[发明专利]基于代价敏感LSTM网络的蛋白质域检测方法及系统

摘要

一种基于代价敏感LSTM网络的蛋白质域检测方法，采用双向LSTM网络作为蛋白质域检测的模型；提出一个代价敏感的损失函数，为正负样本的错分赋予不同的代价；同时提出一种更新损失函数中代价权重的方法，对于任意给定的初始值，能够在网络训练过程中自适应地更新代价权重。采用平滑、删除、合并操作对模型的原始输出进行后处理。本发明优点包括：检测模型采用双向LSTM网络，对蛋白质序列的长程相关性进行有效建模；使用代价敏感的损失函数训练模型，适应蛋白质域数据集不平衡的特征；引入代价权重自适应更新方法，适用于任何数据集；对模型输出进行后处理，减少假阳性结果。

主权项

1.一种基于代价敏感LSTM网络的蛋白质域检测方法，其特征在于，通过建立双向LSTM网络作为检测模型，然后采用代价敏感的损失函数进行网络训练，并在网络训练过程中自适应地调整损失函数的代价权重；再用经训练得到的双向LSTM网络检测蛋白质序列的结构域，即原始输出，最后采用平滑、删除、合并操作对训练后的双向LSTM网络的原始输出进行后处理，得到蛋白质域结果；所述的代价敏感的损失函数为：L(y,z)＝‑wzlny‑(1‑z)ln(1‑y)，其中：y为网络输出；z为样本类标，z＝0表示域内残基，z＝1表示域边界残基；w为代价权重，据此损失函数计算偏导得到网络输出层的校正误差为：所述的自适应地调整损失函数的代价权重是指：当给定一个任意的初始代价权重值w₀，在每轮迭代后计算并更新代价权重为：w′＝w+cr，其中：m为训练集样本数；TP、FP、FN分别为真阳性、假阳性、假阴性结果；c为常数，用于调节更新的幅度，以防止权重更新过慢或震荡变化；所述的双向LSTM网络，通过以下步骤进行训练：步骤1、初始化损失函数；步骤2、随机排列训练集样本；步骤3、顺序选取训练集样本，前向传播得到网络中各层单元的输出值；步骤4、由网络实际输出和期望输出值计算损失函数L(y,z)＝‑wzlny‑(1‑z)ln(1‑y)及偏导值；步骤5、后向传播，得到损失函数关于隐藏层单元输入的偏导值；步骤6、计算损失函数关于网络权重的偏导值并更新网络权重；步骤7、选取下一个训练样本，重复步骤3～6，直到遍历训练集所有样本；步骤8、对验证集进行前向传播并计算损失函数值；步骤9、与训练过程中验证集的最小损失函数值进行比较，并累计损失值不再降低的连续迭代次数；步骤10、判断损失值不再降低的连续迭代次数是否达到设定的最大次数；若小于设定的最大次数，则计算并更新损失函数的代价权重，重复步骤2～10；否则，结束训练；所述的平滑，即采用窗口对模型原始输出值进行平均处理：其中：i为氨基酸残基在蛋白质序列中的位置，2l+1为窗口大小，边界值以0补齐；所述的删除，即当平滑后的值为y’，域边界区域定义为输出值大于截断值y_c的一段连续残基，其中：n为域边界数，y’(i)‑y_c表示了边界检测的置信度，定义域边界区域面积当截断得到的域边界区域面积小于阈值，即S^(k)<S_min，则认为该域边界为假阳性结果，予以删除；所述的合并，即当两个检测的域边界位置间的距离很接近，就将这两个域边界区域合并为一个，具体为：分别为域边界区域的起始和结束位置，则所检测的域边界位置为合并后的域边界位置为：