[发明专利]一种基于深度学习的植物蛋白质互作网络构建方法

权利要求书

1.一种基于深度学习的植物蛋白质互作网络构建方法，其特征在于，包括以下步骤：

1)获取蛋白质互作对11个特征数据；

2)筛选获得训练集及测试集；

3)构建深度学习分类模型；

4)对深度学习分类模型的参数进行批量优化，获得最佳优化参数组合的分类模型；

5)根据最佳优化参数组合分类模型对全基因组所有可能两两互作蛋白对进行互作关系预测；

6)根据互作关系预测结果构建蛋白质互作网络。

2.根据权利要求1所述的一种基于深度学习的植物蛋白质互作网络构建方法，其特征在于，所述的步骤1)中，特征数据包括4个结构特征信息和7个功能特征信息，所述的结构特征信息包括蛋白质同源模型与复合体模板之间的RMSD值、TMscore值、互作界面保守残基数目以及保守残基比例，所述的功能特征信息包括基因共表达、基因功能相似性、基因系统发生谱、蛋白质相互作用跨物种保守性以及基因融合信息，所述的基因功能相似性包括细胞组分、分子功能和生物过程。

3.根据权利要求1所述的一种基于深度学习的植物蛋白质互作网络构建方法，其特征在于，所述的步骤2)具体为：

从多个蛋白质互作数据库中获取蛋白质阳性互作数据，将筛选出的严谨阳性数据集与不互作蛋白的阴性数据集以不同比例进行合并构成训练集，剩余阳性数据集与阴性数据集以不同比例合并构成测试集，其中，严谨阳性数据集的筛选标准为：

蛋白质互作数据由低通量实验支持或至少经过两次不同的独立高通量实验证据支持。

4.根据权利要求3所述的一种基于深度学习的植物蛋白质互作网络构建方法，其特征在于，所述的步骤2)中，蛋白质互作数据库包括BioGRID、IntAct、DIP、MINT及BIND数据库。

5.根据权利要求1所述的一种基于深度学习的植物蛋白质互作网络构建方法，其特征在于，所述的步骤3)中，深度学习分类模型为采用Keras搭建的深度学习模型，其模型类型为序贯模型。

6.根据权利要求1所述的一种基于深度学习的植物蛋白质互作网络构建方法，其特征在于，所述的步骤4)中，对深度学习分类模型的参数进行批量优化具体为：

在scikit-learn模型中采用网格搜索进行优化，需要调节的参数包括批尺寸、训练周期、优化算法、学习速率、动量因子、网络权值初始化、神经元激活函数、Dropout正则化及隐藏层中神经元数量。

7.根据权利要求1所述的一种基于深度学习的植物蛋白质互作网络构建方法，其特征在于，所述的步骤5)中，根据最佳优化参数组合的分类模型对全基因组所有可能两两互作蛋白对进行互作关系预测的筛选阈值不小于0.5。

8.根据权利要求1所述的一种基于深度学习的植物蛋白质互作网络构建方法，其特征在于，所述的步骤6)中，采用Cytoscape软件构建蛋白质相互作用网络。