[发明专利]一种基于深度学习的多肽检测方法

权利要求书

1.一种基于深度学习的多肽检测方法，其特征在于，包括：

获取训练样本的质谱联用数据；

根据所述质谱联用数据获取训练集；

利用所述训练集训练基于深度学习的目标检测模型，利用训练后的所述目标检测模型检测待测样本中的多肽。

2.根据权利要求1所述的基于深度学习的多肽检测方法，其特征在于，根据所述质谱联用数据获取训练集，具体为：

利用伪彩成像方法处理所述质谱联用数据，得到伪彩图像；

标记所述伪彩图像中的多肽，得到具有多个标记区域的伪彩图像，将含有标记区域的伪彩图像作为训练集。

3.根据权利要求2所述的基于深度学习的多肽检测方法，其特征在于，利用所述训练集训练基于深度学习的目标检测模型，具体为：

将所述训练集输入至所述目标检测模型，利用目标检测模型中的特征提取层提取所述训练集中的多肽，将特征提取层提取的多肽所在区域记为预测区域；

结合所述标记区域、所述预测区域和所述目标检测模型的输出层的概率预测函数训练所述目标检测模型。

4.根据权利要求3所述的基于深度学习的多肽检测方法，其特征在于，所述特征提取层包括N个卷积层和N个激励层，N为自然数；所述卷积层与所述激励层连接；

其中前N-1个所述激励层的激励函数为f(z)＝max(0,z)，z为与激励层连接的卷积层的输出值；

第N个所述激励层的激励函数为sigmoid函数。

5.根据权利要求3或4所述的基于深度学习的多肽检测方法，其特征在于，结合所述标记区域、所述预测区域和所述目标检测模型的输出层的概率预测函数训练所述目标检测模型，具体为：

所述目标检测模型所使用的约束函数L为：

L＝L_s+L_p+L_C

其中，L_s为分类误差函数，所述分类误差函数是结合所述目标检测模型的输出层的概率预测函数获得的；

L_p为位置误差函数，所述位置误差函数是结合所述标记区域和所述预测区域获得的；

L_C为置信度误差函数，所述置信度误差函数是结合所述目标检测模型的输出层的概率预测函数、所述标记区域和所述预测区域获得的。

6.根据权利要求5所述的基于深度学习的多肽检测方法，其特征在于，所述分类误差函数L_s为：

L_s＝-[H ln(φ(y))+(1-H)ln(1-φ(y))]

其中，φ(y)为目标检测模型的输出层的概率预测函数，y为输出层所接收的输入值；

H表示有无多肽信息；

当H＝0时，表示标记区域中无多肽；

当H＝1时，表示标记区域中有多肽。

7.根据权利要求5所述的基于深度学习的多肽检测方法，其特征在于，所述位置误差函数L_p为：

其中，λ为权重系数，m，n表示所述标记区域的中心位置的横纵坐标，w，h分别表示所述标记区域的宽度和长度，和表示所述预测区域的中心位置的横纵坐标，和分别表示所述预测区域的宽度和长度；

H表示有无多肽信息；

当H＝0时，表示标记区域中无多肽；

当H＝1时，表示标记区域中有多肽。

8.根据权利要求5所述的基于深度学习的多肽检测方法，其特征在于，所述置信度误差函数L_C为：

L_C＝-[H ln(C)+(1-H)ln(1-C)]

C＝φ(y)*IOU

其中，φ(y)为目标检测模型的输出层的概率预测函数，y为输出层所接收的输入值；

C为置信度，IOU为所述预测区域和所述标记区域的交集与所述预测区域和所述标记区域的并集之比；

H表示有无多肽信息；

当H＝0时，表示标记区域中无多肽；

当H＝1时，表示标记区域中有多肽。