[发明专利]一种基于DBN算法的药物靶向蛋白作用预测方法

权利要求书

1.一种基于DBN算法的药物靶向蛋白作用预测方法，其特征在于，包括以下步骤：

S1、计算药物的扩展连接连通指纹特征和蛋白质的氨基酸序列的三肽结构特征，并将两者串接起来；

S2、基于受限波尔兹曼机远离对深度置信网络的各层参数进行预训练；

S3、利用反向传播算法对整个网络的参数进行微调；

S4、对测试数据进行作用预测。

2.根据权利要求1所述的一种基于DBN算法的药物靶向蛋白作用预测方法，其特征在于：在步骤S1中，将药物特征和蛋白特征转化为特征向量，整个整个药物－蛋白质对特征向量为二进制序列，前2048位为药物特征，后8000位为蛋白质特征。

3.根据权利要求1所述的一种基于DBN算法的药物靶向蛋白作用预测方法，其特征在于：在步骤S2中，基于受限波尔兹曼机远离对深度置信网络的各层参数进行预训练的具体情况如下：

RBM中每一个节点都是二值的，所以它一共具有2ⁿ个状态，当x＝1时表示当前节点处于打开状态，否则，当x＝0时节点处于关闭状态，当前RBM的能量值使用下面能量函数计算：

其中，b_i对应节点i的偏置，w_i,j为节点i、j连接的边的权值，x_i表示RBM中的第i个节点，n表示总共节点个数，能量函数是描述整个系统状态的一种度量方式，当系统越有序或分布越集中，则系统的能量越小，相反，系统越无序或概率分布越近均匀，则能量越大；

基于RBM的训练算法流程为：

2.1)初始化RBM参数，初始化权值矩阵W～N(0,0.01)，可见层及隐含层偏置a＝b＝0；

2.2)逐一个或一批训练样本输入到RBM中，进行Gibbs采样；

2.3)根据以下公式更新RBM参数：

W_i,*＝W_i,*+α[p(h_i＝1|V⁽⁰⁾)V⁽⁰⁾-p(h_j＝1|V′)V′]

a＝a+α[V⁽⁰⁾-V′]

b＝b+α[p(H＝1|V⁽⁰⁾)-p(H＝1|V′)]

其中，p()表示概率函数，V表示可见层，H表示隐含层，h_i和h_j分别表示隐含层H中的第i个和第j个元素，当h_i＝1或h_j＝1时，表示对应的隐含层元素处于打开状态；V′表示H经解码后数据，V⁽⁰⁾表示不采样时的数据，对应地，V^(t)表示迭代了t次采样的数据；n_H为隐含层节点个数；矩阵W为权值矩阵，其中，W_i,*表示第i行的行向量，α为学习速率，a和b是隐含层偏置值；

2.4)根据以上能量函数公式计算RBM模型能量，若能量函数未收敛或未达到指定训练步数，返回2.2)，否则结束训练。