[发明专利]一种基于深度残差神经网络的蛋白质残基接触图预测方法

权利要求书

1.一种基于深度残差神经网络的蛋白质残基接触图预测方法，其特征在于，所述预测方法包括以下步骤：

1)输入一个长度为L的待进行残基接触图预测的蛋白质序列P；

2)使用one-hot编码方式对20种常见氨基酸进行表示，如下：

‘A’：[1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]

‘C’：[0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]

‘D’：[0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]

‘E’：[0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]

‘F’：[0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]

‘G’：[0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0]

‘H’：[0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0]

‘I’：[0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0]

‘K’：[0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0]

‘L’：[0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0]

‘M’：[0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0]

‘N’：[0，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0]

‘P’：[0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，0]

‘Q’：[0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0]

‘R’：[0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0]

‘S’：[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0]

‘T’：[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，0]

‘V’：[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0]

‘W’：[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0]

‘Y’：[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1]

3)利用20种常见氨基酸的one-hot表示形式将蛋白质序列P转换成一个20×L的矩阵，记作M；

4)计算M中每一行的平均值，记作m_i：其中，i＝1,2,…,20，M_ij为M中的第i行第j列元素；

5)计算M中每一行的标准差，记作σ_i：其中，i＝1,2,…,20；

6)将M中的每一个数据进行标准化，记作β_ij：β_ij＝(M_ij-m_i)/σ_i，其中，i＝1,2,…,20，j＝1,2,…,L；

7)利用Sigmoid函数，将β_ij映射到(0,1)之间，记作μ_ij：其中，i＝1,2,…,20，j＝1,2,…,L；

8)根据步骤4)至7)，将M转换成矩阵U＝{μ_ij},i＝1,2,…,20，j＝1,2,…,L；

9)将矩阵U投射到一个尺寸大小为20×L×L的张量，记作M^fea：其中，a＝1,2,…,20，i＝1,2,…,L，j＝1,2,…,L；

10)搭建深度残差神经网络框架，该深度残差神经网络框架共有六个部分组成，第一部分是由一个卷积层、一个归一化层、一个ReLU层组成；第二、三、四、五部分是相同的残差块组成，该残差块有两个卷积层、一个归一化层、一个ReLU层；第六部分是由一个卷积层、一个Sigmoid函数组成；

11)从PDB库中收集已有蛋白质接触标签的蛋白质序列，记作Dataset＝{P_i,Y_i}，其中，P_i表示蛋白质序列中的第i条，Y_i表示P_i的标签，i＝1,2,…,N，N是蛋白质序列的总数；

12)根据步骤1)至9)，生成所有P_i的与对应标签Y_i组成样本集合

13)使用步骤10)搭建的深度残差神经网络框架在S上学习预测模型，记作DRN；

14)将待测蛋白质P的M_fea输入模型DRN，得到该蛋白质序列的残基接触图。