一种ASO靶点的预测方法、系统、设备及介质与流程

一种aso靶点的预测方法、系统、设备及介质
技术领域
1.本技术涉及基因技术领域，尤其是一种aso靶点的预测方法、系统、设备及介质。


背景技术：

2.反义寡核苷酸(aso)是具有多种化学性质的短核酸类似物，可通过碱基配对识别靶mrna序列。反义寡核苷酸一旦与它们的靶标杂交，就会充当空间阻断剂，阻断剪接因子来改变前mrna剪接，或者可以通过阻止核糖体募集来阻断mrna翻译，从而降低有害的蛋白质表达量，aso的上述特点有望在不久的将来对许多神经系统疾病的治疗产生巨大影响。
3.相关技术中，对aso的应用往往需要预测其对应的靶点。而现有预测aso靶点的方案非常少，且准确性差。例如eskip finder是一个基于机器学习模型来预测aso靶点的软件，其训练集的数据严重不足，而且比较单一，绝大部分训练数据来源于一个单一的基因(dmd)，导致基于该软件预测其他基因上的aso靶点时，存在准确率偏低的问题。
4.综上，相关技术存在的问题亟需得到解决。


技术实现要素：

5.本技术的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
6.为此，本技术实施例的一个目的在于提供一种aso靶点的预测方法、系统、设备及介质。
7.为了达到上述技术目的，本技术实施例所采取的技术方案包括：
8.一方面，本技术实施例提供了一种aso靶点的预测方法，所述方法包括：
9.获取用户输入的基础信息和待预测靶点位置的aso信息；所述基础信息包括物种信息和基因信息；
10.根据所述基础信息和所述aso信息，通过统计模型筛选待预测物种的基因中具有较高结合力的aso靶点集合；所述aso靶点集合中包括多个目标aso靶点；
11.通过多种碱基配对标准对各个所述目标aso靶点进行匹配评分，确定各个所述目标aso靶点对应的匹配分值；
12.按照所述匹配分值的大小，对各个所述目标aso靶点进行排序，并展示排序后的所述目标aso靶点。
13.另外，根据本技术上述实施例的一种aso靶点的预测方法，还可以具有以下附加的技术特征：
14.进一步地，在本技术的一个实施例中，所述基因信息包括待预测物种的基因中外显子所在的染色体坐标信息。
15.进一步地，在本技术的一个实施例中，所述通过统计模型筛选待预测物种的基因中具有较高结合力的aso靶点集合，包括：
16.从所述待预测物种的基因中挑选多个初始aso靶点；
17.计算各个所述初始aso靶点的结合力实际值；
18.根据各个所述结合力实际值的平均值，确定各个所述初始aso靶点的结合力期望值；
19.根据所述结合力实际值和所述结合力期望值，确定各个所述初始aso靶点的结合力评分；
20.选取预设个数的所述结合力评分较大的初始aso靶点，得到aso靶点集合。
21.进一步地，在本技术的一个实施例中，所述根据所述结合力实际值和所述结合力期望值，确定各个所述初始aso靶点的结合力评分，包括：
22.通过以下公式，计算所述初始aso靶点的结合力参考值：
[0023][0024]
式中，pi表示第i个初始aso靶点的结合力参考值，ki表示第i个初始aso靶点的结合力实际值，λ表示结合力期望值，e代表euler常数；
[0025]
根据所述结合力参考值，确定所述结合力评分。
[0026]
进一步地，在本技术的一个实施例中，所述通过多种碱基配对标准对各个所述目标aso靶点进行匹配评分，确定各个所述目标aso靶点对应的匹配分值，包括：
[0027]
通过多种碱基配对标准对各个所述目标aso靶点进行匹配评分，得到初始分值；
[0028]
对各个所述初始分值进行归一化处理，得到归一化分值；
[0029]
对所述目标aso靶点对应的各个所述碱基配对标准下的归一化分值进行累计，得到目标aso靶点对应的匹配分值。
[0030]
进一步地，在本技术的一个实施例中，所述对各个所述初始分值进行归一化处理，得到归一化分值，包括：
[0031]
对于每个所述碱基配对标准，确定对各个所述目标aso靶点进行匹配评分得到的初始分值中的最大值；
[0032]
根据所述初始分值和所述最大值的比值，对所述碱基配对标准下进行匹配评分得到的初始分值进行归一化处理，得到归一化分值。
[0033]
进一步地，在本技术的一个实施例中，所述方法还包括：
[0034]
检测所述目标aso靶点是否处于增强子或者沉默子的位置，根据检测结果确定优化权重；其中，处于增强子或者沉默子的位置的所述目标aso靶点的优化权重大于不处于增强子或者沉默子的位置的所述目标aso靶点的优化权重；
[0035]
根据所述优化权重，对所述匹配分值进行更新，并根据更新后的匹配分值从所述目标aso靶点中确定最佳aso靶点。
[0036]
另一方面，本技术实施例提供一种aso靶点的预测系统，所述系统包括：
[0037]
获取模块，用于获取用户输入的基础信息和待预测靶点位置的aso信息；所述基础信息包括物种信息和基因信息；
[0038]
筛选模块，用于根据所述基础信息和所述aso信息，通过统计模型筛选待预测物种的基因中具有较高结合力的aso靶点集合；所述aso靶点集合中包括多个目标aso靶点；
[0039]
匹配模块，用于通过多种碱基配对标准对各个所述目标aso靶点进行匹配评分，确定各个所述目标aso靶点对应的匹配分值；
[0040]
排序模块，用于按照所述匹配分值的大小，对各个所述目标aso靶点进行排序，并
展示排序后的所述目标aso靶点。
[0041]
另一方面，本技术实施例提供了一种计算机设备，包括：
[0042]
至少一个处理器；
[0043]
至少一个存储器，用于存储至少一个程序；
[0044]
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种aso靶点的预测方法。
[0045]
另一方面，本技术实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，上述处理器可执行的程序在由处理器执行时用于实现上述的一种aso靶点的预测方法。
[0046]
本技术的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到：
[0047]
本技术实施例公开的一种aso靶点的预测方法，所述方法包括：获取用户输入的基础信息和待预测靶点位置的aso信息；所述基础信息包括物种信息和基因信息；根据所述基础信息和所述aso信息，通过统计模型筛选待预测物种的基因中具有较高结合力的aso靶点集合；所述aso靶点集合中包括多个目标aso靶点；通过多种碱基配对标准对各个所述目标aso靶点进行匹配评分，确定各个所述目标aso靶点对应的匹配分值；按照所述匹配分值的大小，对各个所述目标aso靶点进行排序，并展示排序后的所述目标aso靶点。该方法能够提高aso靶点预测的准确性。
附图说明
[0048]
为了更清楚地说明本技术实施例或者现有技术中的技术方案，下面对本技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0049]
图1为本技术实施例中提供的一种aso靶点的预测方法的实施环境示意图；
[0050]
图2为本技术实施例中提供的一种aso靶点的预测方法的流程示意图；
[0051]
图3为本技术实施例中提供的一种计算机设备的结构示意图。
具体实施方式
[0052]
下面结合说明书附图和具体的实施例对本技术进行进一步的说明。所描述的实施例不应视为对本技术的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0053]
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0054]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
[0055]
反义寡核苷酸(aso)是具有多种化学性质的短核酸类似物，可通过碱基配对识别
靶mrna序列。反义寡核苷酸一旦与它们的靶标杂交，就会充当空间阻断剂，阻断剪接因子来改变前mrna剪接，或者可以通过阻止核糖体募集来阻断mrna翻译，从而降低有害的蛋白质表达量，aso的上述特点有望在不久的将来对许多神经系统疾病的治疗产生巨大影响。
[0056]
相关技术中，对aso的应用往往需要预测其对应的靶点。而现有预测aso靶点的方案非常少，且准确性差。例如eskip finder是一个基于机器学习模型来预测aso靶点的软件，其训练集的数据严重不足，而且比较单一，绝大部分训练数据来源于一个单一的基因(dmd)，导致基于该软件预测其他基因上的aso靶点时，存在准确率偏低的问题。
[0057]
有鉴于此，本技术实施例中提供一种aso靶点的预测方法，该方法通过统计模型对具有较高结合力的aso靶点进行初步筛选，得到aso靶点集合；然后采用多种碱基配对标准来对目标aso靶点的碱基配对情况进行评分，得到匹配评分后可以将其按照大小进行排序，并显示排序结果，方便用户确定出潜在的aso靶点。该方法能够提高aso靶点预测的准确性，大幅减少假阳性率。
[0058]
图1是本技术实施例提供的一种aso靶点的预测方法的实施环境示意图。参照图1，该实施环境的软硬件主体主要包括用户终端101和服务器102，用户终端101与服务器102通信连接。其中，该aso靶点的预测方法可以基于用户终端101与服务器102二者之间的交互来执行，具体可以根据实际应用情况进行适当的选择，本实施例对此并不作具体限定。
[0059]
其中，服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。用户终端101与服务器102之间可以通过无线网络或有线网络建立通信连接，该无线网络或有线网络使用标准通信技术和/或协议，网络可以设置为因特网，也可以是其它任何网络，例如包括但不限于局域网(local area network，lan)、城域网(metropolitan area network，man)、广域网(wide area network，wan)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。
[0060]
请参照图2，图2是本技术实施例提供的一种aso靶点的预测方法的流程示意图，参照图2，该一种aso靶点的预测方法包括但不限于：
[0061]
步骤110、获取用户输入的基础信息和待预测靶点位置的aso信息；所述基础信息包括物种信息和基因信息；
[0062]
本步骤中，当需要对aso靶点进行预测时，用户可以输入基础信息和待预测靶点位置的aso信息，使得终端或者服务器接收到用户输入的基础信息和待预测靶点位置的aso信息，从而执行后续的预测任务。具体地，本技术实施例中，用户输入的基础信息，可以包括有需要预测基因中aso靶点的生物的物种信息，例如是人还是其他的动物，本技术对此不作具体限制。基础信息还可以包括待预测物种的基因信息，此处基因信息可以是该物种部分的基因信息，如预先设定有aso靶点的范围；也可以是待预测物种的全部基因信息。一般来说，该基因信息中可以包括待预测物种的基因中外显子所在的染色体坐标信息。此处的外显子的具体数量，本技术不作限制。
[0063]
步骤120、根据所述基础信息和所述aso信息，通过统计模型筛选待预测物种的基因中具有较高结合力的aso靶点集合；所述aso靶点集合中包括多个目标aso靶点；
[0064]
本步骤中，在获取到用户输入的基础信息和aso信息后，可以通过统计模型筛选出在统计学意义上的具有显著高结合力的aso靶点，此处具有高结合力的aso靶点可以是多个，即确定待预测物种的基因中具有较高结合力的aso靶点集合。本技术实施例中，将aso靶点集合内的aso靶点记为目标aso靶点。
[0065]
具体地，在一些实施例中，所述通过统计模型筛选待预测物种的基因中具有较高结合力的aso靶点集合，包括：
[0066]
从所述待预测物种的基因中挑选多个初始aso靶点；
[0067]
计算各个所述初始aso靶点的结合力实际值；
[0068]
根据各个所述结合力实际值的平均值，确定各个所述初始aso靶点的结合力期望值；
[0069]
根据所述结合力实际值和所述结合力期望值，确定各个所述初始aso靶点的结合力评分；
[0070]
选取预设个数的所述结合力评分较大的初始aso靶点，得到aso靶点集合。
[0071]
本技术实施例中，在通过统计模型筛选待预测物种的基因中具有较高结合力的aso靶点集合时，首先，可以先从待预测物种的基因中挑选出多个初始aso靶点，此处，初始aso靶点为可能能够和aso进行结合的靶点，其可以通过经验结合相关的设置条件来选取。例如，可以根据aso的长度进行初筛，确定能够和该长度的aso结合的初始aso靶点，具体的挑选方式可以根据需要灵活调整，本技术对此不作限制。
[0072]
在得到多个初始aso靶点后，可以计算各个初始aso靶点的结合力实际值。具体地，此处，初始aso靶点的结合力实际值，可以应用viennarna package的计算得来，在计算得到各个初始aso靶点的结合力实际值后，可以根据这些结合力实际值的平均值，计算得到结合力期望值。然后，基于各个初始aso靶点的结合力实际值和结合力期望值，可以确定各个初始aso靶点的结合力评分。
[0073]
具体地，在计算结合力评分时，首先可以采用下面的公式确定结合力参考值：
[0074][0075]
式中，pi表示第i个初始aso靶点的结合力参考值，ki表示第i个初始aso靶点的结合力实际值，λ表示结合力期望值，e代表euler常数，i为初始aso靶点的编号，数值为正整数。本技术实施例中，对于某个aso靶点的结合力参数值p，如果其小于0.05(事先给定的比较阈值，可灵活设定)，可以表明该aso靶点的结合力实际值显著性大于结合力期望值，也就是说其具有较强的结合力。因此，本技术实施例中，结合力参数值的数值越小，说明aso靶点的结合力评分越高，故而可以根据负相关的关系确定aso靶点的结合力评分，本技术对两者之间具体的函数关系不作限定。
[0076]
本技术实施例中，可以理解的是，结合力评分在一定程度上能够反映出初始aso靶点和aso顺利结合的可能性强弱。当结合力评分较高时，初始aso靶点和aso顺利结合的可能性也较高；反之，当结合力评分较低时，初始aso靶点和aso顺利结合的可能性也较低。因此，本技术实施例中，在得到各个初始aso靶点对应的结合力评分后，可以按照结合力评分进行排序，例如可以按照从大到小的顺序进行排序，然后选取其中排序处于前面几个的初始aso靶点，得到aso靶点集合。或者也可以按照从小到大的顺序进行排序，然后选取其中排序处
于后面几个的初始aso靶点，得到aso靶点集合。
[0077]
需要说明的是，本技术实施例中，选取的aso靶点集合中，aso靶点的数量可以根据需要灵活设定，本技术对此不作限制。
[0078]
步骤130、通过多种碱基配对标准对各个所述目标aso靶点进行匹配评分，确定各个所述目标aso靶点对应的匹配分值；
[0079]
本步骤中，在选取得到各个目标aso靶点后，可以引入多种碱基配对标准，对目标aso靶点进行匹配评分。此处，碱基配对标准可以是基于rnas的特殊热能、aso的gc百分比、aso的自由能量或者aso靶点与剪切供体点的距离确定的标准，本技术对此不作限制。基于这些标准，可以确定各个目标aso靶点的匹配分值。
[0080]
步骤140、按照所述匹配分值的大小，对各个所述目标aso靶点进行排序，并展示排序后的所述目标aso靶点。
[0081]
本步骤中，由于前述通过碱基配对标准对目标aso靶点进行匹配评分，因此，匹配评分能够较好地反映出目标aso靶点符合碱基配对标准的程度，而可以理解的是，目标aso靶点越符合碱基配对标准，匹配评分就越高，也就越可能使得aso和目标aso靶点结合；反之，目标aso靶点越不符合碱基配对标准，匹配评分就越低，就越难以使得aso和目标aso靶点结合。
[0082]
因此，本技术实施例中，在确定得到各个匹配分值后，可以按照匹配分值的大小对各个目标aso靶点进行排序，匹配分值越大，目标aso靶点的排序越靠前，匹配分值越小，目标aso靶点的排序越靠后，然后可以将排序后的目标aso靶点显示给用户，方便用户确定出潜在的aso靶点。
[0083]
在一些实施例中，所述通过多种碱基配对标准对各个所述目标aso靶点进行匹配评分，确定各个所述目标aso靶点对应的匹配分值，包括：
[0084]
通过多种碱基配对标准对各个所述目标aso靶点进行匹配评分，得到初始分值；
[0085]
对各个所述初始分值进行归一化处理，得到归一化分值；
[0086]
对所述目标aso靶点对应的各个所述碱基配对标准下的归一化分值进行累计，得到目标aso靶点对应的匹配分值。
[0087]
本技术实施例中，在确定目标aso靶点对应的匹配分值时，首先，可以通过各个碱基配对标准对各个目标aso靶点进行匹配评分，得到初始分值，初始分值的大小反映了目标aso靶点和aso之间符合该碱基配对标准的程度。然后，可以对各个初始分值进行归一化处理，具体地，此处在进行归一化处理时，对于每个碱基配对标准，可以确定出其对各个目标aso靶点进行匹配评分得到的初始分值中的最大值，然后将各个目标aso靶点在该碱基配对标准下得到的初始分值除以最大值，可以将各个碱基配对标准下的初始分值归一化到0和1之间。本技术实施例中，将目标aso靶点在各个碱基配对标准下的初始分值归一化后得到的数值记为归一化分值，可以理解的是，每个目标aso靶点，均包括有和碱基配对标准个数相同的归一化分值，本技术中可以对这些归一化分值进行累计，从而得到目标aso靶点对应的匹配分值。
[0088]
在一些实施例中，所述方法还包括：
[0089]
检测所述目标aso靶点是否处于增强子或者沉默子的位置，根据检测结果确定优化权重；其中，处于增强子或者沉默子的位置的所述目标aso靶点的优化权重大于不处于增
强子或者沉默子的位置的所述目标aso靶点的优化权重；
[0090]
根据所述优化权重，对所述匹配分值进行更新，并根据更新后的匹配分值从所述目标aso靶点中确定最佳aso靶点。
[0091]
本技术实施例中，还可以引入增强子或者沉默子的优选机制。如aso靶点和增强子或者沉默子的位置重合，则该aso靶点有更高的权重成为最佳aso靶点。因此，本技术实施例中，可以检测目标aso靶点是否处于增强子或者沉默子的位置，根据检测结果确定优化权重，如果目标aso靶点处于增强子或者沉默子的位置，那么其对应的优化权重可以较大，例如可以是1.1，如果目标aso靶点不处于增强子或者沉默子的位置，那么其对应的优化权重可以较大，例如可以是0.9。然后，可以通过优化权重，对匹配分值进行更新，将优化权重和匹配分值的乘积作为更新后的匹配分值，从而可以将目标aso靶点中更新后的匹配分值的最大者确定为最佳aso靶点。
[0092]
需要说明的是，本技术实施例中，只需要保证处于增强子或者沉默子的位置的目标aso靶点的优化权重大于不处于增强子或者沉默子的位置的目标aso靶点的优化权重即可，对其具体的优化权重数值不作限定。
[0093]
可以理解的是，本技术实施例中提供的一种aso靶点的预测方法，该方法通过统计模型对具有较高结合力的aso靶点进行初步筛选，得到aso靶点集合；然后采用多种碱基配对标准来对目标aso靶点的碱基配对情况进行评分，得到匹配评分后可以将其按照大小进行排序，并显示排序结果，方便用户确定出潜在的aso靶点。该方法能够提高aso靶点预测的准确性，大幅减少假阳性率。
[0094]
本技术实施例还提供一种aso靶点的预测系统，所述系统包括：
[0095]
获取模块，用于获取用户输入的基础信息和待预测靶点位置的aso信息；所述基础信息包括物种信息和基因信息；
[0096]
筛选模块，用于根据所述基础信息和所述aso信息，通过统计模型筛选待预测物种的基因中具有较高结合力的aso靶点集合；所述aso靶点集合中包括多个目标aso靶点；
[0097]
匹配模块，用于通过多种碱基配对标准对各个所述目标aso靶点进行匹配评分，确定各个所述目标aso靶点对应的匹配分值；
[0098]
排序模块，用于按照所述匹配分值的大小，对各个所述目标aso靶点进行排序，并展示排序后的所述目标aso靶点。
[0099]
可以理解的是，图2所示的一种aso靶点的预测方法实施例中的内容均适用于本一种aso靶点的预测系统实施例中，本一种aso靶点的预测系统实施例所具体实现的功能与图2所示的一种aso靶点的预测方法实施例相同，并且达到的有益效果与图2所示的一种aso靶点的预测方法实施例所达到的有益效果也相同。
[0100]
参照图3，本技术实施例还公开了一种计算机设备，包括：
[0101]
至少一个处理器301；
[0102]
至少一个存储器302，用于存储至少一个程序；
[0103]
当至少一个程序被至少一个处理器301执行，使得至少一个处理器301实现如图2所示的一种aso靶点的预测方法实施例。
[0104]
可以理解的是，如图2所示的一种aso靶点的预测方法实施例中的内容均适用于本计算机设备实施例中，本计算机设备实施例所具体实现的功能与如图2所示的一种aso靶点
的预测方法实施例相同，并且达到的有益效果与如图2所示的一种aso靶点的预测方法实施例所达到的有益效果也相同。
[0105]
本技术实施例还公开了一种计算机可读存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现如图2所示的一种aso靶点的预测方法实施例。
[0106]
可以理解的是，如图2所示的一种aso靶点的预测方法实施例中的内容均适用于本计算机可读存储介质实施例中，本计算机可读存储介质实施例所具体实现的功能与如图2所示的一种aso靶点的预测方法实施例相同，并且达到的有益效果与如图2所示的一种aso靶点的预测方法实施例所达到的有益效果也相同。
[0107]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本技术的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0108]
此外，虽然在功能性模块的背景下描述了本技术，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理系统和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理系统或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本技术是不必要的。更确切地说，考虑到在本文中公开的系统中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本技术。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本技术的范围，本技术的范围由所附权利要求书及其等同方案的全部范围来决定。
[0109]
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0110]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、系统或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、系统或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、系统或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、系统或设备或结合这些指令执行系统、系统或设备而使用的系统。
[0111]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线
的电连接部(电子系统)，便携式计算机盘盒(磁系统)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤系统，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0112]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0113]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0114]
尽管已经示出和描述了本技术的实施方式，本领域的普通技术人员可以理解：在不脱离本技术的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本技术的范围由权利要求及其等同物限定。
[0115]
以上是对本技术的较佳实施进行了具体说明，但本技术并不限于实施例，熟悉本领域的技术人员在不违背本技术精神的前提下可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内
[0116]
在本说明书的描述中，参考术语“一个实施方式”、“另一实施方式”或“某些实施方式”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0117]
尽管已经示出和描述了本技术的实施方式，本领域的普通技术人员可以理解：在不脱离本技术的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本技术的范围由权利要求及其等同物限定。