[发明专利]一种基于序列模板的配体绑定残基预测方法

权利要求书

1.一种基于序列模板的配体绑定残基预测方法，其特征在于，所述预测方法包括以下步骤：

1)输入一个待进行配体绑定残基预测的蛋白质序列P，其残基个数为L；

2)对蛋白质序列P，使用HHblits程序搜索蛋白质序列数据库UniRef90生成一个包含M条蛋白质序列的多序列联配信息，记作MSA；

3)对MSA中的第i条蛋白质序列，其中i＝1,2,...,M，通过如下方法提取多个特征信息：

3.1)使用HHblits程序搜索Nr数据库生成一个L行20列的位置特异性评分矩阵，记作PSSM；

3.2)使用SANN程序生成一个L行3列的溶剂可及性特征矩阵，记作SA；

3.3)使用PSIPRED程序生成一个L行3列的蛋白质二级结构特征矩阵，记作PSS；

3.4)使用ANGLOR程序生成一个L行1列的二面角特征矩阵，记作DA；

3.5)对步骤3.1)-3.4)生成的PSSM、SA、PSS、DA特征矩阵按行合并，得到一张L×27的二维特征矩阵；

4)MSA中共有M条蛋白质序列，通过步骤3)一共生成M张L×27的二维特征矩阵，将这M张二维特征矩阵组成一个M×L×27的特征张量；

5)搭建深度卷积神经网络预测蛋白质序列P的绑定残基，该网络共有五层，分别为卷积层、池化层、卷积层、池化层和全连接层，上一层的输出作为下一层的输入，全连接层使用Sigmoid激活函数使输出值在(0,1)范围内，该网络的输出记为：

g(I)＝net(pool2(conv2(pool1(conv1(I)))))，

I表示网络的输入，conv1、conv2代表第一个和第二个卷积层的运算，pool1，pool2代表第一个和第二个池化层的运算，net代表全连接层的运算；

6)使用已知绑定残基位置的蛋白质序列经过步骤2)-4)生成其对应的特征张量，将特征张量输入到步骤5)所搭建的深度卷积神经网络中，生成对应的预测残基map图，采用交叉熵损失函数来调整网络中的参数，获得能够预测绑定残基位置的深度卷积神经网络模型，交叉熵损失函数记作：

u表示蛋白质序列中待测残基的真实标签，表示网络模型的预测输出值，R表征预测输出与真实标签的差距；

7)将蛋白质序列P生成的特征张量输入到已训练好的深度卷积神经网络模型中，根据训练模型设定输出阈值为value，当输出值大于value时，则蛋白质序列的对应位置残基即为绑定残基，反之则为非绑定残基。