在许多环境中（来自人体肠道到海洋生态系统）的混合群落发现了生物体，并且可以对人类健康和环境产生深远的影响。 Metagenomics通过高通量测序研究这种群体的基因组材料，得到用于随后分析的DNA子序列。标准工作流程中称为啤酒的基本问题是发现与未知构成生物相关的基因组子组的群集。随后的固有噪声，需要对它们施加的各种生物限制以及偏斜簇大小分布加剧了这种无监督的学习问题的难度。在本文中，我们使用曲线图提出了一种新的配方，其中节点是子序列的，并且边缘代表同意信息。此外，我们模拟了提供了关于不能聚集在一起的节点的异细信号的生物限制。我们通过开发（i）图表示学习的新算法来解决融合问题，这些算法保留了奇妙关系和基于异语的基于约束的基于曲线的图形聚类方法，该方法解决了串簇大小分布的问题。在实际和合成数据集上的广泛实验证明我们的方法称为Repbin，优于各种各样的竞争方法。我们的约束图形表示学习和聚类方法，其在其他域中也可以是有用的，也可以推进距离偏心神经融合和图形表示学习的最先进。
translated by 谷歌翻译