CN110853702B - 一种基于空间结构的蛋白质相互作用预测方法 - Google Patents

一种基于空间结构的蛋白质相互作用预测方法 Download PDF

Info

Publication number
CN110853702B
CN110853702B CN201910979313.9A CN201910979313A CN110853702B CN 110853702 B CN110853702 B CN 110853702B CN 201910979313 A CN201910979313 A CN 201910979313A CN 110853702 B CN110853702 B CN 110853702B
Authority
CN
China
Prior art keywords
protein
matrix
dimensional space
deep learning
data
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.)
Active
Application number
CN201910979313.9A
Other languages
English (en)
Other versions
CN110853702A (zh
Inventor
张利达
雷雨
洪剑伟
郑存俭
赵佳薇
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201910979313.9A priority Critical patent/CN110853702B/zh
Publication of CN110853702A publication Critical patent/CN110853702A/zh
Application granted granted Critical
Publication of CN110853702B publication Critical patent/CN110853702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/30—Detection of binding sites or motifs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Analytical Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于空间结构的蛋白质相互作用预测方法，该方法包括如下步骤：(1)采集蛋白质三维空间结构标准数据；(2)构建蛋白质相互作用正、负样本数据集；(3)提取正、负样本数据集中的蛋白质三维空间结构标准数据的结构矩阵；(4)构建用于蛋白质相互作用预测的深度学习模型；(5)将正、负样本集中的结构矩阵输入至深度学习模型，训练深度学习模型；(6)获取目标蛋白质三维空间结构数据；(7)提取目标蛋白质三维空间结构数据的结构矩阵；(8)深度学习模型预测得到目标蛋白质相互作用的概率。与现有技术相比，本发明蛋白质三维空间结构数据能够提高模型对蛋白质相互作用的识别能力，大大提高蛋白质相互作用的预测准确性。

Description

一种基于空间结构的蛋白质相互作用预测方法
技术领域
本发明涉及一种蛋白质相互作用预测方法，尤其是涉及一种基于空间结构的蛋白质相互作用预测方法。
背景技术
蛋白质之间的相互作用是蛋白质行使功能的基础，蛋白质相互作用参与了生物体几乎所有的生命活动，在各种生理生化过程中都发挥着重要作用。目前研究蛋白 质相互作用的实验方法，如串联亲和纯化、酵母双杂交和蛋白质芯片技术等方法费 时费力，花费昂贵，且具较高的假阳性率等缺点。因此，基于计算方法研究蛋白质 相互作用日趋受到关注。随着基因组测序成本的不断降低，各组学数据激增，为综 合利用生物大数据进行蛋白质相互作用预测提供了丰富的数据资源。
低温冷冻电镜、X射线晶体衍射、多维核磁共振等结构生物学实验技术测得了 部分蛋白质的三维结构。目前蛋白质结构数据库收录了超过15万个蛋白质三维结 构，其多集中在人类、小鼠、酿酒酵母以及大肠杆菌等模式生物。但由于蛋白质三 级结构的以及结构域的保守性，如蛋白质序列一级结构具有相似性，那么其三级结 构具有高度相似性。蛋白质三维结构的保守性促成了以数据库中的已知结构为模板 的同源建模(HomologyModeling)方法的发展，该方法是目前应用最广泛的蛋白 质三维结构预测方法。随着数据库中的已知结构的蛋白质数量的不断增加，使得越 来越多的蛋白质可通过同源建模方法获得精确的预测结构。同源建模得到的蛋白质 三维结构数据能够成为预测蛋白质相互作用的重要数据支撑。
机器学习技术(如支持向量机、随机森林和朴素贝叶斯)在面对生物数据时， 需要人工设计特征提取器，用来将原始的生物数据转化成统一的向量或矩阵形式， 这要求设计者拥有高超的结构生物学知识和优秀的算法编译能力。深度学习是机器 学习中一种基于对数据进行表征学习的方法。深度学习通过非监督式学习或半监督 式学习来获取特征，而不需要通过人工来获取特征，在处理复杂的生物学数据上具 有优势。目前深度学习已成功应用于语音识别、记忆网络、计算机视觉、自然语言 处理等其他领域。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于空间结 构的蛋白质相互作用预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于空间结构的蛋白质相互作用预测方法，该方法包括如下步骤：
(1)采集蛋白质三维空间结构标准数据；
(2)利用三维空间结构标准数据构建蛋白质相互作用正、负样本数据集；
(3)提取正、负样本数据集中的蛋白质三维空间结构标准数据的结构矩阵；
(4)构建用于蛋白质相互作用预测的深度学习模型；
(5)将正、负样本集中的结构矩阵输入至深度学习模型，训练深度学习模型；
(6)对目标蛋白质序列进行同源建模获取目标蛋白质三维空间结构数据；
(7)提取目标蛋白质三维空间结构数据的结构矩阵；
(8)将目标蛋白质的结构矩阵输入至训练好的深度学习模型预测得到目标蛋 白质相互作用的概率。
优选地，步骤(1)中蛋白质三维空间结构标准数据为PDB数据库中的原始蛋 白质亚基-蛋白质亚基复合体结构数据。
优选地，步骤(2)具体为：
将PDB数据库中的蛋白质亚基复合体拆分成两两互作的蛋白质亚基对，形成 正样本数据集；
将所有拆分的蛋白质亚基随机组合构成非互作蛋白质亚基对，形成负样本数据集，且负样本数据集中的数据满足：1)负样本数据不存在于正样本数据集中，2) 负样本蛋白质对不同时存在于同一蛋白质复合体。
优选地，步骤(3)和步骤(7)中结构矩阵包括三个，分别为X-Y矩阵、X-Z 矩阵和Y-Z矩阵。
优选地，结构矩阵通过如下方式得到：
(a)对氨基酸进行数字编码，每个氨基酸对应一个自然数编码；
(b)针对每个蛋白质，从蛋白质三维空间结构标准数据中提取每个氨基酸的 三维坐标(x,y,z)，x、y、z对应为X、Y、Z坐标值；
(c)对氨基酸的X、Y、Z坐标值进行四舍五入取整得到(x′,y′,z′)，x′、y′、 z′对应为x、y、z的四舍五入取整值，进而得到该氨基酸的X-Y矩阵坐标点(x′,y′)、 X-Z矩阵坐标点(x′,z′)和Y-Z矩阵坐标点(y′,z′)；
(d)对蛋白质中的氨基酸分别在X-Y矩阵坐标点、X-Z矩阵坐标点和Y-Z矩 阵坐标点位置处赋值对应的氨基酸自然数编码得到X-Y矩阵、X-Z矩阵和Y-Z矩 阵。
优选地，所述的深度学习模型为卷积神经网络模型。
优选地，训练深度学习模型包括模型参数的优化，所述的模型参数包括：批尺 寸、训练周期、优化算法、学习速率、Dropout正则化以及隐藏层中神经元数量。
优选地，步骤(6)采用Modpipe同源建模软件对目标蛋白质序列进行同源建 模。
与现有技术相比，本发明具有如下优点：
(1)本发明利用蛋白质三维空间结构数据进行蛋白质相互作用预测，与基于 氨基酸序列的蛋白质相互作用预测方法相比，本发明大大提高了对蛋白质相互作用 的预测准确性；
(2)本发明采用卷积神经网络模型这一深度学习模型进行蛋白质相互作用预 测，在对蛋白质三维结构的特征提取上优于传统的机器学习技术，从而进一步提高 预测准确性。
附图说明
图1为本发明基于空间结构的蛋白质相互作用预测方法的流程框图；
图2本发明的深度学习网络模型工作流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的 说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明 并不限定于以下的实施方式。
实施例
如图1所示，一种基于空间结构的蛋白质相互作用预测方法，该方法包括如下 步骤：
(1)采集蛋白质三维空间结构标准数据：蛋白质三维空间结构标准数据为 PDB数据库中的原始蛋白质亚基-蛋白质亚基复合体结构数据。结构数据需通过核 磁共振、X射线晶体衍射或电子显微镜中的至少一种实验方法测定。
(2)利用三维空间结构标准数据构建蛋白质相互作用正、负样本数据集：将 PDB数据库中的蛋白质亚基复合体拆分成两两互作的蛋白质亚基对，形成正样本 数据集；将所有拆分的蛋白质亚基随机组合构成非互作蛋白质亚基对，形成负样本 数据集，且负样本数据集中的数据满足：1)负样本数据不存在于正样本数据集中， 2)负样本蛋白质对不同时存在于同一蛋白质复合体。
具体地，利用PIBASE软件包计算得到蛋白质复合体中各亚基之间互作界面的 结构及对应互作残基。去除复合体中的非蛋白质亚基部分，共计获得约55万个蛋 白质亚基。根据大小为8(±2)nm2，20-30个氨基酸(文献支持)构成的互作界面 为标准稳定互作，按照此标准对存在稳定相互作用的蛋白质亚基对进行筛选，得到 共计约33万个存在相互作用的蛋白质亚基对。利用CD-HIT软件包对蛋白质亚基 进行90％的序列相似性(尽可能保留最多数据原则)聚类，去除数据集中的冗余 部分，最终得到约1.3万个存在相互作用的蛋白质亚基对作为正样本数据集。非互 作负样本数据集则由阳性正样本数据进行随机重排配对获得，且满足以下标准：1) 负样本数据不存在于正样本数据集中；2)负样本蛋白质对不同时存在于同一蛋白 质复合体。
(3)提取正、负样本数据集中的蛋白质三维空间结构标准数据的结构矩阵， 结构矩阵包括三个，分别为X-Y矩阵、X-Z矩阵和Y-Z矩阵：
结构矩阵通过如下方式得到：
(a)对氨基酸进行数字编码，每个氨基酸对应一个自然数编码，如表1所示 为本实施例氨基酸1-20编码，表1中X表示缺省位置，编码为0；
表1氨基酸1-20编码
氨基酸缩写 Ala Cys Asp Glu Phe Gly His Ile Lys Leu
氨基酸代码 A C D E F G H I K L
自然数编码 1 2 3 4 5 6 7 8 9 10
氨基酸缩写 Met Asn Pro Gln Arg Ser Thr Val Trp Tyr X
氨基酸代码 M N P Q R S T V W Y X
自然数编码 11 12 13 14 15 16 17 18 19 20 0
(b)针对每个蛋白质，从蛋白质三维空间结构标准数据中提取每个氨基酸的 三维坐标(x,y,z)，x、y、z对应为X、Y、Z坐标值；
(c)对氨基酸的X、Y、Z坐标值进行四舍五入取整得到(x′,y′,z′)，x′、y′、 z′对应为x、y、z的四舍五入取整值，进而得到该氨基酸的X-Y矩阵坐标点(x′,y′)、 X-Z矩阵坐标点(x′,z′)和Y-Z矩阵坐标点(y′,z′)；
(d)对蛋白质中的氨基酸分别在X-Y矩阵坐标点、X-Z矩阵坐标点和Y-Z矩 阵坐标点位置处赋值对应的氨基酸自然数编码得到X-Y矩阵、X-Z矩阵和Y-Z矩 阵。
步骤(3)处理的蛋白质亚基数据集中的每个蛋白质文件包含了其各个原子的 三维坐标位置。取每个蛋白质α碳原子对应的三维坐标，将其坐标四舍五入取整数， 在对应的X-Y矩阵、X-Z矩阵和Y-Z矩阵位点进行赋值。蛋白质复合体亚基文件 中的14-16列,18-20列，32-54列数据分别为原子名称，氨基酸名称，原子XYZ坐 标。如赖氨酸CA Lys118.14752，63.99874，9.37564，则原子是α碳原子，氨基酸 是赖氨酸，三维空间坐标是(118.14752，63.99874，9.37564)。将三维空间坐标取 整，在X-Y矩阵坐标点(118，64)、X-Z矩阵坐标点(118，9)和Y-Z矩阵坐标 点(64，9)进行赋值。为对蛋白质各个氨基酸进行简单区分，采用自然数进行编 码。组成蛋白质的20种最常见氨基酸按照1-20编码，缺省位置及罕见氨基酸用0 编码。
如表2所示为本实施例蛋白质三维空间结构标准数据，其中第一列为各个氨基 酸的名称，第二至四列为α碳原子的三维坐标，分别对应X坐标值、Y坐标值以 及Z坐标值。
表2蛋白质三维空间结构标准数据
X Y Z
Met 105.621 159.964 125.046
Ala 106.272 159.324 128.687
Gly 109.052 160.598 130.839
Phe 110.459 161.673 131.679
Phe 111.25 162.93 137.103
Ser 114.355 164.421 135.985
Leu 115.567 164.469 132.998
Gly 116.62 164.132 135.364
His 117.11 165.933 138.197
Gly 119.506 166.037 139.113
如表2中第一行的Met甲硫氨酸，其三维坐标为(105.621，159.964，125.046)， 由此得到X-Y矩阵坐标点为(105,160)、X-Z矩阵坐标点为(105,125)、Y-Z矩阵 坐标点为(160,125)，查表1所示，甲硫氨酸Met赋值为11，则在对应位置赋值 11，以此类推，得到X-Y矩阵、X-Z矩阵和Y-Z矩阵。表3、表4和表5对应为 X-Y矩阵、X-Z矩阵和Y-Z矩阵的赋值表。
表3X-Y矩阵赋值表
106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
159 1
160 11
161 6
162 5
163 5
164 16 10 6
165
166 7 6
表4X-Z矩阵赋值表
106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
125 11
126
127
128
129 1
130
131 6
132 5
133 10
134
135 6
136 16
137 5
138 7
139 6
表5Y-Z矩阵赋值表
Figure BDA0002234652080000061
Figure BDA0002234652080000071
(4)构建用于蛋白质相互作用预测的深度学习模型，本发明采用卷积神经网 络模型。
(5)将正、负样本集中的结构矩阵输入至深度学习模型，训练深度学习模型：
具体地，使用Pytorch搭建深度神经网络具体流程如图2所示。该深度学习模 型采用了序贯模型，随后构建网络层的输入层、隐藏层和输出层，编译后给定输入 数据集并对模型进行测试与验证，得到一个深度学习的初始分类模型及对该模型的 评估结果。其中该模型的参数初始值设置为：批尺寸为10，训练周期为50，优化 算法为Adam，学习速率为0.001,Dropout正则化为0.5，隐藏层内神经元的个数为 12300个，默认全部参数调优使用的是十折交叉验证。首先设置批尺寸和训练周期 的取值列表，各值单调递增，随后采用网格搜索方法，在其他参数不变的前提下， 得到这两个参数的不同取值对模型效果的影响评估。取得效果最好的批尺寸和训练 周期参数值后，在模型中固定该参数，随后继续采用网格搜索办法搜索训练优化算 法的最佳选择。最终该蛋白质互作分类模型的最佳参数组合为：批尺寸为20，训 练周期为50，优化算法为Adam，学习速率为0.001,Dropout正则化为0.75，隐藏 层内神经元的个数为12300个。
(6)对目标蛋白质序列进行同源建模获取目标蛋白质三维空间结构数据：
具体地，从PDB数据库中收集蛋白质的同源结构模板。随后运用采用 MODPIPE软件对目标蛋白质序列进行同源建模。以拟南芥基因组为例，从TAIR 数据库中下载其基因组编码基因序列，对基因编码蛋白质进行同源建模，比对方法 包括sequence-sequence比对、profile-sequence比对、profile-profile比对。评估同源 建模模型质量运用MPQS进行打分，MPQS是一个综合评分，包括序列相似性， 模板覆盖面，和三个独立的评估分数：e-value，Z-DOPE和GA341。通过观察打分 概率分布函数，设定打分阈值为MPQS≧0.5，视为稳定的同源建模模型。
将同源建模模型的序列长度进行打分，过滤去除过短的不足以判断是否存在互作界面的蛋白质同源结构模型。MODSEQ-sore＝L-MOD/L-SEQ，L-MOD为同源 建模序列长度，L-SEQ为对应基因序列长度。结合MODSEQ-sore的概率密度分布 函数，在保留尽可能多的数据前提下提高阈值以提高数据质量。设定阈值为30％， 共计得到约1.7万个拟南芥编码基因的同源建模结果。
(7)提取目标蛋白质三维空间结构数据的结构矩阵，同理，此处结构矩阵包 括X-Y矩阵、X-Z矩阵和Y-Z矩阵。
(8)将目标蛋白质的结构矩阵输入至训练好的深度学习模型预测得到目标蛋 白质相互作用的概率。本实施例利用最优分类模型对同源建模结果进行蛋白质与蛋 白质相互作用预测，其筛选阈值>＝0.5，作为阳性预测结果。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其 它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变 更。

Claims (6)

1.一种基于空间结构的蛋白质相互作用预测方法，其特征在于，该方法包括如下步骤：
(1)采集蛋白质三维空间结构标准数据；
(2)利用三维空间结构标准数据构建蛋白质相互作用正、负样本数据集；
(3)提取正、负样本数据集中的蛋白质三维空间结构标准数据的结构矩阵；
(4)构建用于蛋白质相互作用预测的深度学习模型；
(5)将正、负样本集中的结构矩阵输入至深度学习模型，训练深度学习模型；
(6)对目标蛋白质序列进行同源建模获取目标蛋白质三维空间结构数据；
(7)提取目标蛋白质三维空间结构数据的结构矩阵；
(8)将目标蛋白质的结构矩阵输入至训练好的深度学习模型预测得到目标蛋白质相互作用的概率；
步骤(3)和步骤(7)中结构矩阵包括三个，分别为X-Y矩阵、X-Z矩阵和Y-Z矩阵；
结构矩阵通过如下方式得到：
(a)对氨基酸进行数字编码，每个氨基酸对应一个自然数编码；
(b)针对每个蛋白质，从蛋白质三维空间结构标准数据中提取每个氨基酸的三维坐标(x,y,z)，x、y、z对应为X、Y、Z坐标值；
(c)对氨基酸的X、Y、Z坐标值进行四舍五入取整得到(x′,y′,z′)，x′、y′、z′对应为x、y、z的四舍五入取整值，进而得到该氨基酸的X-Y矩阵坐标点(x′,y′)、X-Z矩阵坐标点(x′,z′)和Y-Z矩阵坐标点(y′,z′)；
(d)对蛋白质中的氨基酸分别在X-Y矩阵坐标点、X-Z矩阵坐标点和Y-Z矩阵坐标点位置处赋值对应的氨基酸自然数编码得到X-Y矩阵、X-Z矩阵和Y-Z矩阵。
2.根据权利要求1所述的一种基于空间结构的蛋白质相互作用预测方法，其特征在于，步骤(1)中蛋白质三维空间结构标准数据为PDB数据库中的原始蛋白质亚基-蛋白质亚基复合体结构数据。
3.根据权利要求2所述的一种基于空间结构的蛋白质相互作用预测方法，其特征在于，步骤(2)具体为：
将PDB数据库中的蛋白质亚基复合体拆分成两两互作的蛋白质亚基对，形成正样本数据集；
将所有拆分的蛋白质亚基随机组合构成非互作蛋白质亚基对，形成负样本数据集，且负样本数据集中的数据满足：1)负样本数据不存在于正样本数据集中，2)负样本蛋白质对不同时存在于同一蛋白质复合体。
4.根据权利要求1所述的一种基于空间结构的蛋白质相互作用预测方法，其特征在于，所述的深度学习模型为卷积神经网络模型。
5.根据权利要求4所述的一种基于空间结构的蛋白质相互作用预测方法，其特征在于，训练深度学习模型包括模型参数的优化，所述的模型参数包括：批尺寸、训练周期、优化算法、学习速率、Dropout正则化以及隐藏层中神经元数量。
6.根据权利要求1所述的一种基于空间结构的蛋白质相互作用预测方法，其特征在于，步骤(6)采用Modpipe同源建模软件对目标蛋白质序列进行同源建模。
CN201910979313.9A 2019-10-15 2019-10-15 一种基于空间结构的蛋白质相互作用预测方法 Active CN110853702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910979313.9A CN110853702B (zh) 2019-10-15 2019-10-15 一种基于空间结构的蛋白质相互作用预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910979313.9A CN110853702B (zh) 2019-10-15 2019-10-15 一种基于空间结构的蛋白质相互作用预测方法

Publications (2)

Publication Number Publication Date
CN110853702A CN110853702A (zh) 2020-02-28
CN110853702B true CN110853702B (zh) 2022-05-24

Family

ID=69597548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910979313.9A Active CN110853702B (zh) 2019-10-15 2019-10-15 一种基于空间结构的蛋白质相互作用预测方法

Country Status (1)

Country Link
CN (1) CN110853702B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116711015A (zh) * 2022-01-04 2023-09-05 京东方科技集团股份有限公司 向量模型训练方法、负样本生成方法、介质及设备
CN114496073B (zh) * 2022-01-21 2022-11-08 至本医疗科技（上海）有限公司 用于识别阳性重排的方法、计算设备和计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101741549A (zh) * 2008-11-27 2010-06-16 李虹 基于生物特征点拓扑结构的随机数发生器
CN109147866A (zh) * 2018-06-28 2019-01-04 南京理工大学 基于采样与集成学习的蛋白质-dna绑定残基预测方法
CN109785902A (zh) * 2019-02-20 2019-05-21 成都分迪科技有限公司 一种泛素化降解目标蛋白质的预测方法
CN109816680A (zh) * 2018-12-19 2019-05-28 黑龙江八一农垦大学 一种农作物株高的高通量计算方法
CN110136773A (zh) * 2019-04-02 2019-08-16 上海交通大学 一种基于深度学习的植物蛋白质互作网络构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020090631A1 (en) * 2000-11-14 2002-07-11 Gough David A. Method for predicting protein binding from primary structure data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101741549A (zh) * 2008-11-27 2010-06-16 李虹 基于生物特征点拓扑结构的随机数发生器
CN109147866A (zh) * 2018-06-28 2019-01-04 南京理工大学 基于采样与集成学习的蛋白质-dna绑定残基预测方法
CN109816680A (zh) * 2018-12-19 2019-05-28 黑龙江八一农垦大学 一种农作物株高的高通量计算方法
CN109785902A (zh) * 2019-02-20 2019-05-21 成都分迪科技有限公司 一种泛素化降解目标蛋白质的预测方法
CN110136773A (zh) * 2019-04-02 2019-08-16 上海交通大学 一种基于深度学习的植物蛋白质互作网络构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PCR微流体芯片温度控制系统的设计;刘超等;《微电子学》;20100420(第02期);全文 *
基于矩阵分解技术的系统性红斑狼疮转录调控网络构建;孔薇等;《河北师范大学学报(自然科学版)》(第02期);全文 *

Also Published As

Publication number Publication date
CN110853702A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110070909B (zh) 一种基于深度学习的融合多特征的蛋白质功能预测方法
CN109190524A (zh) 一种基于生成对抗网络的人体动作识别方法
CN110853702B (zh) 一种基于空间结构的蛋白质相互作用预测方法
Lin et al. Efficient classification of hot spots and hub protein interfaces by recursive feature elimination and gradient boosting
EP1328805A2 (en) System and process for validating, aligning and reordering one or more genetic sequence maps using at least one ordered restriction map
CN111863121A (zh) 一种基于图卷积神经网络的蛋白质自相互作用预测方法
CN112270958B (zh) 一种基于分层深度学习miRNA-lncRNA互作关系的预测方法
Li et al. Protein loop modeling using deep generative adversarial network
CN106096327B (zh) 基于Torch监督式深度学习的基因性状识别方法
CN110070914B (zh) 一种基因序列识别方法、系统和计算机可读存储介质
CN113257337A (zh) 一种基于宏基因组的蛋白质多序列比对方法
CN116580848A (zh) 一种基于多头注意力机制的分析癌症多组学数据方法
CN115170403A (zh) 基于深度元学习和生成对抗网络的字体修复方法及系统
CN112116949B (zh) 基于三元组损失的蛋白质折叠识别方法
JP3964087B2 (ja) 多重変異蛋白質アミノ酸配列の最適化解を算出する方法、装置、およびこの方法の処理を実行するプログラムを記憶する記憶媒体
CN114758721B (zh) 一种基于深度学习的转录因子结合位点定位方法
CN116386733A (zh) 基于多视角多尺度多注意力机制的蛋白质功能预测方法
CN116343908A (zh) 融合dna形状特征的蛋白质编码区域预测方法、介质和装置
CN116312752A (zh) 一种基于等变图神经网络的刚体蛋白质对接方法
CN111354415B (zh) 基因增强的骨架粒子群优化特征选择算法的小鼠唐氏综合征关键蛋白质筛选方法
WO2017169736A1 (ja) 情報処理装置及びプログラム
CN113205855B (zh) 基于知识能量函数优化的膜蛋白三维结构预测方法
CN113539354B (zh) 一种高效预测革兰氏阴性菌ⅲ型和ⅳ型效应蛋白的方法
JP7260934B2 (ja) 生物学的配列に基づく負の配列パターンの類似性分析方法、その実装システム及び媒体
Van Berlo et al. Protein complex prediction using an integrative bioinformatics approach

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