CN107609345A - 一种基于模板自适应选择的多域蛋白结构组装方法 - Google Patents

一种基于模板自适应选择的多域蛋白结构组装方法 Download PDF

Info

Publication number
CN107609345A
CN107609345A CN201710757199.6A CN201710757199A CN107609345A CN 107609345 A CN107609345 A CN 107609345A CN 201710757199 A CN201710757199 A CN 201710757199A CN 107609345 A CN107609345 A CN 107609345A
Authority
CN
China
Prior art keywords
mrow
template
msubsup
msub
albumen
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710757199.6A
Other languages
English (en)
Other versions
CN107609345B (zh
Inventor
张贵军
周晓根
王柳静
郝小虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201710757199.6A priority Critical patent/CN107609345B/zh
Publication of CN107609345A publication Critical patent/CN107609345A/zh
Application granted granted Critical
Publication of CN107609345B publication Critical patent/CN107609345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于模板自适应选择的多域蛋白结构组装方法,首先,利用蛋白质比对工具对多域蛋白库的中各模板进行打分,并根据打分进行降序排名;然后,选择出排名靠前的部分模板进行组装,并对每个模板设置一个选择概率;其次,在组装过程中,每隔一定的阶段,根据各模板组装得到的结构被成功接收的次数和该模板被选择的次数动态更新各模板被选择的概率;最后,在每次迭代中,根据各模板的选择概率,利用轮盘赌选择出一个模板产生的结构进行随机选择和平移,从而产生新的结构。本发明提供一种计算代价较低、预测精度较高的基于模板自适应选择的多域蛋白结构组装方法。

Description

一种基于模板自适应选择的多域蛋白结构组装方法
技术领域
本发明涉及一种生物学信息学、智能优化、计算机应用领域,尤其涉及的是一种基于模板自适应选择的多域蛋白结构组装方法。
背景技术
不同的蛋白中通常包含具有特定功能的域蛋白,生物体中所必需的成千上万种蛋白正是通过一系列这样的域蛋白组成的。数据显示,域蛋白的大小不等,从几个氨基酸到超过800个的氨基酸,而绝大数域蛋白为50-150个氨基酸组成。由这些域蛋白组成的蛋白称为多域蛋白,简单的多域蛋白通常包含1-2个域蛋白,较大的多域蛋白可能30个以上所需的复杂细胞功能域蛋白。据统计,至少有2/3的哺乳动物蛋白为多域蛋白。因此,对多域蛋白的结构预测极其重要。
目前,最常用的多域蛋白结构预测方法为刚体对接法,即固定各单域蛋白的结构,然后通过旋转和平移来选择方向,从而完成多域蛋白的结构组装。在组装中,通常利用各种方法(如基于一级和二级结构的穿线法、基于三级结构的模板搜索法)来搜索蛋白质库而获得最佳模板,从而根据模板的方向指导整个组装过程。但是,由于模板打分函数的不精确性,无法保证得分最高的模板即为实际最佳模板。为了解决上述问题,大多数方法采用多个模板进行独立组装,然后对各模板组装得到的结构进行打分,从而选出得分最高的结构。然而,采用多个模板进行独立组装会增加计算代价,而且由于结构打分函数的不精确性,不能保证最后选择出的结果为实际最优结果,从而影响组装精度。
因此,现有的基于模板的多域蛋白结构组装方法在计算代价和预测精度方面存在着缺陷,需要改进。
发明内容
为了克服现有的基于模板的多域蛋白结构组装方法在计算代价和预测精度方面的不足,本发明提供一种计算代价较低、预测精度较高的基于模板自适应选择的多域蛋白结构组装方法。
本发明解决其技术问题所采用的技术方案是:
一种基于模板自适应选择的多域蛋白结构组装方法,所述方法包括以下步骤:1)输入各单域蛋白的三维结构;
2)设置组装模板数量T,最大迭代次数Imax,冲突距离阈值dcl,相互作用阈值dct,各模板的选择概率pt,t=1,2,...,T,pt表示第t个模板的选择概率,学习间隔Iinter
3)利用模板比对工具TM-align对多域蛋白库中的每个模板进行打分,并根据打分进行降序排列;
4)选出打分最高的前T个模板进行组装,过程如下:4.1)将各单域蛋白重叠到各个模板上,得到T个结构,并根据如下公式对各结
构进行打分:
其中,w1、w2、w3和w4为各能量项的权重,分别表示第n个单域蛋白的第i个Ca原子的坐标和第n+1个单域蛋白的第j个Ca原子的坐标,表示之间的欧氏距离,Xl分别表示组装结构中第l个Ca原子的坐标和各域重叠到模板上后整个多域蛋白结构的第l个Ca原子的坐标,为Xl之间的欧氏距离,L为蛋白的序列长度,为距离相互作用阈值dct的Ca原子数量,n0为归一化常数,其取值为0.306×(ln+ln+1),ln和ln+1分别为第n个单域蛋白和第n+1个单域蛋白的序列长度,分别表示第n个单域蛋白的最后一个Ca原子的坐标和第n+1个单域蛋白的第一个Ca原子的坐标,为他们之间的欧氏距离,D表示单域蛋白的总数量;
4.2)根据各模板的选择概率,利用轮盘赌选择出一个模板得到的结构,并根据4.1)计算其得分Eold
4.3)对4.2)中选择的结构中所有的Ca原子坐标进行随机选择和平移,从而得到一个新的结构,并根据4.1)计算新结构的得分E;
4.4)如果E小于Eold,则新结构替换当前模板的结构;否则,如果满足 则新结构替换当前模板的结构,并记录当前的迭代次数以及被接收的所有新结构,其中rand(0,1)为0和1之间的随机数,e为自然常数;
4.5)如果当前迭代次数是否为Iinter的整数倍,则计算各目标的选择概率pt,t=1,2,...,T,其值等于第t个模板产生的结构成功替换的次数除以第t个模板在步骤4.2)中被选择的次数;
4.6)如果迭代次数达到最大迭代次数Imax,则继续步骤5),否则重复步骤4.2)~4.6);
5)利用近天然态蛋白聚类工具SPICKER对迭代过程中所有被接收的新结构进行聚类,从而选择出规模最大的类的中心结构为最终组装结构。
本发明的技术构思为:首先,利用蛋白质比对工具对多域蛋白库的中各模板进行打分,并根据打分进行降序排名;然后,选择出排名靠前的部分模板进行组装,并对每个模板设置一个选择概率;其次,在组装过程中,每隔一定的阶段,根据各模板组装得到的结构被成功接收的次数和该模板被选择的次数动态更新各模板被选择的概率;最后,在每次迭代中,根据各模板的选择概率,利用轮盘赌选择出一个模板产生的结构进行随机选择和平移,从而产生新的结构。
本发明的有益效果表现在:在组装过程中,各模板同时进行组装,可以降低计算代价;其次,根据各模板在一定阶段组装成功的次数来动态更新确定各模板的使用概率,达到模板自适应选择的效果,进而保证优秀模板被选中的概率较大,从而提高预测精度。
附图说明
图1是基于模板自适应选择的多域蛋白结构组装方法的示意图。
图2是多域蛋白1bagA的天然态结构。
图3是基于模板自适应选择的多域蛋白结构组装方法对多域蛋白1bagA的组装结果。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于模板自适应选择的多域蛋白结构组装方法,包括以下步骤:
1)输入各单域蛋白的三维结构;
2)设置组装模板数量T,最大迭代次数Imax,冲突距离阈值dcl,相互作用阈值dct,各模板的选择概率pt,t=1,2,...,T,pt表示第t个模板的选择概率,学习间隔Iinter
3)利用模板比对工具TM-align对多域蛋白库中的每个模板进行打分,并根据打分进行降序排列;
4)选出打分最高的前T个模板进行组装,过程如下:
4.1)将各单域蛋白重叠到各个模板上,得到T个结构,并根据如下公式对各结构进行打分:
其中,w1、w2、w3和w4为各能量项的权重,分别表示第n个单域蛋白的第i个Ca原子的坐标和第n+1个单域蛋白的第j个Ca原子的坐标,表示之间的欧氏距离,Xl分别表示组装结构中第l个Ca原子的坐标和各域重叠到模板上后整个多域蛋白结构的第l个Ca原子的坐标,为Xl之间的欧氏距离,L为蛋白的序列长度,为距离相互作用阈值dct的Ca原子数量,n0为归一化常数,其取值为0.306×(ln+ln+1),ln和ln+1分别为第n个单域蛋白和第n+1个单域蛋白的序列长度,分别表示第n个单域蛋白的最后一个Ca原子的坐标和第n+1个单域蛋白的第一个Ca原子的坐标,为他们之间的欧氏距离,D表示单域蛋白的总数量;
4.2)根据各模板的选择概率,利用轮盘赌选择出一个模板得到的结构,并根据4.1)计算其得分Eold
4.3)对4.2)中选择的结构中所有的Ca原子坐标进行随机选择和平移,从而得到一个新的结构,并根据4.1)计算新结构的得分E;
4.4)如果E小于Eold,则新结构替换当前模板的结构;否则,如果满足 则新结构替换当前模板的结构,并记录当前的迭代次数以及被接收的所有新结构,其中rand(0,1)为0和1之间的随机数,e为自然常数;
4.5)如果当前迭代次数是否为Iinter的整数倍,则计算各目标的选择概率pt,t=1,2,...,T,其值等于第t个模板产生的结构成功替换的次数除以第t个模板在步骤4.2)中被选择的次数;
4.6)如果迭代次数达到最大迭代次数Imax,则继续步骤5),否则重复步骤4.2)~4.6);
5)利用近天然态蛋白聚类工具SPICKER对迭代过程中所有被接收的新结构进行聚类,从而选择出规模最大的类的中心结构为最终组装结构。
本实施例序列长度为425的多域蛋白质1bagA为实施例,一种基于模板的多域蛋白结构组装方法,包括以下步骤:
1)输入各单域蛋白的三维结构;
2)设置组装模板数量T=5,最大迭代次数Imax=30000,冲突距离阈值dcl=3.75,相互作用阈值dct=8,各模板的选择概率pt=0.2,t=1,2,...,T,pt表示第t个模板的选择概率,学习间隔Iinter=1000;
3)利用模板比对工具TM-align对多域蛋白库中的每个模板进行打分,并根据打分进行降序排列;
4)选出打分最高的前T个模板进行组装,过程如下:
4.1)将各单域蛋白重叠到各个模板上,得到T个结构,并根据如下公式对各结构进行打分:
其中,w1、w2、w3和w4为各能量项的权重,分别表示第n个单域蛋白的第i个Ca原子的坐标和第n+1个单域蛋白的第j个Ca原子的坐标,表示之间的欧氏距离,Xl分别表示组装结构中第l个Ca原子的坐标和各域重叠到模板上后整个多域蛋白结构的第l个Ca原子的坐标,为Xl之间的欧氏距离,L为蛋白的序列长度,为距离相互作用阈值dct的Ca原子数量,n0为归一化常数,其取值为0.306×(ln+ln+1),ln和ln+1分别为第n个单域蛋白和第n+1个单域蛋白的序列长度,分别表示第n个单域蛋白的最后一个Ca原子的坐标和第n+1个单域蛋白的第一个Ca原子的坐标,为他们之间的欧氏距离,D表示单域蛋白的总数量;
4.2)根据各模板的选择概率,利用轮盘赌选择出一个模板得到的结构,并根据4.1)计算其得分Eold
4.3)对4.2)中选择的结构中所有的Ca原子坐标进行随机选择和平移,从而得到一个新的结构,并根据4.1)计算新结构的得分E;
4.4)如果E小于Eold,则新结构替换当前模板的结构;否则,如果满足 则新结构替换当前模板的结构,并记录当前的迭代次数以及被接收的所有新结构,其中rand(0,1)为0和1之间的随机数,e为自然常数;
4.5)如果当前迭代次数是否为Iinter的整数倍,则计算各目标的选择概率pt,t=1,2,...,T,其值等于第t个模板产生的结构成功替换的次数除以第t个模板
在步骤4.2)中被选择的次数;
4.6)如果迭代次数达到最大迭代次数Imax,则继续步骤5),否则重复步骤4.2)~4.6);
5)利用近天然态蛋白聚类工具SPICKER对迭代过程中所有被接收的新结构进行聚类,从而选择出规模最大的类的中心结构为最终组装结构。
以序列长度为425的包含两个域的多域蛋白质1bagA为实施例,运用以上方法组装得到了该多域蛋白质的近天然态构象,TM-score为0.992,天然态结构和预测结构分别如图2和图3所示。
以上说明是本发明以1bagA蛋白质为实例所得出的优化效果,并非限定本发明的实施范围,在不偏离本发明基本内容所涉及范围的的前提下对其做各种变形和改进,不应排除在本发明的保护范围之外。

Claims (1)

1.一种基于模板自适应选择的多域蛋白结构组装方法,其特征在于:所述多域蛋白结构组装方法包括以下步骤:
1)输入各单域蛋白的三维结构;
2)设置组装模板数量T,最大迭代次数Imax,冲突距离阈值dcl,相互作用阈值dct,各模板的选择概率pt,t=1,2,...,T,pt表示第t个模板的选择概率,学习间隔Iinter
3)利用模板比对工具TM-align对多域蛋白库中的每个模板进行打分,并根据打分进行降序排列;
4)选出打分最高的前T个模板进行组装,过程如下:
4.1)将各单域蛋白重叠到各个模板上,得到T个结构,并根据如下公式对各结构进行打分:
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>E</mi> <mo>=</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <msubsup> <mi>X</mi> <mi>i</mi> <mi>n</mi> </msubsup> <mo>,</mo> <msubsup> <mi>X</mi> <mi>j</mi> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>&lt;</mo> <msub> <mi>d</mi> <mrow> <mi>c</mi> <mn>1</mn> </mrow> </msub> </mrow> </munder> <mfrac> <mn>1</mn> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <msubsup> <mi>X</mi> <mi>i</mi> <mi>n</mi> </msubsup> <mo>,</mo> <msubsup> <mi>X</mi> <mi>j</mi> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </munderover> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>,</mo> <msubsup> <mi>X</mi> <mi>l</mi> <mrow> <mi>T</mi> <mi>e</mi> <mi>m</mi> <mi>p</mi> </mrow> </msubsup> <mo>)</mo> </mrow> </mrow> <mi>L</mi> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <msub> <mi>w</mi> <mn>3</mn> </msub> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>N</mi> <mrow> <mo>(</mo> <mi>d</mi> <mo>(</mo> <mrow> <msubsup> <mi>X</mi> <mi>i</mi> <mi>n</mi> </msubsup> <mo>,</mo> <msubsup> <mi>X</mi> <mi>j</mi> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> </mrow> <mo>)</mo> <mo>&lt;</mo> <msub> <mi>d</mi> <mrow> <mi>c</mi> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>/</mo> <msub> <mi>n</mi> <mn>0</mn> </msub> </mrow> </mfrac> <mo>+</mo> <msub> <mi>w</mi> <mn>4</mn> </msub> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>D</mi> </munderover> <mi>d</mi> <mrow> <mo>(</mo> <msubsup> <mi>X</mi> <msub> <mi>l</mi> <mi>n</mi> </msub> <mi>n</mi> </msubsup> <mo>,</mo> <msubsup> <mi>X</mi> <mn>1</mn> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中,w1、w2、w3和w4为各能量项的权重,分别表示第n个单域蛋白的第i个Ca原子的坐标和第n+1个单域蛋白的第j个Ca原子的坐标,表示之间的欧氏距离,Xl分别表示组装结构中第l个Ca原子的坐标和各域重叠到模板上后整个多域蛋白结构的第l个Ca原子的坐标,为Xl之间的欧氏距离,L为蛋白的序列长度,为距离相互作用阈值dct的Ca原子数量,n0为归一化常数,其取值为0.306×(ln+ln+1),ln和ln+1分别为第n个单域蛋白和第n+1个单域蛋白的序列长度,分别表示第n个单域蛋白的最后一个Ca原子的坐标和第n+1个单域蛋白的第一个Ca原子的坐标,为他们之间的欧氏距离,D表示单域蛋白的总数量;
4.2)根据各模板的选择概率,利用轮盘赌选择出一个模板得到的结构,并根据4.1)计算其得分Eold
4.3)对4.2)中选择的结构中所有的Ca原子坐标进行随机选择和平移,从而得到一个新的结构,并根据4.1)计算新结构的得分E;
4.4)如果E小于Eold,则新结构替换当前模板的结构;否则,如果满足 则新结构替换当前模板的结构,并记录当前的迭代次数以及被接收的所有新结构,其中rand(0,1)为0和1之间的随机数,e为自然常数;
4.5)如果当前迭代次数是否为Iinter的整数倍,则计算各目标的选择概率pt,t=1,2,...,T,其值等于第t个模板产生的结构成功替换的次数除以第t个模板在步骤4.2)中被选择的次数;
4.6)如果迭代次数达到最大迭代次数Imax,则继续步骤5),否则重复步骤4.2)~4.6);
5)利用近天然态蛋白聚类工具SPICKER对迭代过程中所有被接收的新结构进行聚类,从而选择出规模最大的类的中心结构为最终组装结构。
CN201710757199.6A 2017-08-29 2017-08-29 一种基于模板自适应选择的多域蛋白结构组装方法 Active CN107609345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710757199.6A CN107609345B (zh) 2017-08-29 2017-08-29 一种基于模板自适应选择的多域蛋白结构组装方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710757199.6A CN107609345B (zh) 2017-08-29 2017-08-29 一种基于模板自适应选择的多域蛋白结构组装方法

Publications (2)

Publication Number Publication Date
CN107609345A true CN107609345A (zh) 2018-01-19
CN107609345B CN107609345B (zh) 2020-11-27

Family

ID=61056491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710757199.6A Active CN107609345B (zh) 2017-08-29 2017-08-29 一种基于模板自适应选择的多域蛋白结构组装方法

Country Status (1)

Country Link
CN (1) CN107609345B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110164506A (zh) * 2019-04-19 2019-08-23 浙江工业大学 一种基于域间残基接触的多域蛋白结构组装方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020111781A1 (en) * 2000-04-03 2002-08-15 Richard Blankenbecler Method for protein structure alignment
US20040219601A1 (en) * 2003-01-02 2004-11-04 Jinbo Xu Method and system for more effective protein three-dimensional structure prediction
CN106778059A (zh) * 2016-12-19 2017-05-31 浙江工业大学 一种基于Rosetta局部增强的群体蛋白质结构预测方法
CN107066834A (zh) * 2017-03-23 2017-08-18 王晨彤 一种基于粒子群优化算法的蛋白质结构从头预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020111781A1 (en) * 2000-04-03 2002-08-15 Richard Blankenbecler Method for protein structure alignment
US20040219601A1 (en) * 2003-01-02 2004-11-04 Jinbo Xu Method and system for more effective protein three-dimensional structure prediction
CN106778059A (zh) * 2016-12-19 2017-05-31 浙江工业大学 一种基于Rosetta局部增强的群体蛋白质结构预测方法
CN107066834A (zh) * 2017-03-23 2017-08-18 王晨彤 一种基于粒子群优化算法的蛋白质结构从头预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张文轩: ""蛋白质结构预测模型优化方法研究"", 《中国优秀硕士学位论文全文数据库(电子期刊)》 *
徐贞如等: ""基于改进的模拟退火算法的蛋白质折叠研究"", 《计算机应用与软件》 *
费凡: ""冷冻电镜图像指导下的多结构域蛋白质组装算法研究"", 《万方数据》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110164506A (zh) * 2019-04-19 2019-08-23 浙江工业大学 一种基于域间残基接触的多域蛋白结构组装方法

Also Published As

Publication number Publication date
CN107609345B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
US11487950B2 (en) Autonomous evolution intelligent dialogue method, system, and device based on a game with a physical environment
Jacobucci et al. Regularized structural equation modeling
Łukasik et al. Data clustering with grasshopper optimization algorithm
CN108615044A (zh) 一种分类模型训练的方法、数据分类的方法及装置
CN106778059A (zh) 一种基于Rosetta局部增强的群体蛋白质结构预测方法
Kovalchik et al. A shot taxonomy in the era of tracking data in professional tennis
CN110119441A (zh) 基于汉字结构的文字点选验证码识别与填入方法
CN109817275A (zh) 蛋白质功能预测模型生成、蛋白质功能预测方法及装置
CN109583594A (zh) 深度学习训练方法、装置、设备及可读存储介质
CN104820694A (zh) 基于多知识库和整数线性规划ilp的自动问答方法和系统
CN110222751A (zh) 一种基于正交多种群正余弦算法来构建预测模型的方法
Zheng et al. Overview of test assembly methods in multistage testing
CN109360599A (zh) 一种基于残基接触信息交叉策略的蛋白质结构预测方法
CN106570173A (zh) 一种基于Spark的高维稀疏文本数据聚类方法
CN109815478A (zh) 基于卷积神经网络的药化实体识别方法及系统
CN107609345A (zh) 一种基于模板自适应选择的多域蛋白结构组装方法
CN110222737A (zh) 一种基于长短时记忆网络的搜索引擎用户满意度评估方法
CN107180164A (zh) 一种基于模板的多域蛋白结构组装方法
CN106126973A (zh) 基于r‑svm和tpr规则的基因功能预测方法
Wang et al. Fast hyperbolic mapping based on the hierarchical community structure in complex networks
CN108021985A (zh) 一种模型参数训练方法及装置
CN109033753A (zh) 一种基于二级结构片段组装的群体蛋白质结构预测方法
CN110738270A (zh) 基于均值迭代的多任务学习模型训练以及预测方法
CN113723519B (zh) 基于对比学习的心电数据处理方法、装置及存储介质
CN108763860A (zh) 一种基于Loop信息采样的群体蛋白质构象空间优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant