[发明专利]一种基于迁移学习识别蛋白质和RNA复合物界面热点残基的方法

权利要求书

1.一种基于迁移学习识别蛋白质和RNA复合物界面热点残基的方法，其特征在于，具体包括：

获取源域和目标域的热点残基相关数据集，分别进行预处理和分类获得源域训练数据集和测试数据集、目标域训练数据集和测试数据集；所述热点残基相关数据集包含热点残基样本和非热点残基样本；

将所述源域训练数据集和测试数据集、目标域训练数据集和测试数据集根据蛋白质序列信息对氨基酸残基进行编码，获得源域编码矩阵和目标域编码矩阵；

将所述源域编码矩阵和目标域编码矩阵分别进行卷积神经网络模型学习热点残基的特征，并获取源域特征集和目标域特征集；

根据所述源域数据集和源域特征集训练网络，构建识别热点残基的预训练模型；以及

将所述目标域数据集和目标域特征集输入到所述预训练模型进行训练获得迁移学习模型，用于识别蛋白质和RNA复合物界面热点残基。

2.根据权利要求1所述的基于迁移学习识别蛋白质和RNA复合物界面热点残基的方法，其特征在于，所述预处理具体为：

将所述源域和目标域的热点残基数据集通过序列比对聚类方法去除相似度大于40％的蛋白质序列，获得非冗余的源域和目标域的热点残基数据集。

3.根据权利要求1所述的基于迁移学习识别蛋白质和RNA复合物界面热点残基的方法，其特征在于，所述分类具体为：

将所述数据集按照9:1的比例分为训练数据集和测试数据集；

所述训练集中热点残基样本和非热点残基样本的比例接近于1:1。

4.根据权利要求1所述的基于迁移学习识别蛋白质和RNA复合物界面热点残基的方法，其特征在于，所述根据蛋白质序列信息对氨基酸残基进行编码步骤具体包括：

将包含蛋白质热点和非热点残基信息输入到独热编码程序中进行编码，获得稀疏矩阵M_L×20；

以热点残基为中心，L为滑动窗口的氨基酸序列经标签编码后获得密集矩阵N_L×20。

5.根据权利要求1所述的基于迁移学习识别蛋白质和RNA复合物界面热点残基的方法，其特征在于，所述根据所述源域数据集和源域特征集训练网络，构建识别热点残基的预训练模型步骤具体包括：

获取初始化网络权值，以(x_P,Y_P)表示任意一个热点残基样本P，并将x_P输入到网络进行训练，计算输入与每层网络权值矩阵的点乘，获得输出值O_P，O_P可以表示为：

O_P＝F_n(…(F₂(F₁(x_Pw¹)w²)…)wⁿ)；

所述x_P是输入样本，其真实标记值为Y_P,wⁱ为第i层网络的权值，F_i为对应的函数；

计算网络输出值O_P与实际值Y_P之间的误差，并按照极小化误差调整网络权值。

6.根据权利要求1所述的基于迁移学习识别蛋白质和RNA复合物界面热点残基的方法，其特征在于，所述将所述目标域数据集和目标域特征集输入到所述预训练模型进行训练获得迁移学习模型步骤具体包括：

删除预训练模型中的原始分类器，并根据目标域的分类任务添加新分类器，将所述目标域数据集和目标域特征集输入到预训练模型进行训练，对靠近新分类器的预训练三层网络模型进行网络自适应，获得迁移学习模型。

7.根据权利要求6所述的基于迁移学习识别蛋白质和RNA复合物界面热点残基的方法，其特征在于，所述网络自适应过程的模型优化目标为：

式中，Θ是表示网络权重和偏差的参数集合，l₁和l₂分别是网络迁移需要自适应的首尾层，x_a和n_a是源域和目标域中有标记数据的集合，λ是惩罚参数，是源域数据和目标域数据的分布距离，J(·)是cross-entropy损失函数。