也为z，即zc = z，输入z通过线性组合成功表达了自己，即“自表达性质”。5.如权利要求1所述的高密度基因芯片的微珠亮暗分类方法，其特征在于，步骤s2进一步包括：使用下述损失函数计算自动编码器的重构损失：其中为输入自动编码器的原始图像，为自动编码器输出的重构图像，为该项损失的权重系数。6.如权利要求1所述的高密度基因芯片的微珠亮暗分类方法，其特征在于，步骤s3进一步包括：使用下述损失函数计算自表达层的自表达损失：
其中为自动编码器中编码器的输出，同时也是自表达层的输入，为自表达层中的表达系数矩阵，为该项损失的权重系数。7.如权利要求1所述的高密度基因芯片的微珠亮暗分类方法，其特征在于，步骤s3进一步包括：使用下述损失函数对自表达层的权重进行正则化约束，从而计算相似度矩阵正则损失：其中为自表达层中的表达系数矩阵，为该项损失的权重系数。8.一种终端，其特征在于，包括：存储器，所述存储器用于存储可执行程序代码；以及处理器，所述处理器用于读取所述存储器中存储的可执行程序代码以执行权利要求1～7中任一项所述高密度基因芯片的微珠亮暗分类方法。9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时，实现如权利要求1～7中任一项所述高密度基因芯片的微珠亮暗分类方法。
技术总结
本发明提供了一种高密度基因芯片的微珠亮暗分类方法、终端和存储介质。微珠亮暗分类方法基于自动编码器和高维空间聚类，用于自动提取高密度基因芯片中作为核酸探针固定载体的微球的高维特征，并将提取出的高维特征直接进行聚类，从而得到微珠的亮暗分类结果，整个过程具有更好的鲁棒性。此外，本申请的技术方案能够从微珠的完整图像中提取更加丰富的信息，从而保证提取出的微珠特征的准确性。从而保证提取出的微珠特征的准确性。从而保证提取出的微珠特征的准确性。
技术研发人员：刘超钧 刘若愚 许心意
受保护的技术使用者：苏州拉索生物芯片科技有限公司
技术研发日：2022.06.23
技术公布日：2022/7/25