本申请涉及机器学习，特别是涉及一种基于深度学习的微生物培养条件预测方法及系统。
背景技术：
1、微生物的培养条件对微生物的生长和产量有很大的影响。
2、常见的微生物培养方法有原位培养，通过将微生物直接接种在自然环境或模拟环境中进行培养，可以保持微生物的生态特征和遗传稳定性，适用于某些特殊环境下的微生物的培养，但其无法培养未知的或者丰度很低的微生物。
3、还有使用机器人技术来自动化地进行微生物接种、移液、检测等操作，通过大量实验，总结合适的培养条件，大大提高了培养效率，但其存在耗时长、准确率低的问题。
4、此外，也有通过基因测序，确定样品中微生物的分类，再根据分类树中相似微生物的培养条件，用来培养目标微生物；缺点是通过测序确定的不同微生物的数量有限，且相似性比对误差较大，无法深入挖掘大量未知的微生物。
技术实现思路
1、基于此，有必要提供一种基于深度学习的微生物培养条件预测方法及系统。
2、一方面，基于深度学习的微生物培养条件预测方法包括：
3、s1：获取已知的微生物的蛋白质序列及培养条件；
4、s2：以微生物的培养条件作为标签，对所述标签及其对应微生物的蛋白质序列进行编码预处理，得到二维向量；
5、s3：基于多个所述二维向量训练深度学习模型，得到预测模型；
6、s4：所述预测模型基于目标微生物的蛋白质序列，预测目标微生物的培养条件。
7、优选的，s1中，所述获取已知的微生物的蛋白质序列包括：
8、步骤1：将已知的微生物进行宏基因组测序，分箱后得到单一微生物的基因组草图；
9、步骤2：将所述基因组草图进行基因注释和冗余序列去除，得到单一微生物的所述蛋白质序列；
10、步骤3：重复步骤1-2，直至得到所有已知的微生物的所述蛋白质序列。
11、优选的，s2包括：
12、s2.1：采用机器学习算法对单物种的蛋白质序列进行筛选，得到第一特征蛋白质序列；
13、s2.2：对所述标签及其对应微生物的第一特征蛋白质序列按照libsvm格式进行编码，得到所述二维向量；
14、s2.3：重复s2.1-s2.2，直至遍历完所有已知的微生物，得到多个所述二维向量。
15、优选的，s3包括：
16、s3.1：将多个所述二维向量分为训练集和测试集；
17、s3.2：所述深度学习模型包括卷积层、池化层、扁平层以及全连接层；将所述训练集输入至所述深度学习模型，以二分类交叉熵为损失函数，并采用随机梯度下降法迭代，反向传播更新模型参数，得到训练好的预测模型；
18、s3.3：将所述测试集输入至训练好的预测模型，所述测试集用于测试训练好的预测模型预测的准确性。
19、优选的，在所述卷积层中，
20、从卷积层输入的尺寸到卷积层输出的尺寸的计算公式为：
21、；
22、其中，表示卷积层输出的尺寸；表示卷积层输入的尺寸； p表示填充的大小； f表示卷积核大小； s表示卷积步长；
23、进行卷积操作的参数量的计算公式为：
24、；
25、其中， weights表示参数量； c in表示前一层的通道数； c out表示当前层的通道数；
26、所述卷积层中的激活函数为relu函数；
27、在所述池化层中，采用平均池化，计算公式为：
28、；
29、其中，表示神经元激活值的平均值；表示区域上第 i个神经元激活值；
30、所述扁平层用于将神经元激活值组成的矩阵转换为节点；
31、所述全连接层用于采用sigmoid函数将所述节点转为二分类输出，所述二分类输出中的0表示不适用所述培养条件，1表示适用所述培养条件。
32、优选的，s4包括：
33、采用机器学习算法对目标微生物的蛋白质序列进行筛选，得到第二特征蛋白质序列；
34、将目标微生物的蛋白质序列用所述第二特征蛋白质序列替换，目标微生物的蛋白质序列中不属于第二特征蛋白质序列的位置用0取代，得到向量；
35、将所述向量中的0值项去除，并将所述向量扩张成二维，再归一化保存为灰度图；
36、将所述灰度图输入至所述预测模型，得到目标微生物的培养条件。
37、优选的，所述机器学习算法包括决策树、xgboost、svc、随机深林以及神经网络。
38、优选的，编码方式包括顺序编码、独热编码、语言编码。
39、优选的，所述培养条件包括温度、ph值、氧气浓度、营养成分。
40、另一方面，基于深度学习的微生物培养条件预测系统包括：
41、获取模块，用于已知的微生物的蛋白质序列及培养条件；
42、编码预处理模块，用于以微生物的培养条件作为标签，对所述标签及其对应微生物的蛋白质序列进行编码预处理，得到二维向量；
43、训练模块，用于基于多个所述二维向量训练深度学习模型，得到预测模型；
44、预测模块，用于所述预测模型基于目标微生物的蛋白质序列，预测目标微生物的培养条件。
45、有益效果：该方法能准确有效地预测不同微生物所需的培养条件，能够有效挖掘和培养未知的、低丰度的微生物。
1.一种基于深度学习的微生物培养条件预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的微生物培养条件预测方法，其特征在于，s1中，所述获取已知的微生物的蛋白质序列包括：
3.根据权利要求2所述的基于深度学习的微生物培养条件预测方法，其特征在于，s3包括：
4.根据权利要求3所述的基于深度学习的微生物培养条件预测方法，其特征在于，在所述卷积层中，
5.根据权利要求1所述的基于深度学习的微生物培养条件预测方法，其特征在于，s4包括：
6.根据权利要求5所述的基于深度学习的微生物培养条件预测方法，其特征在于，所述机器学习算法包括决策树、xgboost、svc、随机深林以及神经网络。
7.根据权利要求1所述的基于深度学习的微生物培养条件预测方法，其特征在于，编码方式包括顺序编码、独热编码、语言编码。
8.根据权利要求1所述的基于深度学习的微生物培养条件预测方法，其特征在于，所述培养条件包括温度、ph值、氧气浓度、营养成分。
9.一种基于深度学习的微生物培养条件预测系统，其特征在于，包括：
