劉芃蘭，孫碩男

（遼寧工程技術(shù)大學(xué)電子與信息工程學(xué)院，葫蘆島 125105）

0 引言

整個(gè)生物圈存在著多種多樣的微生物，從海洋湖泊、土壤大氣到人體的口腔腸道都有微生物的存在。在自然界，不同類群的微生物能在多種不同的環(huán)境中生長(zhǎng)繁殖，它們彼此聯(lián)系、相互影響。微生物復(fù)雜的生命活動(dòng)和相互作用對(duì)于微生物群落的動(dòng)態(tài)和功能起著重要的作用。

越來越多的證據(jù)表明物種間不僅存在成對(duì)的相互作用，也存在諸如循環(huán)交叉進(jìn)食和集體共生等大量的高階相互作用，這些高階相互作用不但可以使得競(jìng)爭(zhēng)網(wǎng)絡(luò)達(dá)到動(dòng)力學(xué)穩(wěn)定，而且對(duì)于研究新物種引進(jìn)也具有重要意義。Zelezniak 等使用基因組尺度的代謝建模方法，系統(tǒng)地調(diào)查了超過800個(gè)社區(qū)的資源競(jìng)爭(zhēng)和代謝交換的程度，對(duì)于所有可能的兩個(gè)、三個(gè)和四個(gè)物種組合的子群落，使用Fisher精確檢驗(yàn)來評(píng)估共現(xiàn)關(guān)系的顯著性，從而解釋了涉及兩個(gè)以上物種的高階相互作用的可能性。Bairey 等通過模擬隨機(jī)交互作用下群落的動(dòng)態(tài)，發(fā)現(xiàn)兩兩相互作用對(duì)增加的物種敏感，而四項(xiàng)相互作用對(duì)刪除的物種敏感，它們共同產(chǎn)生了物種數(shù)量的上限和下限。實(shí)驗(yàn)結(jié)果進(jìn)一步表明物種互作通常是以高階組合的形式發(fā)生的，兩個(gè)物種間的相互作用通常由一個(gè)或多個(gè)其他物種調(diào)節(jié)，這些高階相互作用對(duì)自然生態(tài)系統(tǒng)多樣性十分重要。

傳統(tǒng)計(jì)算模型大多通過成對(duì)關(guān)系構(gòu)建微生物網(wǎng)絡(luò)。然而，由于微生物關(guān)系復(fù)雜多變，這種成對(duì)網(wǎng)絡(luò)構(gòu)建方式可能會(huì)遺漏大量高階相互作用，不能很好地捕捉微生物網(wǎng)絡(luò)的本質(zhì)特性。網(wǎng)絡(luò)基序是一種小巧、重復(fù)且保守的生物網(wǎng)絡(luò)單位，它是一個(gè)至少包含三個(gè)節(jié)點(diǎn)且常常出現(xiàn)的網(wǎng)絡(luò)子圖，在網(wǎng)絡(luò)中執(zhí)行各種計(jì)算任務(wù)，通常被理解為一種高階功能結(jié)構(gòu)?；谶@些網(wǎng)絡(luò)基序來構(gòu)建高階網(wǎng)絡(luò)結(jié)構(gòu)，有助于微生物高階關(guān)系的挖掘，并促使人們更好地理解微生物的功能。識(shí)別網(wǎng)絡(luò)模塊是執(zhí)行網(wǎng)絡(luò)分析的重要途徑，高模塊性表明網(wǎng)絡(luò)在某些節(jié)點(diǎn)組內(nèi)具有密集連接，并且模塊之間的連接稀疏。Girvan 等根據(jù)社區(qū)具有高內(nèi)聚、低耦合的屬性提出基于中心指數(shù)來尋找社區(qū)的算法。Benson 等提出張量譜聚類算法，根據(jù)網(wǎng)絡(luò)集群中指定的高階網(wǎng)絡(luò)結(jié)構(gòu)，開發(fā)多線性譜方法對(duì)網(wǎng)絡(luò)進(jìn)行聚類。Perozzi 等提出了一種Deep-Walk 模型，該模型通過一種截尾隨機(jī)游走的均勻采樣模型將未加權(quán)圖轉(zhuǎn)化為線性序列集合，然后利用Mikolov 等提出的跳躍圖模型從這些線性結(jié)構(gòu)中學(xué)習(xí)頂點(diǎn)的低維表示，實(shí)驗(yàn)結(jié)果表明，該模型在聚類任務(wù)中要優(yōu)于常用的譜聚類和模塊度模型?；谖⑸锏目v向數(shù)據(jù)，Shen等利用動(dòng)態(tài)貝葉斯模型（DBN）構(gòu)建微生物的加權(quán)有向網(wǎng)絡(luò)，然后利用加權(quán)基序和未加權(quán)基序?qū)W(wǎng)絡(luò)的高階結(jié)構(gòu)進(jìn)行分析。聚類結(jié)果表明，加權(quán)基序可以獲得更好的聚類。Yu 等提出了一種基于類內(nèi)散射矩陣的超圖聚類方法，并利用譜聚類來實(shí)現(xiàn)社區(qū)探索，結(jié)果表明該方法在一定程度上可以有效地挖掘微生物的高階模塊。

本文提出了一種基于深度學(xué)習(xí)的超圖聚類模型（hypergraph clustering model based on deep learning,DeepHC），用于挖掘微生物的高階邏輯關(guān)系，該模型基于人體18 個(gè)部位的微生物豐度數(shù)據(jù)，計(jì)算滿足要求的8種邏輯類型的分布，并選取最普遍的邏輯類型來構(gòu)建高階微生物網(wǎng)絡(luò)。針對(duì)簡(jiǎn)單圖聚類方法不能有效挖掘高階關(guān)系，而網(wǎng)絡(luò)的線性嵌入不適用于復(fù)雜非線性關(guān)系挖掘的問題，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的超圖聚類模型，該模型通過計(jì)算偏移正點(diǎn)態(tài)互信息矩陣來獲得更為準(zhǔn)確的網(wǎng)絡(luò)表示，通過深度堆疊自編碼器來獲得樣本的非線性低維表示，并利用最大模塊度聚類來自適應(yīng)挖掘微生物的高階模塊。與其他方法的對(duì)比結(jié)果表明，DeepHC 得到的微生物模塊具有更好的類內(nèi)緊湊性和類間分離性，可以作為微生物高階模塊挖掘的有效工具。

1 數(shù)據(jù)與解決方案

1.1 數(shù)據(jù)

人類微生物組計(jì)劃研究了大量的微生物群落數(shù)據(jù)，可以用來描述與人類相關(guān)的微生物群落的生態(tài)學(xué)特征。本文從HMP 數(shù)據(jù)庫中下載16s RNA 序列數(shù)據(jù)，并經(jīng)過Mothur 處理得到了V13高質(zhì)量文件，涵蓋了5個(gè)人體區(qū)域（Gastrointestinal tract，Oral，Skin，Airways，Urogenital tract）的18 個(gè)部位，包括3242 個(gè)樣本，606 個(gè)微生物的豐度數(shù)據(jù)。Gastrointestinal tract 區(qū)域有214 個(gè)樣本，包含1 個(gè)部位Stool；Oral 區(qū)域有1807 個(gè)樣本，包含9 個(gè)部位，分別是Attached Keratinized， gingiva，Buccal mucosa，Hard palate， Palatine Tonsils， Saliva， Subgingival plaque，Supragingival，plaque，Throat，Tongue dorsum；Skin 區(qū)域有736 個(gè)樣本，包含4 個(gè)部位，分別是Left Antecubital fossa，Left Retroauricular crease，Right Antecubital fossa，Right Retroauricular crease；Airways 區(qū) 域 有188 個(gè) 樣 本，包含1個(gè)部位為Anterior nares；Urogenital tract區(qū)域有297個(gè)樣本，包含3個(gè)部位，分別是Mid vagina，Posterior fornix，Vaginal introitus。上述數(shù)據(jù)可以從http://hmpdacc.org/HMMCP/下載。

1.2 解決方案

本文提出的DeepHC 方法包含3 個(gè)步驟（如圖1 所示）。首先，從微生物豐度數(shù)據(jù)中計(jì)算八種邏輯關(guān)系，并提取最多的邏輯類型來構(gòu)建微生物高階邏輯網(wǎng)絡(luò)（如圖1 的step1）。其次，構(gòu)建加權(quán)超圖模型，并通過超圖約簡(jiǎn)得到微生物的連接網(wǎng)絡(luò)（如圖1 的step2）。最后，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的聚類模型用于微生物模塊挖掘（如圖1的step3）。

圖1 基于DeepHC的高階邏輯關(guān)系分析框架圖

2 模型與方法

2.1 高階邏輯關(guān)系提取

不確定性推理已被廣泛應(yīng)用到機(jī)器學(xué)習(xí)、專家系統(tǒng)、智能決策等領(lǐng)域，概率邏輯是一種常用的不確定推理方法，它在原有邏輯研究的基礎(chǔ)上進(jìn)行一些概率推理，將概率論和邏輯表示完美融合。微生物的相互作用是群落結(jié)構(gòu)的驅(qū)動(dòng)因素之一，群落中物種的非隨機(jī)分布可以用來推斷這些相互作用?；谖⑸镓S度數(shù)據(jù)，本文將概率邏輯應(yīng)用到微生物領(lǐng)域，進(jìn)而挖掘微生物的高階交互關(guān)系。

首先，對(duì)微生物的原始豐度矩陣離散化處理。當(dāng)微生物在樣本中的豐度值(,) ＞0，則對(duì)應(yīng)的(,) = 1；否則，(,) = 0，刪除∑m(,) ＜4的記錄。經(jīng)過以上操作，可以獲得最終的微生物豐度邏輯矩陣。

其次，計(jì)算任意三種微生物間的不確定系數(shù)(|)、(|) 和邏輯組合譜(|(,))。對(duì)于任意隨機(jī)變量和，(|)的計(jì)算方法如下：

其中，()和()分別表示和的獨(dú)立分布信息熵，(,)表示和聯(lián)合分布信息熵。由式（1）可知，(|)∈[0,1]，當(dāng)完全由確定時(shí)，(|)= 1；當(dāng)和完全獨(dú)立時(shí)，(|)= 0。因此，對(duì)于任意微生物三元組{,,}，(|)和(|)表示微生物和的個(gè)體對(duì)微生物的影響， 對(duì)應(yīng)成對(duì)關(guān)系；(|(,))表示微生物和的邏輯組合對(duì)微生物c 的影響，對(duì)應(yīng)高階關(guān)系。本文中，(,)表示微生物和的8 種邏輯組合。本文選擇成對(duì)關(guān)系較弱，而高階關(guān)系較強(qiáng)的三元組，即選擇滿足條件：{（,,）|（|）＜0.4,（|）＜0.4,（|（,））＞0.6}的所有三元組。然后，統(tǒng)計(jì)18個(gè)部位中不同邏輯類型下三元組的發(fā)生情況，結(jié)果如圖2所示。

從圖2 可以看出有5 個(gè)部位（‘Right Antecubital fossa’，‘Left Retroauricular crease’，‘Left Antecubital fossa’，‘Right Retroauricular crease’，‘Anterior nares’）滿足要求三元組的總數(shù)大于2000，并且這些部位的邏輯類型‘=∧’占據(jù)絕對(duì)的優(yōu)勢(shì)，即當(dāng)和共同存在時(shí)，也存在。因此，基于邏輯類型‘=∧’，利用部位‘Right Antecubital fossa’，‘Left Retroauricular crease’，‘Left Antecubital fossa’，‘Right Retroauricular crease’，‘Anterior nares’中的所有三元組來構(gòu)建高階交互關(guān)系。

圖2 18個(gè)人體部位的8種邏輯類型的三元組統(tǒng)計(jì)圖

2.2 超圖構(gòu)建

圖聚類根據(jù)節(jié)點(diǎn)之間的成對(duì)相似性對(duì)節(jié)點(diǎn)集進(jìn)行劃分。然而，由于微生物的多樣性，且多樣性的社區(qū)很大程度依賴于高階相互作用的穩(wěn)定程度，因此研究微生物的高階相互作用對(duì)理解微生物群落的多樣性和穩(wěn)定性具有重要意義。Agarwal 等首先認(rèn)為聚類問題是超圖劃分的一個(gè)實(shí)例，該方法首先利用一個(gè)加權(quán)圖來逼近超圖，然后利用譜聚類算法來進(jìn)行超圖的節(jié)點(diǎn)劃分。Zhou 等將譜圖聚類技術(shù)推廣到超圖，提出了一種超圖歸一化切割準(zhǔn)則，得到一種歸一化超圖切割的聚類算法。

將式（2）與隨機(jī)游走的公式=對(duì)照，可以得到微生物間的連接矩陣：

進(jìn)而，可得超圖拉普拉斯矩陣為：=1-DAD。

2.3 基于深度神經(jīng)網(wǎng)絡(luò)聚類

基于微生物的拉普拉斯矩陣，傳統(tǒng)的譜聚類利用奇異值分解（SVD）和均值可以得到最終的聚類結(jié)果。在此過程中SVD 起到降維的作用，通過線性投影將原始表示空間映射到一個(gè)新的低秩表示空間。然而，由于實(shí)際問題的復(fù)雜性，線性投影可能會(huì)損失重要的信息。

Tian等利用稀疏自編碼器來代替譜聚類中的SVD，取得明顯的改進(jìn)，在此基礎(chǔ)上，Cao等提出了一種深度神經(jīng)網(wǎng)絡(luò)模型（deep neural networks for learning graph representations,DNGR）來學(xué)習(xí)圖的表示，該模型首先利用隨機(jī)沖浪模型直接捕捉圖形結(jié)構(gòu)信息，然后利用偏移正點(diǎn)態(tài)互信息（positive pointwise mutual information,PPMI）模型來增強(qiáng)圖的魯棒性，最后引入疊加去噪自動(dòng)編碼器來提取復(fù)雜的非線性特征。DNGR模型在很多聚類和圖表示問題中都取很好的效果。盡管DNGR 利用隨機(jī)沖浪通過轉(zhuǎn)移矩陣的迭代可以挖掘更多的間接交互，然而該過程也在一定程度上增加部分噪聲，同時(shí)傳播參數(shù)的選擇也增加模型的復(fù)雜性。基于以上分析，本文利用PPMI 來增強(qiáng)網(wǎng)絡(luò)表示，同時(shí)利用堆疊自編碼器來挖掘樣本的低維特征，最后利用均值聚類來計(jì)算聚類結(jié)果。首先，基于微生物的連接矩陣，計(jì)算偏移正點(diǎn)態(tài)互信息矩陣PPMI來產(chǎn)生網(wǎng)絡(luò)表示。PPMI 矩陣構(gòu)建方法如下：

由式（4）可看出，該計(jì)算過程保證PPMI 中元素的非負(fù)性。

然后，挖掘微生物的非線性低維表示。利用堆疊自編碼器從PPMI 矩陣中產(chǎn)生壓縮的、低維的向量表示，這個(gè)過程執(zhí)行了從高維向低維的映射。自編碼器包含兩個(gè)步驟，編碼步驟和解碼步驟。在編碼步驟，函數(shù)（·）應(yīng)用到輸入向量，并將其投影到新的特征空間。解碼步驟，重構(gòu)函數(shù)（·）從潛在表示空間來重構(gòu)原始的輸入向量。假定：（·）=（+），（·）=（+），其中（·）是激活函數(shù)，={,}表示編碼步驟的權(quán)重參數(shù)，={,}表示解碼步驟的權(quán)重參數(shù)，和表示從輸入空間到輸出空間的線性投影，和表示偏置向量。目標(biāo)是通過找出和來最小化如下的重構(gòu)損失函數(shù)：

其中，L 表示樣本損失函數(shù)，x表示第個(gè)樣本。在這個(gè)過程中，激活函數(shù)通常用來建模輸入空間到輸出空間的非線性關(guān)系。堆疊自編碼器是由多層這樣的自編碼器組成的深度神經(jīng)網(wǎng)絡(luò)，它使用分層的訓(xùn)練方法來提取基本規(guī)律，從數(shù)據(jù)層逐層捕獲不同層次的抽象，高層從數(shù)據(jù)中傳遞更高層次的抽象。通過執(zhí)行以上過程，可以得到樣本的低維特征表示。

最后，利用最大模塊度進(jìn)行類別數(shù)選擇?；诙询B自編碼器得到的樣本低維特征，利用均值可以得到最終的聚類結(jié)果。然而，在此過程中聚類數(shù)的選擇也是個(gè)問題。模塊性表現(xiàn)為模塊內(nèi)部的節(jié)點(diǎn)比較稠密，模塊間的節(jié)點(diǎn)比較稀疏。模塊性是生物網(wǎng)絡(luò)的重要特性，研究生物網(wǎng)絡(luò)的模塊性有助于理解復(fù)雜的功能和特性。超圖模塊度是簡(jiǎn)單圖模塊度在超圖中的推廣，令（,）表示頂點(diǎn)和頂點(diǎn)的期望邊數(shù)，其計(jì)算方法如下：

其中，（）表示加權(quán)超圖中頂點(diǎn)的度。令超圖模塊化矩陣為A-S，此時(shí)，對(duì)于任意的聚類結(jié)果，可以得到超圖的模塊度，如下式所示：

其中，表示類別數(shù)，（·）表示聚類指示函數(shù)，即當(dāng)頂點(diǎn)和頂點(diǎn)為同一個(gè)類別時(shí)，（,）=1；否則（,）=0。本文計(jì)算不同聚類數(shù)下的模塊度，并選取最大模塊度對(duì)應(yīng)的聚類數(shù)。

3 性能與實(shí)驗(yàn)分析

3.1 模型評(píng)估

3.1.1 RMSSTD指標(biāo)

RMSSTD是用來衡量聚類結(jié)果的同質(zhì)性，即緊湊程度。它指的是所有類內(nèi)樣本方差的平方根，具體計(jì)算公式如下：

其中，表示類別數(shù)，表示樣本點(diǎn)，C表示第個(gè)聚類的樣本集合，c表示第個(gè)聚類集合的中心， ||C表示C中樣本總數(shù)，表示樣本的維度。由上式可以看出，越小，類內(nèi)樣本的方差越小，類內(nèi)樣本的緊湊程度越小，聚類效果越好。

3.1.2 RS指標(biāo)

RS 指標(biāo)用來評(píng)估類間差異程度，即分離程度。它用來衡量一個(gè)類別與其他類別的區(qū)分度，具體計(jì)算公式如下：

3.1.3 CH指標(biāo)

CH 是一種常用的內(nèi)部聚類評(píng)估指標(biāo)，由Calinski 等提出，基于類間距離和類內(nèi)距離的平方和來評(píng)估聚類有效性。具體計(jì)算公式如下：

3.2 實(shí)驗(yàn)設(shè)置

為了全面評(píng)估模型的性能，實(shí)驗(yàn)選擇3種對(duì)比模型，分別是未加權(quán)的超圖譜聚類模型（HSC）、加權(quán)超圖譜聚類模型（HCWS）和基于類內(nèi)散度的超圖聚類模型（HCIS）。對(duì)于HSC，超邊權(quán)重矩陣W為單位矩陣，即所有超邊的權(quán)重為1，并通過譜聚類得到聚類結(jié)果。對(duì)于HCWS，超邊的權(quán)重為邏輯組合譜(|(,))，并利用譜聚類計(jì)算聚類結(jié)果。對(duì)于HCIS，按照論文的原始方法來計(jì)算結(jié)果。對(duì)于DeepHC（本文方法），利用3 層自編碼器來生成堆疊自編碼器，每層輸出樣本的維度分別為100、50、10。關(guān)于模型的評(píng)估，由于所有方法都是基于豐度邏輯矩陣執(zhí)行的，因此根據(jù)和每個(gè)模型的聚類結(jié)果計(jì)算評(píng)估指標(biāo)。此外，為了消除偶然因素對(duì)結(jié)果的影響，本文將每個(gè)實(shí)驗(yàn)執(zhí)行50次，并將評(píng)估指標(biāo)的均值作為最終的結(jié)果進(jìn)行評(píng)估。

3.3 結(jié)果對(duì)比

關(guān)于人體的五個(gè)位點(diǎn)（‘Left Antecubital fossa’，‘Right Retroauricular crease’，‘Left Retroauricular crease’，‘Right Antecubital fossa’和‘Anterior nares’），基于利用邏輯類型1 提取高階邏輯關(guān)系，將本文模型（DeepHC）與HSC、HCWS和HCIS 的聚類結(jié)果進(jìn)行對(duì)比。表1 展示部位‘Left Antecubital fossa’和‘Right Antecubital fossa’，四種計(jì)算模型關(guān)于三種指標(biāo)的結(jié)果對(duì)比。

表1 Left Antecubital fossa和Right Antecubital fossa的聚類結(jié)果對(duì)比

從表1 可以看出，無論是類內(nèi)緊湊度指標(biāo)（RMSSTD）、類間差異性指標(biāo)（RS）還是綜合評(píng)估指標(biāo)（CH），本文的模型（DeepHC）關(guān)于部位‘Left Antecubital fossa’和‘Right Antecubital fossa’的聚類結(jié)果均更好。具體來講，關(guān)于部位Left Antecubital fossa，DeepHC 的RMSSTD 指 標(biāo)為0.2562，小于其他模型，說明DeepHC 類內(nèi)樣本的緊湊程度更好；DeepHC 的指標(biāo)為0.1591，遠(yuǎn)大于其他模型，說明DeepHC 類間差異程度更大；DeepHC 的CH 取值為6.3647，相對(duì)于HSC、HCWS 和HCIS 的2.3326、2.3326 和2.1108 分別提升172.86%、172.86%和201.53%，進(jìn)一步說明DeepHC 具有更好的聚類效果。關(guān)于Right Antecubital fossa，DeepHC 的RMSSTD 指標(biāo)為0.2372，小于其他模型；RS和CH指標(biāo)分別為0.2200和9.7677，遠(yuǎn)高于其他模型，進(jìn)一步說明DeepHC 具有更高的聚類質(zhì)量。對(duì)于剩余的三個(gè)部位‘Left Retroauricular crease’，‘Right Antecubital fossa’和‘Anterior nares’，本文將每個(gè)部位的指標(biāo)歸一化處理，并將結(jié)果以堆疊柱狀圖的形式展示出來，如圖3所示。

圖3 位點(diǎn)‘Left Retroauricular crease’，‘Right Antecubital fossa’和‘Anterior nares’的聚類結(jié)果對(duì)比

由圖3 可以看出，對(duì)于這三個(gè)部位，DeepHC 幾乎各個(gè)指標(biāo)都取得了最好的結(jié)果。對(duì)于部位′Left Retroauricular crease′，如圖3（a）所示，DeepHC 的指標(biāo)最小，對(duì)應(yīng)類內(nèi)樣本的緊湊程度最好；RS指標(biāo)最大，說明DeepHC類間差異程度更大；同時(shí)綜合指標(biāo)HC 也最大，說明DeepHC 取得了最好的聚類結(jié)果。關(guān)于部位‘Right Antecubital fossa’，也得到了同樣的結(jié)論。對(duì)于部位‘Anterior nares’，DeepHC 除了RS 指標(biāo)不是最優(yōu)之外，RMSSTD 和HC 指標(biāo)都是四個(gè)模型中最優(yōu)的。以上結(jié)果表明，DeepHC 可以作為微生物高階模塊挖掘的有效工具。

4 結(jié)語

本文提出了一種基于深度學(xué)習(xí)的超圖聚類模型來分析微生物的高階邏輯關(guān)系。與傳統(tǒng)的根據(jù)微生物成對(duì)相關(guān)性構(gòu)建網(wǎng)絡(luò)的方式不同，本文選擇那些兩兩關(guān)系較弱，而聯(lián)合關(guān)系較強(qiáng)的高階關(guān)系進(jìn)行分析，并統(tǒng)計(jì)八種邏輯類型在人體18 個(gè)部位的分布，利用出現(xiàn)最頻繁的邏輯類型來構(gòu)建高階網(wǎng)絡(luò)。針對(duì)一般聚類模型或者不能很好挖掘樣本間的高階關(guān)系（簡(jiǎn)單圖聚類），或者僅適應(yīng)于具有線性關(guān)系的樣本集合（基于SVD 的譜聚類模型），本文提出了一種基于深度學(xué)習(xí)的超圖聚類模型，該模型通過計(jì)算偏移正點(diǎn)態(tài)互信息矩陣來增強(qiáng)圖的表示，通過深度神經(jīng)網(wǎng)絡(luò)來挖掘樣本的低維非線性表示，通過基于模塊度的K 均值聚類來自適應(yīng)地選擇聚類個(gè)數(shù)。實(shí)驗(yàn)結(jié)果表明，本文提出的DeepHC 具有更好的聚類效果，可作為微生物的高階邏輯關(guān)系分析的有效工具。