[发明专利]一种高效预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白的方法

说明书

本发明公开了一种高效预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白的方法，所述方法为深度神经网络框架(CHR)法，该方法包括(1)搭建集成深度神经网络框架；(2)数据集的选取；(3)使用二维特征和三维特征作为网络的输入特征；(4)使用搭建的集成深度神经网络框架在数据集上学习预测模；(5)模型参数设；(6)将待测蛋白质序列输入模型得到该蛋白质预测结果。该方法不仅对今后的相关研究具有一定的参考作用，而且对了解革兰氏阴性菌的相关生物学功能具有重要的意义。

技术领域

本发明涉及革兰氏阴性菌效应蛋白的预测方法，尤其涉及一种高效预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白的方法

背景技术

随着组学技术的快速发展，微生物学的研究也进入了一个新的发展阶段。通过微生物组学，可以观察到不同自然环境下的微生物及其构成，并且十分清楚地认识到这些微生物在人体健康、环境修复、农业生产、海洋生态等很多方面所发挥的作用。微生物的宏观功能往往是多种不同的微生物所组成的复杂群体共同作用的结果，所以为了更加清楚地了解微生物的宏观功能，必须同时从微观上来研究微生物的生理活动。微生物中革兰氏阴性菌的种类繁多，对很多生命体的影响较大，因此革兰氏阴性菌的微观机制研究至关重要。

虽然已有很多实验对革兰氏阴性菌Ⅲ型(T3SEs)和革兰氏阴性菌Ⅳ型(T4SEs)进行了生物学研究，但对它们的生物学功能依然模糊不清，所以对它们的研究仍是一个长久的课题。深入研究T3SEs和T4SEs的前提是能够快速准确地预测出它们，虽然已有很多方法被用于预测T3SEs和T4SEs，(建议列举现有技术中主要的预测方法及所记载文献，并与列举的缺点相对于)但是这些方法有的耗费时间且成本较高，有的对效应蛋白的预测精度较低，有的只能应用于一种效应蛋白的预测，因此，如何开发出一种轻量级的通用工具，使其能够高效预测这两种效应蛋白，仍然是一项重要的生物学挑战。

随着深度学习技术的发展，很多成熟的深度学习方法被成功应用于计算机视觉、文字识别、语音识别、自然语言处理等相关领域，并取得了不错的实验效果。在生物信息学领域，如生物医学图像分析、蛋白质结合位点预测等方面，深度学习方法也都取得了不错的成果。利用深度学习方法预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白，不仅对今后的相关研究具有一定的参考作用，而且对了解革兰氏阴性菌的相关生物学功能具有重要的意义。

发明内容

为克服现有技术中存在的缺陷，本发明采用集成深度神经网络框架(CHR)预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白，对于输入的任何蛋白质序列，该方法能够高效准确地预测出该蛋白为革兰氏阴性菌Ⅲ型效应蛋白还是革兰氏阴性菌Ⅳ型效应蛋白。

为实现以上目的，本发明所采用的技术方案如下：

一种高效预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白的方法，其特征在于，所述方法为深度神经网络框架(CHR)法，具体包括以下步骤：

(1)搭建集成深度神经网络框架：由CBAM和HS-ResNet两种网络集成得到深度神经网络框架；

(2)数据集的选取：训练集和独立测试集；

(3)使用二维特征和三维特征作为网络的输入特征；

(4)使用步骤(1)搭建的集成深度神经网络框架在数据集上学习预测模型；

(5)模型参数设置；

(6)将待测蛋白质序列输入模型，得到该蛋白质序列的预测结果。

进一步地，所述数据集包括T3数据集和T4数据集。

作为优选，所述T3数据集均是截取的N端100个残基，T4数据集均是截取的N端50个残基和C端100个残基。