[发明专利]一种基于图结构数据特征的生物信息学分类模型

说明书

本发明提供一种基于图结构数据特征的生物信息学分类模型，包括若干个逐级堆叠的特征提取层；任一特征提取层包括一图卷积层和一图池化层；图池化层包括一个三通道池化模块和一个特征融合模块，三通道池化模块包括图卷积池化通道、微分池化通道和Transformer池化通道，分别用于学习图结构数据的局部拓扑结构信息、全局拓扑结构信息以及节点间特征的依赖信息并进行融合；任一前级的特征提取层所得的池化图由对应的读出层提取图特征表示后与最后一级特征提取层经由对应的读出层提取的图特征表示构成残差连接，再由全连接层输出生物信息学分类的预测结果。由于本发明能将多种图特征信息融合在一起，能更好的生成整个图的特征表示，使分类更为准确。

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于图结构数据特征的生物信息学分类模型。

背景技术

在现实生活中，存在大量复杂网络数据，如社交网络、知识图谱、蛋白质、病毒、购物网络、分子化合物等，这些数据可以被抽象为一个图。与传统的数据类型相比，图结构数据具有更为复杂的结构和更高的维度，因此对图结构数据的分析和处理也具有更高的挑战性。而深度学习在处理图结构数据方面也表现出了强大的学习能力，因此近年来，越来越多的研究者将深度学习应用于图结构数据分析和处理的领域，如推荐系统、链路预测、图分类、节点分类等领域。

图分类任务主要应用于生物信息学分类，包括药物发现，病毒分析、蛋白质分析和分子化合物分析等领域。与图像分类不同，这些复杂网络数据存在大量拓扑结构信息，这些拓扑结构信息对生成整个图的图级表示具有很大影响。但在图分类任务建模的过程中，如何同时捕获图数据的特征信息，生成图级表示，依旧是建模研究的核心问题。在以往的图分类模型建模的过程中，要么集中在图结构的拓扑结构信息建模上,要么集中在图特征信息的建模上，很大程度上忽略了图结构数据中各种信息的融合建模，从而无法获得更好的图的特征表示，影响了生物信息学分类的准确度。

发明内容

本发明要解决的技术问题，在于提供一种基于图结构数据特征的生物信息学分类模型，为基于特征融合的图神经网络模型，可以同时捕获图的局部拓扑结构信息、全局拓扑结构信息以及长距离节点的依赖信息，将多种图特征信息融合在一起，更好的生成整个图的特征表示。

第一方面，本发明提供了一种基于图结构数据特征的生物信息学分类模型，包括若干个逐级堆叠的特征提取层、若干个读出层以及一个全连接层；任一所述特征提取层包括一图卷积层和一图池化层，所述图卷积层通过所述图池化层对应连接一所述读出层，所述读出层均连接所述全连接层；

所述图池化层包括一个三通道池化模块和一个特征融合模块，所述三通道池化模块包括图卷积池化通道、微分池化通道和Transformer池化通道，分别用于学习图结构数据的局部拓扑结构信息、全局拓扑结构信息以及节点间特征的依赖信息，所述特征融合模块对所述局部拓扑结构信息、全局拓扑结构信息以及节点间特征的依赖信息进行融合，得到一池化图；

前一级所述特征提取层所得的池化图再输入后一级所述特征提取层的图卷积层，任一前级的所述特征提取层所得的池化图由对应的所述读出层提取图特征表示后与最后一级所述特征提取层经由对应的所述读出层提取的图特征表示构成残差连接，再由所述全连接层输出生物信息学分类的预测结果。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：提供一种基于图结构数据特征的生物信息学分类模型，模型包括若干个逐级堆叠的特征提取层、若干个读出层以及一个全连接层；任一所述特征提取层包括一图卷积层和一图池化层，其中每个图池化层由一个三通道池化模块以及一个特征融合模块构成，三通道池化模块包括图卷积池化通道、微分池化通道和Transformer池化通道，分别用于学习图结构数据的局部拓扑结构信息、全局拓扑结构信息以及节点间特征的依赖信息，从而使构建的模型在图分类任务中具有较好性能表达，从而能更为准确地对图结构数据特征的生物信息学进行分类。