[发明专利]一种基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法

权利要求书

1.一种基于深度学习的双神经网络结构预测lncRNA-蛋白质相互作用方法，包括以下步骤：

步骤1：LPI特征提取，先获取已知的lncRNA序列、蛋白质序列，运用Pyfeat对所获得的lncRNA序列进行数字特征提取，形成相应的多维向量A，运用BioTriangle对所获得的蛋白质序列进行数字特征提取，形成相应的多维向量B；

步骤2：特征降维，基于主成分分析(PCA)分别对lncRNA和蛋白质原始特征进行降维，得到两个d维向量，将获得的两个d维特征向量连接起来，将lncRNA-蛋白质对表示为2d维向量x；

步骤3：建立LPI预测框架模型，将2d维向量x与表示lncRNA-蛋白质对的对应标签表示为D＝{X，Y}的LPI数据集，LPI网络表示为一个矩阵Y：

假设D＝{X，Y}表示LPI数据集，其中(X，Y)表示lncRNA-蛋白质对，x∈X表示二维特征向量，y∈Y表示lncRNA-蛋白质对的对应标签；

步骤4：LPI分类，建立由FIR网络和MLP网络组成的双神经网络结构的深度学习模型，FIR网络根据上一次迭代中MLP网络获得的分类结果选择最优的LPI特征子集，MLP网络基于FIR网络中提取的最佳LPI特征子集对lncRNA-蛋白质对进行分类，这两个网络在数据集上交替训练；

步骤5：利用FIR网络生成最优LPI特征子集，而MLP网络根据最优LPI特征子集训练得到的参数对未知lncRNA-蛋白质对进行分类。

2.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA-蛋白质相互作用方法，其特征在于，在所述的LPI预测框架中，设m∈M表示由值为0或1的元素组成的2d维掩码向量，||m||₀＝s，s＜2d，并且掩码向量表示任意lncRNA-蛋白质对x的s个特征的子集，其中表示哈达玛积；假设Q_(x，m)表示通过屏蔽了部分特征之后，MLP网络训练得到的预测性能，基于得分对其进行排序：其中m^*表示所得性能最好的掩码子集，Score(m^*)表示其特征子集的重要性得分，使用所选择的最佳特征子集来计算每个lncRNA-蛋白质对的标签。

3.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA-蛋白质相互作用方法，其特征在于，在候选LPI特征子集中加入噪声，以增强随机局部搜索能力，其中M′在学习期间可能改变，将训练样本(x，y)∈D结合掩码转换为：使用不同的特征子集对MLP网络进行训练，学习f_MLP：X×M→Y，MLP网络的损失函数定义为：其中表示在训练期间的二进制交叉熵损失。

4.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA-蛋白质相互作用方法，其特征在于，在MLP网络中的所有中间层的激活函数使用sigmoid，最终输出层的激活函数使用softmax，使用训练好的网络f_MLP(α^*；x；m^*)来预测数据集上LPI。

5.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA-蛋白质相互作用方法，其特征在于，FIR网络根据MLP网络的预测结果选择最优的LPI特征子集，对于每个lncRNA-蛋白质对x∈X，通过最大的Q(x，m)来寻找最优LPI特征子集，并对特征进行排序，通过Score(m^*)生成m^*的最佳特征子集，FIR网络上的损失函数定义为：在FIR网络中，所有中间层使用sigmoid函数激活，最终输出层使用线性函数作为激活函数，训练后的f_FIR(β^*；x；m^*)具有最优参数β^*，用于提取测试数据集上的最优特征。

6.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA-蛋白质相互作用方法，其特征在于，在学习过程中，FIR网络协助MLP网络提供最优的LPI特征子集|M′|，而MLP网络将所有m∈M′的损失反馈给FIR网络。