[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

说明书

本发明涉及生物大数据、迁移学习及深度学习领域，具体涉及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。具体包括：通过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后，根据蛋白质序列信息对氨基酸残基进行编码，并将编码矩阵分别进行卷积神经网络模型提取特征集；根据所述源域数据集和源域特征集构建识别热点残基的预训练模型；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，模型的预测速度快，准确率高，可用性高。

技术领域

本发明涉及生物大数据、迁移学习及深度学习领域，具体涉及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。

背景技术

蛋白质和核酸是构成生物多样性的重要分子，它们具有各自的结构特性和功能属性，在活细胞生物中发挥着关键性的作用。蛋白质和RNA相互作用贯穿了生物的整个生命周期，包括基因复制、转录、翻译、细胞周期控制、蛋白质折叠、信号转导和免疫反应等。准确且高效地识别蛋白质和RNA复合物界面的热点残基，不仅能够帮助研究人员更好地理解生物分子机制，还能为构建蛋白质工程和标靶药物提供坚实的理论基础。同时，研究热点残基能够为研究癌症触发基因提供一个全新的视角。

目前，生物实验中的诱变技术被用于识别界面残基中的热点残基，例如丙氨酸扫描，荧光各向异性和凝胶移位等，但是其过程非常复杂，不仅需要高配置的实验室环境、精密的仪器设备和化学试剂等，还需要投入大量的人力和财力，实验代价非常昂贵，并且后续分析工作非常繁荣，需要对每个残基进行单独的分析。近年来机器学习的方法被广泛应用到热点残基的预测工作中，包括SBHD、PrabHot、SPHOT等方法，它们在预测精度和预测速度方面都取得了不错的效果。但是蛋白质和RNA复合物界面热点残基数据集稀少，而使用机器学习方法构建分类模型需要大量的标记数据，因此，现需提供一种准确且高效的计算方法来识别和预测蛋白质和RNA复合物界面热点残基，这对理解生物分子机制和指导医学药物设计具有十分重要的意义。

发明内容

基于此，本发明针对上述的问题，提供了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，旨在解决蛋白质和RNA复合物界面热点残基数据集稀少，而使用机器学习方法构建分类模型需要大量的标记数据无法获得快速准确识别蛋白质和RNA复合物界面热点残基方法的技术问题。

本发明提供了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，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。

进一步的，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。

进一步的，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。