1.一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷方法，其特征在于，所述步驟s1中，預(yù)處理包括：
3.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷方法，其特征在于，所述步驟s1中，基因數(shù)據(jù)集為gene?expression?omnibus數(shù)據(jù)庫中開源的數(shù)據(jù)集，具體為小鼠紅系造血干細(xì)胞數(shù)據(jù)集mhsc-e、小鼠粒系造血干細(xì)胞數(shù)據(jù)集mhsc-gm、小鼠淋巴系造血干細(xì)胞數(shù)據(jù)集mhsc-l、小鼠樹突狀細(xì)胞數(shù)據(jù)集mdc、人類胚胎干細(xì)胞數(shù)據(jù)集hesc和人類肝細(xì)胞數(shù)據(jù)集hhep中的任意一種。
4.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷方法，其特征在于，所述步驟s2中，若干個并列的基學(xué)習(xí)器至少包括以下五種：deepdrim模型、cnnc模型、stgrns模型、genelink模型和gnnlink模型。
5.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷方法，其特征在于，所述步驟s2中，特征融合層將所有基學(xué)習(xí)器的預(yù)測結(jié)果進(jìn)行拼接操作，將拼接后的向量視為新的特征并進(jìn)行歸一化操作，獲取所述融合特征。
6.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷方法，其特征在于，所述步驟s2中，元學(xué)習(xí)器具體為多層感知機mlp；
7.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷方法，其特征在于，所述步驟s2中，輸出層通過預(yù)設(shè)的閾值對所述集成預(yù)測結(jié)果進(jìn)行二值化處理，獲取最終的基因調(diào)控網(wǎng)絡(luò)。
8.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷方法，其特征在于，所述步驟s3中，利用所述預(yù)處理后的基因數(shù)據(jù)集訓(xùn)練所述基因調(diào)控網(wǎng)絡(luò)推斷模型，在訓(xùn)練過程中，通過優(yōu)化預(yù)設(shè)的損失函數(shù)來提高基因調(diào)控網(wǎng)絡(luò)推斷模型的預(yù)測性能，并采用早停法或?qū)W習(xí)率調(diào)整策略來防止模型過擬合。
9.根據(jù)權(quán)利要求8所述的一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷方法，其特征在于，所述預(yù)設(shè)的損失函數(shù)具體為二元交叉熵?fù)p失函數(shù)。
10.一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷系統(tǒng)，應(yīng)用權(quán)利要求1～9任一項中所述的一種基于集成學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)推斷方法，其特征在于，包括：