[发明专利]基于多模态深度编码的HLA抗原呈递预测方法和系统

权利要求书

1.一种基于多模态深度编码的HLA抗原呈递预测方法，其特征在于它包括以下步骤：

S1、使用全局最大差异打分矩阵生成负样本训练集；S1中负样本的生成为：使用来自于使用窗口滑动的方法，根据预设的参数阈值，生成阴性序列并使用全局差异打分矩阵筛选生成的序列片段，获得非随机生成的阴性训练集；

S2、特征选择：选定与HLA抗原呈递相关的特征，作为待融合特征；S2中待融合特征选择为：多肽序列特征、上下游序列特征、呈递亲和力特征；

S3、归一化处理：设置隐嵌入维度作为不同待融合特征的最终输入维度，将S1中获取的待融合特征进行变换和尺度缩放，获得标准特征；

多肽序列特征通过以下方法获得标准特征：对于给定多肽肽链氨基酸序列，使用随机矩阵将其每个氨基酸编码到可学习的到隐空间，再利用长短记忆循环神经网络进行处理得到多肽序列特征；进行随机矩阵编码映射后，根据所有数据中最长肽链序列的长度进行补长；

上下游序列特征通过以下方法获得标准特征：对于给定基因上下游肽链，利用独热方法进行编码，编码后的上下游序列进行裁剪得到定长的序列，此编码序列送入多层感知机网络模型进行变换，提取特征作为上下游序列特征；

呈递亲和力特征通过尺度缩放获得标准特征；

呈递亲和力特征的尺度变化公式为：

1-log₅₀(kd)

式中，kd表示原始亲和力指数的单位；

呈递亲和力特征的尺度变化公式或为：

式中，kd表示原始亲和力指数的单位；

S4、特征融合：将维度相同的标准特征作线性融合操作，融合后的特征向量/矩阵输入深度神经网络，进行非线性变换与融合，获得表达HLA抗原呈递的最终特征分数；

S5、构建预测模型：特征融合，构建包含最终特征分数的预测模型和优化模型；

S6、求解优化模型，获得最优参数的预测模型；

S7、使用最优参数的预测模型进行HLA抗原呈递预测。

2.根据权利要求1所述的方法，其特征在于根据S2中特征选择的不同，S3中选定相应的归一化处理方案；具体为：

-长序列特征，使用随机矩阵将其每个氨基酸编码到可学习的到隐空间，再利用长短记忆循环神经网络进行处理；

-短序列特征，利用独热方法进行编码，编码后的序列送入多层感知机网络模型进行变换；

-向量特征，采用主成分分解PCA进行编码，将所有数据的向量形式的特征组合成特征矩阵，应用主成分分解进行矩阵分解；根据隐嵌入维度选择特定数目的矩阵特征向量作编码变换；

-标量特征，采用多维尺度放缩，高斯核方法进行编码：将所有数据的标量形式的特征作为高斯核的输入，得到高斯核的协方差矩阵；将矩阵的各列进行多维尺度放缩，得到编码变换的特征向量。

3.根据权利要求1所述的方法，其特征在于S4特征融合中，所述线性融合操作包括点乘、或加和、或组合成特征矩阵。

4.根据权利要求1所述的方法，其特征在于S5中构建优化模型：

式中，f_Wf是含可学习参数的预测模型；

W表示该模型中可学习参数，包括各融合特征获取时方案权重；w_n表示对不同样本的损失函数所赋予权重，N表示样本总数；

x_n表示输入的特定数据，y_n是训练数据中是否呈递结合的真实值，o’是S逻辑函数。

5.根据权利要求1所述的方法，其特征在于S6中求解优化模型：多次遍历所有训练数据，利用基于随机梯度优化方法的优化器进行优化，得到最优的模型参数，获得预测模型fW。

6.根据权利要求5所述的方法，其特征在于采用多策略生成负样本构建训练数据数据集；所述训练数据经过包括重抽样、剔除负样本的数据处理。