[发明专利]一种基于序列和形状信息深度融合的模体挖掘方法

权利要求书

1.一种基于序列和形状信息深度融合的模体挖掘方法，其特征在于，包括以下步骤：

S1、构建深度嵌入卷积神经网络模型，并对DNA序列和形状信息进行空间对齐混合，作为所述神经网络模型的输入；

S2、对所述深度嵌入卷积神经网络模型进行训练，得到模体绑定强度预测值；

S3、基于所述预测值与实际绑定强度之间的回归系数R²对所述构建的深度嵌入卷积神经网络模型性能进行评估；

所述深度嵌入卷积神经网络模型中，包括两个独立的卷积层，分别为第一卷积层和第二卷积层，所述第一卷积层用于处理DNA序列的输入，所述第二卷积层用于处理形状信息的输入；

所述S1中，通过拼接模式和加和模式，对所述DNA序列和形状信息进行空间对齐混合。

2.根据权利要求1所述的基于序列和形状信息深度融合的模体挖掘方法，其特征在于，在所述拼接模式下，若输入的DNA序列形式不同，则命名不同；在所述加和模式下，输入编码的形式不同，则命名也不同。

3.根据权利要求1所述的基于序列和形状信息深度融合的模体挖掘方法，其特征在于，所述S2中，在训练过程中，通过Glorot均匀初始化策略对所述深度嵌入卷积神经网络模型进行初始化，并使用Adam学习器优化模型参数，基于网格搜索策略寻找最优值。

4.根据权利要求1所述的基于序列和形状信息深度融合的模体挖掘方法，其特征在于，在所述深度嵌入卷积神经网络中增加丢失层，用于对抗模型训练过程中的过拟合问题。

5.根据权利要求1所述的基于序列和形状信息深度融合的模体挖掘方法，其特征在于，所述S3中，基于预测值与实际绑定强度之间的回归系数R²对所述构建的深度嵌入卷积神经网络模型性能进行评估，并采用五折交叉验证策略进行验证。

6.根据权利要求5所述的基于序列和形状信息深度融合的模体挖掘方法，其特征在于，所述回归系数R²的计算公式为：

其中，y_i代表样本i的标签值(label)，代表标签值的平均数，代表样本i的预测值。