[发明专利]一种基于长短时记忆网络的蛋白质二级结构预测方法

权利要求书

1.一种基于长短时记忆网络的蛋白质二级结构预测方法，其特征在于，所述预测方法包括以下步骤：

1)输入一个残基数为L的待进行二级结构预测的蛋白质序列信息，记作S；

2)对任意给定的一条残基个数为L^x蛋白质序列信息，记作S^x，使用HHblits工具搜索蛋白质序列数据库Uniclust90获取一个大小为M×L的多序列联配信息，记作其中表示MSA中的第i条序列联配信息，N为MSA中多序列联配信息总数目，每条序列联配信息均含有L^x个元素，每个元素均属于元素集合R＝{R₁,…,R_r,…,R₂₁}，集合R是由二十种常见氨基酸和补位空格元素组成的；

3)对步骤2)得到S^x的多序列联配信息MSA，生成对应的位置特异性频率矩阵，记作PSFM，其中表示中的第l个元素，当与R_r为相同元素类型时，否则其中x为PSFM中对应位置上的元素；

4)对S^x使用PSI-BLAST工具获取一个大小为L^x×20的位置特异性打分矩阵，记作PSSM；

5)将步骤3)至4)中获取的特征矩阵PSFM、PSSM组合为一个L^x×41的特征矩阵，记作F；

6)蛋白质序列S^x中任意残基对应的样本表示为(F_i,label_i)，i＝1,2,...,L^x，F_i和label_i分别表示第i个残基的特征向量和二级结构标签信息，标签为蛋白质残基二级结构的三种状态，用0表示状态为helix(螺旋)的残基，用1表示状态为strand(折叠)的残基，用2表示状态为coil(卷曲)的残基；

7)取11个残基样本作为输入特征，以11为步长在(F_i,label_i)中滑动，每次滑动得到一个大小为11×41特征矩阵和一个长度为11的标签向量，记作O和Lab；

8)从PDB库中收集已知二级结构标签的蛋白质序列，记作D＝{S_i,Y_i}，i＝1,2,...,Q，S_i表示第i条蛋白质序列，Y_i表示S_i的标签信息，Q是蛋白质序列的总数；

9)根据步骤2)至6)，生成所有S_i的特征矩阵，记作feaⁱ，i＝1,2,...,Q，与对应标签Y_i组成样本集合Ω＝{feaⁱ,Y_i}，根据步骤7)生成网络输入特征矩阵，记作Lⁱ/11表示蛋白质长度对11取整；

10)构建四层LSTM网络，前三层为双向层，第四层为单向层，前一层的输出作为后一层的输入，网络的输出记作X，X＝(x₁,x₂,x_i,…,x₁₁)，x_i为第i个残基的标签概率分布；

11)构建大小为3×3待训练的状态转移矩阵，记作W，W_i,j表示标签i转移到标签j的得分，i,j＝0,1,2；

12)构建条件随机场模型，记作CRF，模型表示为：

其中，p(y|x)表示在输入条件为x的情况下，模型预测的标签序列为y的概率；x_i为步骤10)中输出矩阵X的第i个向量，y_i表示第i个残基的二级结构标签，W为步骤11)中的状态转移矩阵；

13)将步骤10)-12)搭建的LSTM网络和条件随机场模型进行组合，记作LSTM-CRF，将I中的残基样本输入模型中，用极大似然法进行网络的训练，该模型的对数似然函数为

使用负对数似然函数作为损失函数：loss＝-logp(y|x)，使用随机梯度下降的方法进行优化；

14)将蛋白质S经过步骤2)-7)生成对应残基的特征向量，并输入到步骤13)训练的模型中，使用维特比算法进行预测，找出得分最高的路径，即为S序列残基二级结构的预测结果。