[发明专利]一种用于预测蛋白质功能的数据多标签分类方法

权利要求书

1.一种用于预测蛋白质功能的数据多标签分类方法，其特征在于，所述方法包括：

Step1、把蛋白质序列生物数据由字符转换成向量的形式，对高维的向量形式进行降维处理；

Step2、构建用于进行蛋白质序列生物数据标签分类模型，具体的，采用二元分类器蛋白质序列生物数据进行标签分类；

Step3、利用构建好的标签分类模型进行预测标签分类。

2.根据权利要求1所述的用于预测蛋白质功能的数据多标签分类方法，其特征在于：所述步骤Step1包括：

Step1.1、蛋白质序列生物数据用向量X表示，X＝[x₁，x₂，...x_n]^T∈R^n×m，也用作蛋白质预测模型训练数据，并且训练数据对应的蛋白质标签被表示为Y＝[y₁，y₂，...，y_n]^T∈{0，1}^n×l，y_i，j＝1表示第i个蛋白质具有第j个标签y_j，y_i，j＝0表示第i个蛋白质没有标签y_j或者该值未被观测到，即丢失，对任意非零的矩阵W，其中w_i和w^j分别代表第i行和第j列，w_i，j是矩阵中第(i，j)个元素；

Step1.2、从蛋白质序列生物数据的向量形式中提取出来最具辨识度的低维特征，用于得到一个简洁且有效的特征子空间。

3.根据权利要求1所述的用于预测蛋白质功能的数据多标签分类方法，其特征在于：所述Step2中，构建用于进行蛋白质序列生物数据标签分类模型，具体的，采用二元分类器蛋白质序列生物数据进行标签分类，此二元分类器的目标函数的优化采用如下方式进行：

Step2.1、假设每个标签仅由来自给定蛋白质数据集的原始特征集的子集确定，为了防止预测蛋白质功能的多标签分类方法过拟合，将线性模型进行l₁范数正则化；这些标签的功能由每个非零条目确定，即w_i∈Rⁿ，并且对相应的标签具有很强的可辨性，二元分类器的目标函数表示为：

将所有二元分类器组合在一起，目标函数写成如下：

其中任意非零的矩阵W＝[w₁，w₂，...，w_l]∈R^n×l是回归系数，λ₃≥0是折中的参数；

Step2.2、利用标签相关性在目标函数中加入标签相关矩阵、l₁范数正则项来优化目标函数表达式；

C∈R^l×l作为标签相关矩阵，C_i，j表示标签y_i与y_j的相关程度，注意C_i，j可能不等于C_j，i，假设能利用标签间相关性，根据已有标签的值来补全缺失标签。需要注意的是一类标签可能只有标签的一个子集相关联，因此，在C的基础上添加l₁范数正则项来学习稀疏标签依赖，目标函数写成如下所示：

Step2.3、如果标签y_i和标签y_j强相关，则它们具有类似的标签特定特征，相应的模型系数w_i和w_j将非常相似，并且它们之间的欧几里德距离很小，否则w_i和w_j将不同，并且它们之间的欧几里德距离很大，经过数学运算后，目标函数表达式能优化成如下所示：

其中，λ₁、λ₂、λ₃、λ₄是折中的参数；X为蛋白质序列生物数据的向量表示，Y为蛋白质标签表示，对任意非零的矩阵W，其中w_i和w^j分别代表第i行和第j列；

Step2.4、利用最终优化后的目标函数表达式利用加速近端梯度法求解参数任意非零的矩阵W和标签相关矩阵C，求解除参数W、C之后，从而得到最终的目标函数。