本发明涉及多组学数据处理，尤其涉及一种多组学数据处理方法、装置、计算机设备及存储介质。
背景技术：
1、现在越来越多研究表明，在多组学数据中采用单一假设分布进行降维及分类存在一些局限性，这主要是因为不同类型的生物学数据，可能具有不同的特性和分布。进行调研可知，存在以下可能及其导致的局限性：首先是线性关系假设，这种单一假设分布通常基于线性关系，但生物学系统由于遗传物质的层级关系，往往是复杂的非线性系统。因此，采用仅考虑线性关系的降维方法可能无法充分挖掘数据中的复杂关系，导致信息丢失。
2、其次，是流形假设，这种假设可以视作曲线面在高维空间的扩展，其主要思想是认为高维数据存在冗余，通过映射到低维的数据已经能够反映原高维数据的某些本质结构特征，而这种假设的局限性主要是由于基于局部线性的先验知识：在极小的邻域内，数据之间存在线性关系然，但是在高维空间中，局部线性的假设可能并不总是成立，因此流形方法无法完全捕捉到非线性结构。
3、对于多组学数据使用降维方法获取数据，对于下游分类任务时，不同的降维方法的数据假设不同，导致了不同的效果差异的问题。即不同的数据假设，如流型假设和线性假设等，虽然有不同的优势，但是同时忽略了数据其他假设层面的数据特征。
技术实现思路
1、基于此，有必要针对现有技术的多组学数据中采用单一假设分布单，导致下游任务效果不佳的技术问题，提出了一种多组学数据处理方法、装置、计算机设备及存储介质。
2、第一方面，提供了一种多组学数据处理方法，所述方法包括：
3、获取多组学数据；
4、基于所述多组学数据以及umap方法进行降维处理，得到第一数据，基于所述多组学数据以及svd方法进行降维处理，得到第二数据；
5、通过hstack方法和/或vstack方法,对所述第一数据以及所述第二数据进行数据堆叠处理，得到目标数据；
6、基于所述目标数据以及初始数据模型进行模型训练，得到训练好的数据模型。
7、第二方面，提供了一种多组学数据处理装置，所述装置包括：
8、获取模块，用于获取多组学数据；
9、降维处理模块，用于基于所述多组学数据以及umap方法进行降维处理，得到第一数据，基于所述多组学数据以及svd方法进行降维处理，得到第二数据；
10、堆叠处理模块，用于通过hstack方法和/或vstack方法,对所述第一数据以及所述第二数据进行数据堆叠处理，得到目标数据；
11、模型训练模块，用于基于所述目标数据以及初始数据模型进行模型训练，得到训练好的数据模型。
12、第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述多组学数据处理方法的步骤。
13、第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述多组学数据处理方法的步骤。
14、本发明提出的多组学数据处理方法，通过获取多组学数据，而后基于所述多组学数据以及umap方法进行降维处理，得到第一数据，基于所述多组学数据以及svd方法进行降维处理，得到第二数据，接着通过hstack方法和/或vstack方法,对所述第一数据以及所述第二数据进行数据堆叠处理，得到目标数据，最后基于所述目标数据以及初始数据模型进行模型训练，得到训练好的数据模型，能够利用到了非线性假设的第一数据以及线性的第二数据进行堆叠，得到目标数据，而后基于目标数据以及初始数据模型进行模型训练，使得训练好的数据模型性能更佳，使得利用目标数据进行下游任务有较明显的效果提升。
1.一种多组学数据处理方法，其特征在于，所述多组学数据处理方法包括：
2.根据权利要求1所述的多组学数据处理方法，其特征在于，训练好的所述数据模型是基于人工神经网络的分类模型。
3.一种多组学数据处理装置，其特征在于，所述多组学数据处理装置包括：
4.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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2任一项所述多组学数据处理方法的步骤。
5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述多组学数据处理方法的步骤。
