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：苏州城市学院

摘要：本发明涉及一种基于序列的蛋白质相对溶剂可及性预测方法及装置，包括获取并基于待预测蛋白质的蛋白质序列提取待预测蛋白质的特征向量后，输入预先训练好的深度学习模型中，获取输出的回归值，作为待预测蛋白质的相对溶剂可及性，包括：将待预测蛋白质的特征向量分别输入堆叠双向长短期记忆网络模块与Transformer编码器中，输出全局语义特征与上下文特征；将全局语义特征与上下文特征输入点积注意力机制特征融合模块，输出融合特征向量后，输入输出层，输出回归值；本发明将全局语义特征和上下文特征利用点积进行融合，结合全局性与时序性，避免了长距离依赖导致的信息缺失问题，保证回归获取的相对溶剂可及性的准确性。

主权项：1.一种基于序列的蛋白质相对溶剂可及性预测方法，其特征在于，包括：获取待预测蛋白质的蛋白质序列，利用Psi-Blast计算待预测蛋白质的位置特异性矩阵；基于AAindex数据库，获取待预测蛋白质的蛋白质序列中每个位点处氨基酸残基的物化特征，并计算每个位点处氨基酸残基所在序列的长度和相对位置信息；获取待预测蛋白质的蛋白质序列中每个位点在预设窗口内的氨基酸种类数量和氨基酸类型数量；将待预测蛋白质的位置特异性矩阵、每个位点处氨基酸残基的物化特征，每个位点处氨基酸残基所在序列的长度和相对位置信息，以及每个位点在预设窗口内的氨基酸种类数量和氨基酸类型数量，进行横向拼接，获取待预测蛋白质的特征向量；将待预测蛋白质的特征向量输入预先训练好的深度学习模型中，获取输出的回归值，作为待预测蛋白质的相对溶剂可及性，包括：将待预测蛋白质的特征向量输入堆叠双向长短期记忆网络模块中，输出全局语义特征；所述堆叠双向长短期记忆网络模块包括沿正传播方向依次串联的多层双向长短期记忆网络单元，包括：第一双向长短期记忆网络单元、第二双向长短期记忆网络单元与第三双向长短期记忆网络单元；将待预测蛋白质的特征向量输入第一双向长短期记忆网络单元，获取正向输出与反向输出后进行拼接，获取第一输出；将第一输出输入第二双向长短期记忆网络单元，获取正向输出与反向输出后按位相加，获取第二输出；将第二输出输入第三双向长短期记忆网络单元，获取正向输出与反向输出后按位相加，获取全局语义特征；将待预测蛋白质的特征向量输入Transformer编码器中，输出上下文特征；所述Transformer编码器包括沿正传播方向依次串联的多头注意力机制、第一残差连接与层归一化、前馈网络、第二残差连接与层归一化；将待预测蛋白质的特征向量映射到多个不同空间，在每个空间均执行自注意力操作后，将所有空间的输出拼接后进行线性变换，获取多头注意力输出特征；将待预测蛋白质的特征向量与多头注意力输出特征进行残差连接后，再进行归一化处理，获取归一化输出；对归一化输出进行非线性变换，获取前馈输出；将归一化输出与前馈输出进行残差连接后，再进行归一化处理，获取上下文特征；将全局语义特征与上下文特征输入点积注意力机制特征融合模块，输出融合特征向量；所述点积注意力机制特征融合模块包括沿正传播方向依次串联的第一MatMul单元，Scale单元、SoftMax单元与第二MatMul单元；以全局语义特征为键向量K和值向量V，以上下文特征为查询向量Q；将键向量K与查询向量Q输入第一MatMul单元执行矩阵相乘，输出相似度矩阵；将相似度矩阵输入Scale单元，基于预设缩放因子，对所述相似度矩阵中每个值进行缩放，输出缩放矩阵；将缩放矩阵输入SoftMax单元转换为概率分布，输出权重矩阵；将权重矩阵与值向量V输入第二MatMul单元相乘后，进行加权求和，输出融合特征向量；将融合特征向量输入输出层，输出回归值；所述输出层包括沿正传播方向依次串联的线性变换层与激活函数层。

全文数据：

权利要求：

百度查询： 苏州城市学院 一种基于序列的蛋白质相对溶剂可及性预测方法及装置