宏基因组学利用新一代测序技术能在不经过实验室培养的情况下,获取环境中绝大部分的微生物遗传物质（DNA）,再利用基因组学的研究策略研究环境样品中微生物的遗传组成及其群落功能。近年来宏基因组学在人类、动物、植物和环境中的研究越来越广泛,与传统的测序方法不同,宏基因组测序得到的原始数据是大量长度较短的、来源于多种微生物的DNA片段。根据DNA片段之间的重叠关系可以将它们组装成长度较长的DNA序列,生物信息学中称这种组装之后的DNA序列为重叠群序列（contigs）。由于组装的重叠群序列得不到完整基因组,需要重叠群的分箱（Binning contigs）把重叠群按物种划分,如何有效划分宏基因组DNA重叠群是当前研究的重点和难点,目前还存在一些问题,例如:1)聚类性能有待提高:传统聚类算法不能够区分近邻物种;2)聚类个数的确定:目前确定聚类个数相较于真实物种的个数有一定差距;3)重叠群特征:重叠群样本的特征分布存在聚类“不友好性”的问题。为解决以上问题,本文提出一种基于已知参考物种标签约束预训练的宏基因组深度宏基因组重叠群聚类算法（Label-Constrained Deep Clustering,LCDC）,主要工作如下:（1）构建基于4-mer频率的预训练数据集,根据不同群落下物种分布的比例分别构建了人体肠道、土壤、海洋微生物环境的群落样本集。下载群落样本集中全部的基因组序列,按比例截取成预训练序列,计算每条序列的4-mer特征频率,用对比最大值方法归一化4-mer特征频率得到人体肠道、土壤、海洋环境下的预训练数据集。（2）设计一种基于已知物种标签约束预训练的方法解决宏基因组重叠群近邻物种聚类问题。通过预训练建立的五层具有对称结构的深度自编码网络,使其更易于对具有相似特征的近邻物种间的重叠群分箱。由于仅使用网络重构误差作为预训练损失函数,不能够很好的完成宏基因组重叠群分箱工作,基于此,本文设计了基于已知物种标签约束预训练的方法,使用已构建的三个群落预训练数据集作为输入分别预训练网络,损失函数包括网络重构误差和物种标签约束误差,物种标签约束误差使用以e为底的指数函数,使用Adam优化器最小化预训练损失函数用以预训练网络,将预训练后得到的网络保存。本文基于已知物种标签约束预训练的方法通过减小物种标签约束误差的方法增大了相似物种间网络的隐层表示特征。（3）设计了联合预训练的深度K-means宏基因组重叠群聚类算法,本文为解决宏基因组重叠群样本中存在聚类“不友好性”的问题,设计了联合预训练的深度K-means宏基因组重叠群聚类的边学习边聚类的方法。使用标签约束预训练保存的网络作为初始化后的网络,把DBI指数作为宏基因组重叠群聚类个数的评价指标,损失函数包括网络重构误差和聚类误差,使用Adam优化网络。本方法解决了宏基因组重叠群样本中聚类个数不准确和聚类“不友好性”的问题。最后对本文的LCDC方法和现有的宏基因组重叠群自动化分箱方法做了对比实验,得出本文方法优于目前其他方法。综上,本文设计的联合预训练的深度宏基因组重叠群聚类方法,解决了对宏基因组重叠群中相似物种间存在的相似特征导致分箱不准确、对重叠群分箱个数不准确和重叠群中存在的聚类“不友好性”的问题,为宏基因组重叠群分箱领域的研究提供了支持。