CN113053454A - 分类方法及装置、电子设备和存储介质 - Google Patents

分类方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113053454A
CN113053454A CN202110282215.7A CN202110282215A CN113053454A CN 113053454 A CN113053454 A CN 113053454A CN 202110282215 A CN202110282215 A CN 202110282215A CN 113053454 A CN113053454 A CN 113053454A
Authority
CN
China
Prior art keywords
target
protein
graph
neural network
proteins
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.)
Withdrawn
Application number
CN202110282215.7A
Other languages
English (en)
Inventor
吕国锋
胡志强
毕研广
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 Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent Technology Co Ltd
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 Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202110282215.7A priority Critical patent/CN113053454A/zh
Publication of CN113053454A publication Critical patent/CN113053454A/zh
Withdrawn legal-status Critical Current

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
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本公开涉及一种分类方法及装置、电子设备和存储介质，所述方法包括：获取目标蛋白质的初始编码特征，多个所述目标蛋白质之间形成第一待测作用关系；确定所述目标蛋白质发生相互作用所构成的目标关系图；根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征；根据所述联合编码特征，对所述第一待测作用关系的所属类别进行预测，得到类别预测结果。本公开实施例可以提高对蛋白质相互作用关系进行分类的便捷性、效率和准确度。

Description

分类方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种分类方法及装置、电子设备和存储介质。
背景技术
蛋白质-蛋白质相互作用(Protein-protein interaction，PPI)是指两种或以上的蛋白质结合过程，通常旨在执行其生化功能。PPI在绝大多数生化功能中扮演极其重要的角色，每个PPI的类型可能与多种类型相关联。通过研究这些PPI及其不同的相互作用类型，人们可以更深入了解生物或疾病等信息。
然而，通过生物实验来确定PPI的类型费时费力，如何准确且高效地对PPI的类型进行预测，成为目前一个亟待解决的问题。
发明内容
为克服相关技术中存在的问题，本公开提出了一种分类方案。
根据本公开的一方面，提供了一种分类方法，包括：
获取目标蛋白质的初始编码特征，多个所述目标蛋白质之间形成第一待测作用关系；确定所述目标蛋白质发生相互作用所构成的目标关系图；根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征；根据所述联合编码特征，对所述第一待测作用关系的所属类别进行预测，得到类别预测结果。
在一种可能的实现方式中，所述根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征，包括：根据所述目标关系图，对与所述目标蛋白质发生相互作用的至少一个相邻作用蛋白质的特征进行聚合得到聚合结果；根据所述聚合结果对所述初始编码特征进行更新，得到所述联合编码特征。
在一种可能的实现方式中，所述确定所述目标蛋白质发生相互作用所构成的目标关系图，包括：获取第一预设连接图，其中，所述第一预设连接图包括多个蛋白质所构成的多个节点，以及所述多个蛋白质通过相互作用所形成的节点之间的连接边；以及，根据所述第一预设连接图中所述目标蛋白质连接的节点和/或连接边，确定所述目标蛋白质在相互作用下形成的目标关系图。
在一种可能的实现方式中，所述方法通过目标神经网络实现，所述目标神经网络包括图神经网络；所述根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征，包括：将所述初始编码特征以及所述目标关系图输入所述图神经网络，得到所述图神经网络输出的所述联合编码特征。
在一种可能的实现方式中，所述方法通过目标神经网络实现，所述目标神经网络包括特征提取网络；以及，所述获取目标蛋白质的初始编码特征，包括：通过所述特征提取网络，对所述目标蛋白质中氨基酸序列的全局信息和/或局部信息进行特征提取，得到所述初始编码特征。
在一种可能的实现方式中，所述方法通过目标神经网络实现，所述目标神经网络包括特征提取网络和图神经网络，所述方法还包括：获取训练数据，其中，所述训练数据包含形成第二待测作用关系的蛋白质样本，和所述第二待测作用关系的类别标签；通过所述目标神经网络对所述蛋白质样本进行处理，得到所述第二待测作用关系的类别预测结果；根据所述第二待测作用关系的类别预测结果与所述类别标签，确定所述目标神经网络的误差损失；基于所述误差损失，对所述特征提取网络和所述图神经网络进行共同训练，得到训练后的目标神经网络。
在一种可能的实现方式中，所述获取训练数据，包括：获取第二预设连接图，其中，所述第二预设连接图包括多个蛋白质样本所构成的多个节点，以及所述多个蛋白质样本通过相互作用所形成的节点之间的连接边；统计所述第二预设连接图中包含类别标签的连接边，得到统计结果；根据预设规则，将所述统计结果划分为训练数据和测试数据。
在一种可能的实现方式中，所述根据预设规则，将所述统计结果划分为训练数据和测试数据，包括：在所述统计结果中的多个蛋白质样本发生相互作用关系的数量高于第一预设阈值的情况下，在所述第二预设连接图中，基于随机选定的初始节点进行广度优先搜索，将得到的广度优先搜索结果作为所述测试数据，并将所述统计结果中所述测试数据以外的数据作为所述训练数据；在所述统计结果中的多个蛋白质样本发生相互作用关系的数量低于第二预设阈值的情况下，在所述第二预设连接图中，基于随机选定的初始节点进行深度优先搜索，将得到的深度优先搜索结果作为所述测试数据，并将所述统计结果中所述测试数据以外的数据作为所述训练数据。
根据本公开的一方面，提供了一种分类装置，包括：
初始编码特征获取模块，用于获取目标蛋白质的初始编码特征，多个所述目标蛋白质之间形成第一待测作用关系；目标关系图获取模块，用于确定所述目标蛋白质发生相互作用所构成的目标关系图；联合编码特征获取模块，用于根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征；分类模块，用于根据所述联合编码特征，对所述第一待测作用关系的所属类别进行预测，得到类别预测结果。
在一种可能的实现方式中，所述联合编码特征获取模块用于：根据所述目标关系图，对与所述目标蛋白质发生相互作用的至少一个相邻作用蛋白质的特征进行聚合得到聚合结果；根据所述聚合结果对所述初始编码特征进行更新，得到所述联合编码特征。
在一种可能的实现方式中，所述目标关系图获取模块用于：获取第一预设连接图，其中，所述第一预设连接图包括多个蛋白质所构成的多个节点，以及所述多个蛋白质通过相互作用所形成的节点之间的连接边；以及，根据所述第一预设连接图中所述目标蛋白质连接的节点和/或连接边，确定所述目标蛋白质在相互作用下形成的目标关系图。
在一种可能的实现方式中，所述方法通过目标神经网络实现，所述目标神经网络包括图神经网络；所述联合编码特征获取模块用于：将所述初始编码特征以及所述目标关系图输入所述图神经网络，得到所述图神经网络输出的所述联合编码特征。
在一种可能的实现方式中，所述方法通过目标神经网络实现，所述目标神经网络包括特征提取网络；以及，所述初始编码特征获取模块用于：通过所述特征提取网络，对所述目标蛋白质中氨基酸序列的全局信息和/或局部信息进行特征提取，得到所述初始编码特征。
在一种可能的实现方式中，所述方法通过目标神经网络实现，所述目标神经网络包括特征提取网络和图神经网络，所述装置还用于：获取训练数据，其中，所述训练数据包含形成第二待测作用关系的蛋白质样本，和所述第二待测作用关系的类别标签；通过所述目标神经网络对所述蛋白质样本进行处理，得到所述第二待测作用关系的类别预测结果；根据所述第二待测作用关系的类别预测结果与所述类别标签，确定所述目标神经网络的误差损失；基于所述误差损失，对所述特征提取网络和所述图神经网络进行共同训练，得到训练后的目标神经网络。
在一种可能的实现方式中，所述装置进一步用于：获取第二预设连接图，其中，所述第二预设连接图包括多个蛋白质样本所构成的多个节点，以及所述多个蛋白质样本通过相互作用所形成的节点之间的连接边；统计所述第二预设连接图中包含类别标签的连接边，得到统计结果；根据预设规则，将所述统计结果划分为训练数据和测试数据。
在一种可能的实现方式中，所述装置进一步用于：在所述统计结果中的多个蛋白质样本发生相互作用关系的数量高于第一预设阈值的情况下，在所述第二预设连接图中，基于随机选定的初始节点进行广度优先搜索，将得到的广度优先搜索结果作为所述测试数据，并将所述统计结果中所述测试数据以外的数据作为所述训练数据；在所述统计结果中的多个蛋白质样本发生相互作用关系的数量低于第二预设阈值的情况下，在所述第二预设连接图中，基于随机选定的初始节点进行深度优先搜索，将得到的深度优先搜索结果作为所述测试数据，并将所述统计结果中所述测试数据以外的数据作为所述训练数据。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，可以获取目标蛋白质的初始编码特征，以及确定目标蛋白质发生相互作用的目标关系图，从而根据目标关系图对目标蛋白质的初始编码特征进行进一步提取来得到联合编码特征，并根据联合编码特征来预测目标蛋白质形成的第一待测作用关系的所属类别。通过上述过程，根据本公开实施例提供的分类方法及装置、电子设备和存储介质，一方面可以自动对目标蛋白质形成的第一待测作用关系的所属类别进行预测，提高了对蛋白质相互作用关系进行分类的便捷性和效率；另一方面，目标蛋白质的联合编码特征充分考虑到该目标蛋白质与各种蛋白质发生相互作用的相关信息，使得基于该联合编码特征所得到的类别预测结果更加准确，提高了对蛋白质相互作用关系的类别预测的准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的分类方法的流程图。
图2示出根据本公开一实施例的第一预设连接图。
图3示出根据本公开一实施例的特征提取网络的网络结构示意图。
图4示出根据本公开一实施例的图神经网络的处理过程示意图。
图5示出根据本公开一实施例的分类神经网络的处理过程示意图。
图6示出根据本公开一实施例的随机划分训练数据和测试数据的示意图。
图7示出根据本公开一实施例的通过广度优先搜索得到测试数据的示意图。
图8示出根据本公开一实施例的通过深度优先搜索得到测试数据的示意图。
图9示出根据本公开实施例的分类装置的框图。
图10示出根据本公开一应用示例的示意图。
图11示出根据本公开实施例的一种电子设备800的框图。
图12示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的分类方法的流程图，该方法可以应用于分类装置，分类装置可以为终端设备、服务器或者其他处理设备等。其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中，该分类方法也可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示，在一种可能的实现方式中，所述分类方法可以包括：
步骤S11，获取目标蛋白质的初始编码特征，多个目标蛋白质之间形成第一待测作用关系。
不同的蛋白质可以通过生化反应产生蛋白质-蛋白质相互作用(PPI)，而这些PPI可能存在不同的作用关系类型，比如蛋白质反应、蛋白质结合、蛋白质翻译后修饰(Proteintranslational modifications,PTMs)、蛋白质激活、蛋白质抑制、蛋白质催化或是蛋白质表达等。因此，在本公开实施例中，第一待测作用关系可以是任意需要确定类别的PPI，而目标蛋白质则可以是形成该第一待测作用关系的蛋白质，在一种可能的实现方式中，目标蛋白质可以包括相互发生生化反应的两种蛋白质；在一些可能的实现方式中，目标蛋白质也可以包括发生生化反应的两种以上的蛋白质。后续各公开实施例中，均以对形成第一待测作用关系中的某个蛋白质为目标蛋白质为例，来说明目标蛋白质的特征提取等处理过程，形成第一待测作用关系的另一个或多个蛋白质的处理过程可以参考后续各公开实施例进行灵活选择，形成第一待测作用关系的多个目标蛋白质的处理过程可以相同，也可以有所变化，在本公开实施例中不做限制。
目标蛋白质的初始编码特征，可以是对目标蛋白质中包含的氨基酸序列通过编码进行特征提取所得到的特征信息。获取目标蛋白质的初始编码特征的方式在本公开实施例中不做限制，比如可以通过预定的编码方式对目标蛋白质进行编码来得到初始编码特征，或是通过具有蛋白质特征提取功能的神经网络来获取目标蛋白质的初始编码特征等，详见下述各公开实施例，在此先不做展开。
步骤S12，确定目标蛋白质发生相互作用所构成的目标关系图。
其中，目标关系图可以包括：与目标蛋白质发生相互作用的相关蛋白质，以及这些相关蛋白质与目标蛋白质所形成的作用关系等。相关蛋白质可以为与目标蛋白质发生相互作用的任意的蛋白质，比如与目标蛋白质发生第一待测作用关系的另一个目标蛋白质，以及与目标蛋白质发生已知类别的作用关系的其他蛋白质等。获取目标关系图的方式可以根据实际情况灵活决定，比如可以从包含所有蛋白质的相互作用关系的结构图中提取目标蛋白质对应的目标关系图，或是根据目标蛋白质本身的结构来查找与目标蛋白质发生相互作用的相关蛋白质以及对应的PPI等。步骤S12的实现方式也可以参考下述各公开实施例，在此先不做展开。
步骤S13，根据初始编码特征和目标关系图，对目标蛋白质进行特征提取，得到目标蛋白质的联合编码特征。
其中，目标蛋白质的联合编码特征，可以是在初始编码特征的基础上，结合了目标关系图中相关蛋白质的特征信息的联合特征信息。
获取目标蛋白质的联合编码特征的方式同样可以根据实际情况灵活决定，比如可以通过具有特征融合功能的神经网络或是图神经网络等，来将初始编码特征与目标关系图中的蛋白质特征进行融合，从而得到联合编码特征等，步骤S13的实现方式同样可以详见下述各公开实施例。
步骤S14，根据联合编码特征，对第一待测作用关系的所属类别进行预测，得到类别预测结果。
其中，第一待测关系的所属类别可以包括上述公开实施例中提到的蛋白质反应、蛋白质结合、蛋白质翻译后修饰、蛋白质激活、蛋白质抑制、蛋白质催化或是蛋白质表达中的一种或多种，具体包含哪些类别可以根据实际情况灵活决定。
得到的类别预测结果也可以有多种形式，在一种可能的实现方式中，第一待测作用关系的类别预测结果可以包括其在多种类别下各自的预测概率；在一种可能的实现方式中，第一待测作用关系的类别预测结果也可以为多种类别中，具有最大预测概率的类别等，选择何种形式可以根据实际情况灵活决定。
对第一待测作用关系的所属类别进行预测的方式在本公开实施例中同样不做限制，在一种可能的实现方式中，可以通过上述步骤S11至步骤S13，分别确定形成该第一待测作用关系的多个蛋白质各自的联合编码特征，然后将这些联合编码特征进行融合，再基于融合结果进行分类，以得到第一待测作用关系的类别预测结果。
其中，将联合编码特征进行融合的方式在本公开实施例中不做限制，在一种可能的实现方式中，可以将联合编码特征进行点乘；在一些可能的实现方式中，还可以将这些联合编码特征进行连接、相加或卷积等各类操作。
对融合结果进行分类的方式在本公开实施例中也不做限制，在一些可能的实现方式中，可以通过具有分类功能的神经网络或是神经网络层，来对融合结果进行分类；在一些可能的实现方式中，也可以通过相关的分类算法，来对融合结果进行分类等。
根据本公开实施例提供的分类方法及装置、电子设备和存储介质，一方面可以自动对目标蛋白质形成的第一待测作用关系的所属类别进行预测，提高了对蛋白质相互作用关系进行分类的便捷性和效率；另一方面，目标蛋白质的联合编码特征充分考虑到该目标蛋白质与各种蛋白质发生相互作用的相关信息，使得基于该联合编码特征所得到的类别预测结果更加准确，提高了对蛋白质相互作用关系的类别预测的准确度。
在一种可能的实现方式中，步骤S12可以包括：
获取第一预设连接图，其中，第一预设连接图包括多个蛋白质所构成的多个节点，以及多个蛋白质通过相互作用所形成的节点之间的连接边；
根据第一预设连接图中目标蛋白质连接的节点和/或连接边，确定目标蛋白质在相互作用下形成的目标关系图。
其中，第一预设连接图，可以是表示多个蛋白质之间作用关系的任意图结构，其形式在本公开实施例中不做限制，可以根据实际情况灵活决定。图2示出根据本公开一实施例的第一预设连接图，如图2所示，在一种可能的实现方式中，第一预设连接图可以通过节点和连接边的形式，对多个蛋白质之间的作用关系进行表示，其中，节点可以表示各个蛋白质的种类，连接边则可以表示其连接的蛋白质之间发生相互作用关系而形成的作用关系PPI，在一些可能的实现方式中，在第一预设连接图中包含某些已知类别的PPI的情况下，第一预设连接图中的连接边可以显示对应的PPI的类别。
在一些可能的实现方式中，第一预设连接图也可以通过数据的形式进行表示，比如通过数据的形式记录各个蛋白质的种类，通过指针或是其他的数据形式来记录不同种蛋白质之间是否形成PPI以及PPI的类别等。
在一种可能的实现方式中，第一预设连接图可以是生物研究领域中的蛋白质互作网络图(PPI Graph)，该蛋白质互作网络图中可以包括生物研究领域中已知或未知的多种蛋白质，以及这些蛋白质之间发生的已知类别或是未知类别的PPI等。
获取第一预设连接图的形式在本公开实施例中不做限制，可以根据实际情况灵活决定，比如从分类装置中读取预先存储的蛋白质互作网络图，或是从其他设备或存储介质中获取其存储的蛋白质互作网络图等。
由于第一预设连接图中可以包括多个蛋白质所构成的节点以及形成的连接边，因此，在一种可能的实现方式中，可以从该第一预设连接图中得知哪些蛋白质可以与目标蛋白质发生相互作用而形成作用关系。在一种可能的实现方式中，可以将目标蛋白质的节点在图中通过连接边连接的其他节点对应的蛋白质，确定为与目标蛋白质发生相互作用的蛋白质，这些蛋白质中，可以包括与目标蛋白质发生第一待测作用关系的其余目标蛋白质，还可以包括与目标蛋白质发生其他已知或未知作用关系的各种蛋白质。
为了便于后续处理，可以根据第一预设连接图，对目标蛋白质所形成的目标关系图进行提取，即可以将第一预设连接图中，目标蛋白质对应的节点所连接的连接边与其他节点所形成的图结构，作为目标蛋白质对应的目标关系图。从第一预设连接图中提取目标关系图的方式在本公开实施例中不做限制，比如可以对第一预设连接图进行搜索和/或遍历等，如何实现根据实际情况灵活决定即可。
通过获取第一预设连接图，并根据该图中目标蛋白质连接的节点和/或连接边，来确定目标蛋白质形成的目标关系图，通过上述过程，可以利用生物领域中相关的蛋白质相互作用数据，来便捷地确定目标蛋白质形成的目标关系图，提高了整个类别确定方法的效率，且图的形式便于对数据进行获取以及获取到的数据的全面性，使得最终得到的类别预测结果具有更高的准确性。
在一种可能的实现方式中，步骤S13可以包括：
根据目标关系图，对与目标蛋白质发生相互作用的至少一个相邻作用蛋白质的特征进行聚合得到聚合结果；
根据聚合结果对所述初始编码特征进行更新，得到联合编码特征。
其中，相邻作用蛋白质可以是目标关系图中，与目标蛋白质对应的节点通过连接边进行连接的其他节点所对应的蛋白质，随着目标蛋白质的种类不同，其连接到的相邻作用蛋白质的数量也可能不同，可以为一个，也可以为多个。相邻作用蛋白质可以是与目标蛋白质形成第一待测作用的蛋白质，也可以是与目标蛋白质形成其他已知或未知作用的其他蛋白质。
相邻作用蛋白质的特征的获取方式在本公开实施例中不做限制，在一种可能的实现方式中，可以对相邻作用蛋白质中的氨基酸序列进行编码的方式来获取相邻作用蛋白质的特征，在一些可能的实现方式中，也可以参考上述公开实施例中，获取目标蛋白质的初始编码特征的方式，来得到相邻作用蛋白质的特征。
在一种可能的实现方式中，可以对目标蛋白质的所有相邻作用蛋白质的特征进行聚合来得到聚合结果；在一种可能的实现方式中，也可以对目标蛋白质的部分相邻作用蛋白质的特征进行聚合来得到聚合结果；在一种可能的实现方式中，还可以对目标蛋白质的所有或部分相邻作用蛋白质，进行多次聚合，来得到聚合结果，聚合的次数以及每次对哪些相邻作用蛋白质进行聚合，在本公开实施例中均不做限制。
聚合的方式在本公开实施例中也不做限制，可以根据实际情况灵活决定，在一种可能的实现方式中，可以通过相加的形式对相邻作用蛋白质的特征进行聚合，在一些可能的实现方式中，也可以通过相乘、连接或融合等其他形式，来实现相邻作用蛋白质的特征的聚合。
基于聚合结果，可以对初始编码特征进行更新，更新的方式在本公开实施例中也不做限制，不局限于下述各公开实施例，在一些可能的实现方式中，可以根据聚合结果对初始编码特征进行其中部分信息的更改，或是将聚合结果与初始编码特征进行相乘等，来更新初始编码特征以得到联合编码特征。
在一些可能的实现方式中，上述聚合与更新的过程可以迭代多次，来得到更为准确的联合编码特征。迭代的次数在本公开实施例中同样不做限制，在一个示例中，通过迭代来获取联合编码特征的方式可以通过下述公式(1)和(2)进行表示：
Figure BDA0002979025700000081
Figure BDA0002979025700000082
其中，公式(1)中
Figure BDA0002979025700000083
为第k-1次迭代的相邻作用蛋白质对应的节点p'的特征，Ν(p)表示目标蛋白质的目标关系图，Agg(·)表示基于目标关系图对
Figure BDA0002979025700000084
进行聚合，以得到第k次迭代的目标蛋白质对应的节点p的特征的聚合结果
Figure BDA0002979025700000091
公式(2)中
Figure BDA0002979025700000092
为第k-1次迭代中目标蛋白质对应的节点p的联合编码特征，Update(·)表示通过公式(1)获取的聚合结果
Figure BDA0002979025700000093
更新
Figure BDA0002979025700000094
以得到第k次迭代中目标蛋白质对应的节点p的联合编码特征
Figure BDA0002979025700000095
基于上述公式(1)和(2)，进行不断迭代，并在每次迭代中对相邻作用蛋白质的特征进行聚合，以及根据聚合结果对目标蛋白质的特征进行不断更新，可以得到目标蛋白质的联合编码特征，该联合编码特征可以将与目标蛋白质发生相互作用的相邻作用蛋白质的特征进行较好的聚合。
在本公开实施例中，通过根据目标关系图，对至少一个相邻作用蛋白质的特征进行聚合得到聚合结果，并根据聚合结果对初始编码特征进行更新，通过上述过程，可以利用蛋白质之间通过相互作用所形成的紧密联系关系，来从目标蛋白质的相邻蛋白质中学习到有效的特征信息，从而即使在对目标蛋白质的结构未知的情况下，也可以获得准确且全面的目标蛋白质的高阶特征表示来作为联合编码特征，继而提升后续基于该联合编码特征来进行分类预测的准确性。
在一种可能的实现方式中，本公开实施例中提出的方法还可以通过目标神经网络来实现，目标神经网络可以是一个端到端的神经网络，可以对输入到目标神经网络的目标蛋白质的信息通过本公开实施例中提出的分类方法进行处理，以得到目标蛋白质形成的第一预测作用关系的类别预测结果。在一些可能的实现方式中，目标神经网络也可以包含一个或多个神经网络，通过相互配合来实现本公开实施例提出的分类方法。
在一种可能的实现方式中，目标神经网络可以包括特征提取网络，该特征提取网络可以用于获取目标蛋白质的初始编码特征，在这种情况下，步骤S11可以包括：
通过特征提取网络，对目标蛋白质中氨基酸序列的全局信息和/或局部信息进行特征提取，得到初始编码特征。
其中，特征提取网络可以是具有蛋白质特征提取功能的任意神经网络，其实现方式不局限于本公开提出的实施例。在一种可能的实现方式中，可以将目标蛋白质的相关信息作为输入数据输入至特征提取网络，特征提取网络则可以对输入数据进行处理来实现目标蛋白质的特征提取，从而得到目标蛋白质的初始编码特征作为输出数据。
其中，输入至特征提取网络的目标蛋白质的相关信息，可以是目标蛋白质的原始编码信息，比如可以是对目标蛋白质中的氨基酸序列通过嵌入(Embedding)等方式提取出的原始编码信息等。在一些可能的实现方式中，该原始编码信息，也可以是对目标蛋白质中氨基酸序列进行编码或序列化所得到的相关信息等。
在一些可能的实现方式中特征提取网络与通过其包含的一个或多个神经网络层，对目标蛋白质中氨基酸序列的全局信息提取和/或局部信息进行提取，从而得到初始编码特征，提取的方式可以根据特征提取网络本身的网络结构而灵活发生变化。
图3示出根据本公开一实施例的特征提取网络的网络结构示意图，如图所示，在一个示例中，特征提取网络可以包括依次连接的卷积层、池化层(Pooling)、双向门控递归单元(BiGRU)层以及全连接层(FC)所构成。在一些可能的实现方式中，特征提取网络还可以包括位于BiGRU层与全连接层之间的全局池化层(GAP)。
在一个示例中，卷积层可以是一维卷积层(Conv1d)，该一维卷积层可以结合目标蛋白质的氨基酸序列中连续的k个氨基酸特征，池化层则可以对一维卷积层输出的特征信息进行池化，在节省计算开销的同时保留其中最显著的特征，通过一维卷积层和池化层的配合，可以对目标蛋白质中氨基酸序列的局部特征进行自适应地编码。
BiGRU可以从两个方向对氨基酸序列的信息进行表征，进一步地，将BiGRU输出的特征通过GAP和FC进行处理，则可以得到目标蛋白质通过独立编码所提取到的一维序列特征，通过上述过程可以看出，该一维序列信息提取了目标蛋白质中各氨基酸序列的局部信息与全局信息。
通过特征提取网络，来对目标蛋白质中氨基酸序列的全局信息和/或局部信息进行特征提取，来得到初始编码特征，通过上述过程，可以利用神经网络，根据目标蛋白质本身独立的信息，对目标蛋白质的特征进行较为全面和准确地提取，从而得到具有较高精度的初始编码特征，继而提升后续得到的联合编码特征的精度，以及类别预测结果的准确性。
在一种可能的实现方式中，目标神经网络还可以包括图神经网络(Graph NeuralNetworks，GNN)，在这种情况下，步骤S13可以包括：
将初始编码特征以及目标关系图输入图神经网络，得到图神经网络输出的联合编码特征。
其中，初始编码特征与目标关系图可以作为图神经网络的输入数据，该图神经网络可以基于输入的目标关系图对初始编码特征进行进一步特征提取，来得到联合编码特征作为输出数据。
图神经网络的结构可以根据实际情况灵活选择，在本公开实施例中不做限定；图神经网络基于目标关系图对初始编码特征进行处理的方式则可以根据图神经网络的结构灵活发生变化，不局限于下述各公开实施例。
图4示出根据本公开一实施例的图神经网络的处理过程示意图，如图所示，在一个示例中，图神经网络可以将目标关系图中目标蛋白质连接的相邻作用蛋白质的特征进行聚合，并基于聚合结果对初始编码特征的特征进行更新，以得到联合编码特征。
在一个示例中，该图神经网络可以通过图同构网络(Graph IsomorphismNetwork，GIN)来实现，在这种情况下，该图神经网络中可以将求和作为聚合函数来对相邻作用蛋白质的特征进行聚合，采用两层的全连接层作为更新函数，来实现基于结果对初始编码特征的更新，在这种情况下，通过图神经网络来得到联合编码特征的方式可以通过下述公式(3)进行表示：
Figure BDA0002979025700000111
其中，k为迭代次数，
Figure BDA0002979025700000112
为第k次迭代中目标蛋白质对应的节点p的联合编码特征，MLP为多层感知器，ε可以是图神经网络中通过训练进行更新的参数或是固定的标量，
Figure BDA0002979025700000113
为第k-1次迭代中目标蛋白质对应的节点p的联合编码特征，
Figure BDA0002979025700000114
为第k-1次迭代中相邻作用蛋白质对应的节点p'的特征，Ν(p)为目标关系图。
通过将初始编码特征以及目标关系图输入图神经网络，得到图神经网络输出的联合编码特征，可以利用图神经网络，对与目标蛋白质发生相互作用的相邻作用蛋白质的特征信息进行有效的学习，并融合到联合编码特征中，从而使得得到的联合编码特征中的信息更加全面准确，继而提高后续得到的类别预测结果的准确性。
在一些可能的实现方式中，目标神经网络还可以包括分类神经网络，在这种情况下，步骤S14可以包括：
将多个目标蛋白质对应的联合编码特征均输入至分类神经网络，根据分类神经网络的输出，得到第一待测作用关系的类别预测结果。
其中，分类神经网络的结构在本公开实施例中不做限制，可以是具有分类功能的完整神经网络，也可以是具有分类功能的一个或多个神经网络层。在一个示例中，分类神经网络可以包括依次连接的融合层和分类器，融合层和分类器的具体实现方式同样可以灵活选择。在一个示例中，该融合层可以通过点乘操作来实现，该分类器可以为全连接层。
图5示出根据本公开一实施例的分类神经网络的处理过程示意图，如图所示，在一个示例中，该分类神经网络可以对输入的多个目标蛋白质的联合编码特征通过融合层中的乘法器(MUL)进行点乘操作，并将得到的点乘操作结果通过分类器进行分类，得到类别预测结果。
通过将多个目标蛋白质对应的联合编码特征均输入分类神经网络，从而根据分类神经网络的输出得到第一待测作用关系的类别预测结果，通过上述过程，可以利用形成第一待测作用的各目标蛋白质的联合编码特征，对其之间发生的第一待测作用进行较为准确且高效的分类，从而可以高效准确地得到第一待测作用的类别预测结果。
在一种可能的实现方式中，目标神经网络可以同时包含上述各公开实施例中提到的各神经网络，比如特征提取网络、图神经网络以及分类神经网络的一种或多种等。
在一种可能的实现方式中，目标神经网络可以包括特征提取网络和图神经网络，本公开实施例提出的方法还可以包括：
获取训练数据，其中，训练数据包含形成第二待测作用关系的蛋白质样本，和第二待测作用关系的类别标签；
通过目标神经网络对蛋白质样本进行处理，得到第二待测作用关系的类别预测结果；
根据第二待测作用关系的类别预测结果与类别标签，确定目标神经网络的误差损失；
基于误差损失，对特征提取网络和图神经网络进行共同训练，得到训练后的目标神经网络。
其中，训练数据可以是用于对目标神经网络进行训练的任意数据，其包含的数据数量与数据内容在本公开实施例中不做限制。如上所述，在一种可能的实现方式中，训练数据可以包含蛋白质样本，以及蛋白质样本形成的第二待测作用关系的类别标签。
获取训练数据的方式可以根据实际情况灵活选择，比如从已有的相关数据集中进行随机选择来得到训练数据，或是已一定的规则筛选训练数据等，其实现形式可以详见下述各公开实施例，在此先不做展开。
其中，第二待测作用关系则可以是任意已知类别的蛋白质之间的作用关系，其已知的类别可以作为该第二待测作用关系的类别标签；蛋白质样本可以是形成该第二待测作用关系的任意蛋白质，既可以是生物学中已知的蛋白质，也可以是未知的蛋白质，其实现形式在本公开实施例中不做限制。
在一种可能的实现方式中，可以将形成第二待测作用关系的蛋白质样本作为目标蛋白质，输入到目标神经网络中，则目标神经网络可以通过上述各公开实施例中提出的分类方法，对第二待测作用关系的所属类别进行预测，得到类别预测结果。在这种情况下，则可以根据第二待测作用关系的类别预测结果，与该第二待测作用关系的类别标签中所标注的实际类别之间的差异，来确定目标神经网络的误差损失，继而根据误差损失对目标神经网络中包含的各神经网络进行共同训练，来得到训练后的目标神经网络。
确定误差损失的方式在本公开实施例中不做限制，可以根据实际情况灵活选择损失函数来计算误差损失，不局限于下述各公开实施例。在一种可能的实现方式中，可以选择多类别二元交叉熵损失函数(Multi Binary Cross-entropy)来计算误差损失，在一个示例中，基于该损失函数确定误差损失的过程可以通过下述公式(4)进行表示：
Figure BDA0002979025700000121
其中，L为误差损失，n为预测的类别数量，t为其中的第t个类别，χtrain为训练数据，xij为蛋白质样本i和蛋白质样本j形成的第二待测作用关系，
Figure BDA0002979025700000122
为第二待测作用关系在第t个类别下的类别标签，
Figure BDA0002979025700000123
为第二待测作用关系在第t个类别下的的类别预测结果。
通过上述公式可以看出，在一种可能的实现方式中，可以基于第二待测作用关系在多个类别下的类别预测结果以及类别标签，来共同确定损失函数，从而使得训练后的目标神经网络可以对待测作用关系在多种类别下进行分类。
其中，共同训练可以是对目标神经网络中的各神经网络的参数共同进行更新，比如可以对特征提取网络和图神经网络中的参数进行共同更新；或是对特征提取网络、图神经网络以及分类神经网络中的参数共同进行更新等。
通过获取训练数据，从而基于训练数据中的类别标签来确定目标神经网络的误差损失，继而根据误差损失来对特征提取网络和图神经网络等进行共同训练，得到训练后的目标神经网络，通过上述过程，可以通过端对端的方式实现目标神经网络中多个网络的联合优化，继而令多个网络之间的联系更加紧密，从而使得该目标神经网络输出的类别预测结果更加精确，提高分类精度。
在一种可能的实现方式中，获取训练数据，可以包括：
获取第二预设连接图，其中，第二预设连接图包括多个蛋白质样本所构成的多个节点，以及多个蛋白质样本通过相互作用所形成的节点之间的连接边；
统计第二预设连接图中包含类别标签的连接边，得到统计结果；
根据预设规则，将统计结果划分为训练数据和测试数据。
其中，第二预设连接图的实现方式可以参考上述各公开实施例中关于第一预设连接图的实现方式，在此不再赘述。在一些可能的实现方式中，第二预设连接图可以与第一预设连接图相同；在一些可能的实现方式中，第二预设连接图也可以与第一预设连接图不同。
在一些可能的实现方式中，第二预设连接图中可以包括已知类别和/或未知类别的PPI等，因此，可以统计图中已知类别的PPI以及这些PPI连接的蛋白质节点，来得到统计结果。
在一种可能的实现方式中，统计结果可以均作为训练数据来对目标神经网络进行训练；在一些可能的实现方式中，也可以将统计结果划分为训练数据和测试数据，其中训练数据可以对目标神经网络进行训练，测试数据可以对目标神经网络进行测试，从而验证目标神经网络的分类效果。
在一种可能的实现方式中，可以将统计结果随机划分为训练数据和测试数据。图6示出根据本公开一实施例的随机划分训练数据和测试数据的示意图，其中实线连接边对应的第二待测作用关系属于训练数据，而虚线连接边对应的第二待测作用关系属于测试数据。从图中可以看出，实现连接边与虚线连接边很有可能连接到相同的蛋白质样本节点，说明随机划分的测试数据中，形成第二待测作用关系的蛋白质样本，很有也存在于训练数据中，在这种情况下，对于其他未出现在训练数据中的蛋白质所形成的待测作用关系，目标神经网络的预测结果是否准确，将无法通过测试数据对应的测试结果所体现。
因此，在一种可能的实现方式中，可以通过预设规则来划分统计结果中的训练数据和测试数据。预设规则可以是降低测试数据与训练数据中蛋白质样本重合程度的任意规则，预设规则对应的划分方式，可以根据实际情况灵活选择，详见下述各公开实施例，在此先不做展开。
通过设置预设规则来将统计结果划分为训练数据和测试数据，可以降低测试数据与训练数据中蛋白质样本的重合程度，从而增加测试数据集中未出现在训练数据中的蛋白质样本的比例，继而使得测试结果可以更好地反映出目标神经网络的可拓展性，更为准确地对目标神经网络的分类效果进行验证。
在一种可能的实现方式中，根据预设规则，将统计结果划分为训练数据和测试数据，包括：
在统计结果中的多个蛋白质样本发生相互作用关系的数量高于第一预设阈值的情况下，在第二预设连接图中，基于随机选定的初始节点进行广度优先搜索，将得到的广度优先搜索结果作为测试数据，并将统计结果中测试数据以外的数据作为训练数据；
在统计结果中的多个蛋白质样本发生相互作用关系的数量低于第二预设阈值的情况下，在第二预设连接图中，基于随机选定的初始节点进行深度优先搜索，将得到的深度优先搜索结果作为测试数据，并将统计结果中测试数据以外的数据作为训练数据。
其中，当统计结果中的蛋白质样本以团状的形式存在于第二预设连接图的情况下，不同蛋白质样本之间的相互作用较为紧密，因此形成作用关系的数量可能较多，则第二预设连接图中的连接边的数量可能较多。而当统计结果中的蛋白质样本以游离的形式存在于第二预设连接图的情况下，不同蛋白质样本之间的相互作用可能较低，则第二预设连接图中的连接边的数量可能较少。
在这种情况下，可以通过判断连接边的数量是否高于第一预设阈值或是是否低于第二预设阈值，来确定不同蛋白质样本之间的相互作用是否紧密。其中，第一预设阈值和第二预设阈值的数值可以根据实际情况灵活设定，在本公开实施例中不做限制。第一预设阈值可以与第二预设阈值相同，也可以不同。
在连接边的数量高于第一预设阈值的情况下，可以在第二预设连接图中，基于随机选定的初始节点进行广度优先搜索(Breadth First Search，BFS)，并将广度优先搜索得到的连接边作为测试数据，将统计结果中属于测试数据以外的其他连接边作为训练数据。图7示出根据本公开一实施例的通过广度优先搜索得到测试数据的示意图，从图中可以看出，实现连接边作为训练数据连接到的蛋白质节点，与虚线连接边作为测试数据连接到的蛋白质节点，二者之间的重合程度较小，因此测试数据可以更好地反映目标神经网络的可拓展性。
其中，初始节点可以随机选定，在本公开实施例中不做限制，在一种可能的实现方式中，由于自然界中未知的蛋白质被发现其可以形成的作用关系数量一般较少，因此存在较少作用关系的蛋白质节点更适合作为训练数据与测试数据，因此可以将第二预设连接图中节点度数较低(即节点连接的连接边数量较少)的节点作为初始节点，从而使得最终得到的训练数据与测试数据可以更加真实。在一个示例中，可以通过比较节点度数是否低于预设的第三预设阈值，来判断该节点是否可以作为初始节点。
在连接边的数量低于第二预设阈值的情况下，可以在第二预设连接图中，随机选取节点和连接边来作为训练数据与测试数据。然而在一些可能的实现方式中，为了提高训练数据与测试数据中蛋白质样本构成的图结构的连通性，可以在第二预设连接图中，基于随机选定的初始节点进行深度优先搜索(Depth First Search，DFS)，并将深度优先搜索得到的连接边作为测试数据，将统计结果中属于测试数据以外的其他连接边作为训练数据。图8示出根据本公开一实施例的通过深度优先搜索得到测试数据的示意图，从图中可以看出，实现连接边作为训练数据连接到的蛋白质节点，与虚线连接边作为测试数据连接到的蛋白质节点，二者之间的重合程度较小，因此测试数据可以更好地反映目标神经网络的可拓展性。
通过上述公开实施例，可以根据第二预设连接图中蛋白质的相互作用程度，随机选择合适的搜索方式，来对统计结果中的训练数据和测试数据进行划分，从而降低训练数据与测试数据中出现相同蛋白质样本的概率，提高测试数据对目标神经网络进行验证的可靠性和可拓展性。
图9示出根据本公开实施例的分类装置20的框图，如图9所示，所述装置包括：
初始编码特征获取模块21，用于获取目标蛋白质的初始编码特征，多个目标蛋白质之间形成第一待测作用关系。
目标关系图获取模块22，用于确定目标蛋白质发生相互作用所构成的目标关系图。
联合编码特征获取模块23，用于根据初始编码特征和目标关系图，对目标蛋白质进行特征提取，得到目标蛋白质的联合编码特征。
分类模块24，用于根据联合编码特征，对第一待测作用关系的所属类别进行预测，得到类别预测结果。
在一种可能的实现方式中，联合编码特征获取模块用于：根据目标关系图，对与目标蛋白质发生相互作用的至少一个相邻作用蛋白质的特征进行聚合得到聚合结果；根据聚合结果对初始编码特征进行更新，得到联合编码特征。
在一种可能的实现方式中，目标关系图获取模块用于：获取第一预设连接图，其中，第一预设连接图包括多个蛋白质所构成的多个节点，以及多个蛋白质通过相互作用所形成的节点之间的连接边；以及，根据第一预设连接图中目标蛋白质连接的节点和/或连接边，确定目标蛋白质在相互作用下形成的目标关系图。
在一种可能的实现方式中，方法通过目标神经网络实现，目标神经网络包括图神经网络；联合编码特征获取模块用于：将初始编码特征以及目标关系图输入图神经网络，得到图神经网络输出的联合编码特征。
在一种可能的实现方式中，方法通过目标神经网络实现，目标神经网络包括特征提取网络；以及，初始编码特征获取模块用于：通过特征提取网络，对目标蛋白质中氨基酸序列的全局信息和/或局部信息进行特征提取，得到初始编码特征。
在一种可能的实现方式中，方法通过目标神经网络实现，目标神经网络包括特征提取网络和图神经网络，装置还用于：获取训练数据，其中，训练数据包含形成第二待测作用关系的蛋白质样本，和第二待测作用关系的类别标签；通过目标神经网络对蛋白质样本进行处理，得到第二待测作用关系的类别预测结果；根据第二待测作用关系的类别预测结果与类别标签，确定目标神经网络的误差损失；基于误差损失，对特征提取网络和图神经网络进行共同训练，得到训练后的目标神经网络。
在一种可能的实现方式中，装置进一步用于：获取第二预设连接图，其中，第二预设连接图包括多个蛋白质样本所构成的多个节点，以及多个蛋白质样本通过相互作用所形成的节点之间的连接边；统计第二预设连接图中包含类别标签的连接边，得到统计结果；根据预设规则，将统计结果划分为训练数据和测试数据。
在一种可能的实现方式中，装置进一步用于：在统计结果中的多个蛋白质样本发生相互作用关系的数量高于第一预设阈值的情况下，在第二预设连接图中，基于随机选定的初始节点进行广度优先搜索，将得到的广度优先搜索结果作为测试数据，并将统计结果中测试数据以外的数据作为训练数据；在统计结果中的多个蛋白质样本发生相互作用关系的数量低于第二预设阈值的情况下，在第二预设连接图中，基于随机选定的初始节点进行深度优先搜索，将得到的深度优先搜索结果作为测试数据，并将统计结果中测试数据以外的数据作为训练数据。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
应用场景示例
图10示出根据本公开一应用示例的示意图，如图所示，本公开应用示例提出了一种分类方法，该方法可以包括如下过程：
为了确定多个目标蛋白质形成的第一待测作用关系的所属类别，可以对多个目标蛋白质分别处理，对各目标蛋白质中的氨基酸序列通过嵌入(Embedding)进行预定义，得到各目标蛋白质的预定义特征。
将该预定义特征输入到目标神经网络中的特征提取网络，得到特征提取网络输出的初始编码特征：
其中，该特征提取网络可以利用目标蛋白质中氨基酸序列的全局信息和局部特征，来提取目标蛋白质的初始编码特征。在一个示例中，特征提取网络包含一维卷积层(Conv1d)，池化层(Pooling)，双向门控递归单元(BiGRU)，全局池化层(GAP)和全连接层(FC)，Conv1d和Pooling可以自适应地编码氨基酸序列的局部特征，其中Conv1d可以结合连续的k个氨基酸特征，Pooling可以节省计算开销的同时保留最显著的特征。随后的BiGRU从两个方向表征序列信息，最后通过GAP和FC获得目标蛋白质通过独立编码所提取的一维序列形式的独立蛋白质编码特征(Protein-Independent Encoding，PIE)，作为初始编码特征。
根据蛋白质互作网络图(PPI Graph)，确定与目标蛋白质发生相互作用的一个或多个相邻作用蛋白质，以及目标蛋白质与相邻作用蛋白质所构成的目标关系图。
将目标蛋白质的初始编码特征和目标关系图输入至图神经网络(GNN)中，使用GNN在目标关系图中对目标蛋白质进一步的提取特征，得到目标蛋白质的联合编码特征：
其中，GNN可以迭代聚合相邻作用蛋白质的特征并更新目标蛋白质的特征，在一个示例中，可以使用GIN来作为GNN，其中，GIN可以对相邻作用蛋白质的特征进行相加来作为聚合函数，并将两层的全连接层作为更新函数来更新目标蛋白质的特征，从而得到蛋白质图编码特征(Protein-Graph Encoding，PGE)，来作为目标蛋白质的联合编码特征。
将形成第一待测作用关系的多个目标蛋白质的联合编码特征，通过乘法器(MUL)进行点乘，得到第一待测作用关系的特征表示，并将该第一待测作用关系的特征表示输入至分类器中，可以得到分类器输出的类别预测结果，其中，该类别预测结果可以包括第一待测作用关系在多种类别下的预测概率。
在一些可能的实现方式中，本公开应用示例还可以包括对目标神经网络通过训练数据进行训练的过程。
其中，在训练过程中，可以通过端对端的方式，对特征提取网络和图神经网络的参数进行共同优化，在一个示例中，还可以使用Multi Binary Cross-entropy来计算目标神经网络的误差损失。
训练数据则可以从蛋白质互作网络图中获得，如图10所示，在本公开应用示例中，可以将蛋白质互作网络图中包含类别标签的连接边，划分为训练数据和测试数据。其中，蛋白质互作网络图中的蛋白质可能存在两种场景，分别为：
a.蛋白质以团状的形式存在于蛋白质互作网络图中，相互间相互作用紧密。
b.蛋白质以游离的形式存在于蛋白质互作网络图中，相互间相互作用较低。
针对场景a，可以通过BFS搜索方法得到蛋白质样本节点与连接边来作为测试数据；而对于场景b，可以随机进行划分以得到测试数据和训练数据，在一种可能的实现方式中，为了提升目标关系图的连通性，也可以使用DFS搜索方法得到蛋白质样本节点与连接边来作为测试数据。在一个示例中，由于节点度数越少的蛋白质与现实中未知的蛋白质更加类似，可以选取节点度数较低的蛋白质样本节点作为搜索的初始节点(根节点)，从而遍历更多的未知蛋白质。
通过本公开应用示例，一方面可以通过图神经网络考虑到目标蛋白质在蛋白质互作网络图中的相关性，从而从目标蛋白质的相邻作用蛋白中聚合特征信息，使得目标神经网络即便在面对未知的目标蛋白质的情况下，依然可以根据它的相邻作用蛋白质中获得目标蛋白质的高阶特征表示(即联合编码特征)，从而有效的预测目标蛋白质形成的第一待测作用关系的多标签类别。另一方面。通过BFS或DFS来划分训练数据和测试数据，可以使得测试数据中至少包含一个未在训练数据中出现过的蛋白质样本，从而使得测试结果可以更好地反映目标神经网络的可拓展性。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图11示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图11，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图12示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图12，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种分类方法，其特征在于，所述方法包括：
获取目标蛋白质的初始编码特征，多个所述目标蛋白质之间形成第一待测作用关系；
确定所述目标蛋白质发生相互作用所构成的目标关系图；
根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征；
根据所述联合编码特征，对所述第一待测作用关系的所属类别进行预测，得到类别预测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征，包括：
根据所述目标关系图，对与所述目标蛋白质发生相互作用的至少一个相邻作用蛋白质的特征进行聚合得到聚合结果；
根据所述聚合结果对所述初始编码特征进行更新，得到所述联合编码特征。
3.根据权利要求1或2所述的方法，其特征在于，所述确定所述目标蛋白质发生相互作用所构成的目标关系图，包括：
获取第一预设连接图，其中，所述第一预设连接图包括多个蛋白质所构成的多个节点，以及所述多个蛋白质通过相互作用所形成的节点之间的连接边；以及，
根据所述第一预设连接图中所述目标蛋白质连接的节点和/或连接边，确定所述目标蛋白质在相互作用下形成的目标关系图。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述方法通过目标神经网络实现，所述目标神经网络包括图神经网络；
所述根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征，包括：
将所述初始编码特征以及所述目标关系图输入所述图神经网络，得到所述图神经网络输出的所述联合编码特征。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述方法通过目标神经网络实现，所述目标神经网络包括特征提取网络；以及，
所述获取目标蛋白质的初始编码特征，包括：
通过所述特征提取网络，对所述目标蛋白质中氨基酸序列的全局信息和/或局部信息进行特征提取，得到所述初始编码特征。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述方法通过目标神经网络实现，所述目标神经网络包括特征提取网络和图神经网络，
所述方法还包括：
获取训练数据，其中，所述训练数据包含形成第二待测作用关系的蛋白质样本，和所述第二待测作用关系的类别标签；
通过所述目标神经网络对所述蛋白质样本进行处理，得到所述第二待测作用关系的类别预测结果；
根据所述第二待测作用关系的类别预测结果与所述类别标签，确定所述目标神经网络的误差损失；
基于所述误差损失，对所述特征提取网络和所述图神经网络进行共同训练，得到训练后的目标神经网络。
7.根据权利要求6所述的方法，其特征在于，所述获取训练数据，包括：
获取第二预设连接图，其中，所述第二预设连接图包括多个蛋白质样本所构成的多个节点，以及所述多个蛋白质样本通过相互作用所形成的节点之间的连接边；
统计所述第二预设连接图中包含类别标签的连接边，得到统计结果；
根据预设规则，将所述统计结果划分为训练数据和测试数据。
8.根据权利要求7所述的方法，其特征在于，所述根据预设规则，将所述统计结果划分为训练数据和测试数据，包括：
在所述统计结果中的多个蛋白质样本发生相互作用关系的数量高于第一预设阈值的情况下，在所述第二预设连接图中，基于随机选定的初始节点进行广度优先搜索，将得到的广度优先搜索结果作为所述测试数据，并将所述统计结果中所述测试数据以外的数据作为所述训练数据；
在所述统计结果中的多个蛋白质样本发生相互作用关系的数量低于第二预设阈值的情况下，在所述第二预设连接图中，基于随机选定的初始节点进行深度优先搜索，将得到的深度优先搜索结果作为所述测试数据，并将所述统计结果中所述测试数据以外的数据作为所述训练数据。
9.一种分类装置，其特征在于，所述装置包括：
初始编码特征获取模块，用于获取目标蛋白质的初始编码特征，多个所述目标蛋白质之间形成第一待测作用关系；
目标关系图获取模块，用于确定所述目标蛋白质发生相互作用所构成的目标关系图；
联合编码特征获取模块，用于根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征；
分类模块，用于根据所述联合编码特征，对所述第一待测作用关系的所属类别进行预测，得到类别预测结果。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
CN202110282215.7A 2021-03-16 2021-03-16 分类方法及装置、电子设备和存储介质 Withdrawn CN113053454A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110282215.7A CN113053454A (zh) 2021-03-16 2021-03-16 分类方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110282215.7A CN113053454A (zh) 2021-03-16 2021-03-16 分类方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113053454A true CN113053454A (zh) 2021-06-29

Family

ID=76512866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110282215.7A Withdrawn CN113053454A (zh) 2021-03-16 2021-03-16 分类方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113053454A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515468A (zh) * 2021-09-14 2021-10-19 成都时识科技有限公司 数据更新方法和存储空间设置方法及装置、芯片、设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515468A (zh) * 2021-09-14 2021-10-19 成都时识科技有限公司 数据更新方法和存储空间设置方法及装置、芯片、设备
CN113515468B (zh) * 2021-09-14 2021-11-30 成都时识科技有限公司 数据更新方法和存储空间设置方法及装置、芯片、设备

Similar Documents

Publication Publication Date Title
CN109829433B (zh) 人脸图像识别方法、装置、电子设备及存储介质
US20210232847A1 (en) Method and apparatus for recognizing text sequence, and storage medium
CN110210535B (zh) 神经网络训练方法及装置以及图像处理方法及装置
CN112149740B (zh) 目标重识别方法、装置、存储介质及设备
CN111931844B (zh) 图像处理方法及装置、电子设备和存储介质
CN110782034A (zh) 神经网络的训练方法、装置及存储介质
CN110909815B (zh) 神经网络训练、图像处理方法、装置及电子设备
KR20220009965A (ko) 네트워크 트레이닝 방법 및 장치, 타깃 검출 방법 및 장치와 전자 기기
CN111581488A (zh) 一种数据处理方法及装置、电子设备和存储介质
CN109615006B (zh) 文字识别方法及装置、电子设备和存储介质
EP3901827B1 (en) Image processing method and apparatus based on super network, intelligent device and computer storage medium
CN110781934A (zh) 监督学习、标签预测方法及装置、电子设备和存储介质
JP2022522551A (ja) 画像処理方法及び装置、電子機器並びに記憶媒体
CN109145970B (zh) 基于图像的问答处理方法和装置、电子设备及存储介质
CN110659690B (zh) 神经网络的构建方法及装置、电子设备和存储介质
CN110867254A (zh) 预测方法及装置、电子设备和存储介质
CN112598063A (zh) 神经网络生成方法及装置、电子设备和存储介质
CN113269307B (zh) 神经网络训练方法以及目标重识别方法
CN113792207A (zh) 一种基于多层次特征表示对齐的跨模态检索方法
CN111582383B (zh) 属性识别方法及装置、电子设备和存储介质
CN113326768A (zh) 训练方法、图像特征提取方法、图像识别方法及装置
CN111523599B (zh) 目标检测方法及装置、电子设备和存储介质
CN113781518B (zh) 神经网络结构搜索方法及装置、电子设备和存储介质
CN111814538A (zh) 目标对象的类别识别方法、装置、电子设备及存储介质
CN113053454A (zh) 分类方法及装置、电子设备和存储介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210629