买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江南大学

摘要：本发明属于人工智能算法应用‑生物序列识别领域，涉及基于ClusterCentroids欠采样技术预测多种赖氨酸修饰位点的方法。首先，通过数据收集、整合与去冗余，优化特征空间，减少冗余信息，获得了一批存在显著类别不均衡问题的蛋白质序列作为输入数据。接着，使用多标签具体位置三联氨基酸倾向特征提取算法对蛋白质序列进行特征编码，获得输入特征矩阵。而后，采用ClusterCentroids框架辅以MinibatchKmeans算法计算多数类的聚类中心对不平衡数据集进行处理，确保模型在各种修饰位点预测上都能有很好的预测效果。本发明使用可通过说明书和已开源的代码实现预测多个赖氨酸翻译后修饰位点。

主权项：1.基于ClusterCentroids欠采样技术预测多种赖氨酸修饰位点的方法，其特征在于，步骤如下：第一步：数据集构造1.1序列截取与验证：对于人类蛋白质序列，截取实验验证赖氨酸K为“acetyllysine”或“crotonyllysine”或“methyllysine”或“succinyllysine”修饰的肽片段；每条肽片段都可以表示为式1的形式：P＝R-24R-23…R-2R-1R1R2…R23R2411.2数据分类与优化：对于预处理的四种赖氨酸修饰数据，总共可获得十五个类别，去掉序列少于60条的类别，最后数据集被划分成十一个类别： 数据类别说明：指中心位置的赖氨酸仅包含乙酰化修饰的蛋白质序列；指既包含乙酰化又包含巴豆酰化修饰的蛋白质序列；其中∩表示该类别样本兼具多种翻译后修饰；第二步：特征提取对数据进行特征提取；采用的多标签具体位置三联氨基酸倾向算法；第三步：数据不平衡处理使用基于MinibatchKmeans的ClusterCentroids欠采样算法对第一类数据进行处理；其具体如下：3.1初始化：将第二步特征提取后得到的第一类数据划分出来，记为D；设置要进行的聚类数：k、小批量数据数：b、最大迭代次数：T、欠采样比例：0.1；3.2从D中随机选择k个数据点作为初始聚类中心，记为{c1,c1,…,ck}；3.3从D中随机化选择b个数据，记为M；3.4将M中的所有数据，分别计算出与{c1,c1,…,ck}的距离；3.5将M中的每个数据分配到该数据距离最近的聚类中心；3.6更新{c1,c1,…,ck}3.7反复执行T次3.3.2-3.3.6之间的操作；3.8基于各个聚类中心内的点与质心的最小距离来选取数据，作为欠采样后的数据；选取的数据量为：9279*0.1≈928；3.9将2～11类数据与采样后的第一类数据组合，组成最终的训练数据；第四步：分类模型构建采用一种多标签分类模型，包含损失函数、激活函数、卷积神经网络架构；具体步骤如下：4.1构建损失函数采用了一个适用于多标签分类的二进制交叉熵损失函数，具体计算公式如下： 其中N表示样本数量，yi表示第i个样本的真实标签，表示模型对第i个样本的预测概率，即模型输出的值；4.2构建激活函数选择ReLU函数作为卷积层与池化层之间的激活函数，以及全连接部分的隐藏层激活函数；在全连接的输出层中，使用Sigmoid激活函数，使得输出的四维向量均介于0和1之间，表示为模型分别对四个标签的预测概率；4.3构建卷积神经网络架构。

全文数据：

权利要求：

百度查询： 江南大学 基于ClusterCentroids欠采样技术预测多种赖氨酸修饰位点的方法