CN115239999A - 蛋白质电子密度图处理方法、装置、电子设备和存储介质 - Google Patents

蛋白质电子密度图处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN115239999A
CN115239999A CN202210869599.7A CN202210869599A CN115239999A CN 115239999 A CN115239999 A CN 115239999A CN 202210869599 A CN202210869599 A CN 202210869599A CN 115239999 A CN115239999 A CN 115239999A
Authority
CN
China
Prior art keywords
classification result
result
atom
amino acid
decoding layer
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
CN202210869599.7A
Other languages
English (en)
Other versions
CN115239999B (zh
Inventor
郭良越
刘海宾
李盼
刘丙华
郭春龙
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.)
Shuimu Future Beijing Technology Co ltd
Original Assignee
Shuimu Future Beijing 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 Shuimu Future Beijing Technology Co ltd filed Critical Shuimu Future Beijing Technology Co ltd
Priority to CN202210869599.7A priority Critical patent/CN115239999B/zh
Publication of CN115239999A publication Critical patent/CN115239999A/zh
Application granted granted Critical
Publication of CN115239999B publication Critical patent/CN115239999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种蛋白质电子密度图处理方法、装置、电子设备和存储介质。所述方法包括：获取待处理蛋白质电子密度图的三维图像块；将三维图像块输入图像处理网络模型的编码层进行特征提取处理，获得第一特征；根据第一特征以及各解码层的前一个网络层级的输出信息，获得注意力信息；根据注意力信息，以及解码层对前一个网络层级的输出信息的处理结果，获得解码层的输出信息，根据解码层的输出信息，获得原子分类结果、区域分类结果以及氨基酸分类结果。根据所述方法，可获得解码层的注意力信息，通过相同参数的编码层进行处理，并分别解码获取原子分类结果、区域分类结果以及氨基酸分类结果，提升三种结果之间的关联性、准确性和鲁棒性。

Description

蛋白质电子密度图处理方法、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，尤其涉及一种蛋白质电子密度图处理方法、装置、电子设备和存储介质。
背景技术
蛋白质空间结构对生物研究和药物研发有重要意义，而冷冻电镜(Cryo-EM)是获取蛋白质空间结构的一种重要手段。通过电镜照射可以得到蛋白质的电子密度图，利用这个3D电子密度图像可以进一步解析出蛋白质结构。相关技术中的人工解析方法非常消耗人力和时间精力，因此，可使用计算机算法从3D电子密度图中自动实现结构的解析。人工智能领域中的图像识别技术非常适合这个任务需求，并具有极大的应用潜力。
在相关技术中，通常使用图像识别技术中目标检测的思路，通过图像识别领域中常用的UNet模型(U型神经网络模型)，对电子密度图每个像素点分别进行原子、骨架和氨基酸类型的识别，再经过一定精调，得到所有骨架上碳α原子预测的坐标及其对应氨基酸类型的预测。随后通过搜索、序列比对等后处理，获得有序的原子链，最终实现蛋白质的三维结构的还原。然而，从结果的角度来说，该方案在氨基酸类型识别上准确率较低。从模型设计来讲，UNet模型的特点为在解码器过程中上采样得到的特征图与编码器下采样特征图进行连接(skip connections)，这样可以为图像分割提供多层次的信息。然而，UNet模型简单地将二者在通道维度上进行拼接，这种强制拼接不同层的信息限制性过强，强迫模型融合不同层的特征会影响模型的训练。
此外，相关技术使用多个UNet分别对碳α原子、蛋白质骨架和氨基酸类型进行建模，然而，这些任务使用的网络结构虽然相同，但训练是相互孤立的。实际上，原子、骨架和氨基酸这几个任务是紧密联系的。当一个网格属于碳α原子时，它一定在蛋白质骨架上，同时氨基酸类型一定不为空。所以三个任务的预测结果具有很强的相关性，使用独立的网络进行训练忽视了任务之间的关系。
在相关技术中，在UNet模型预测之后，可以得到每个网格属于碳α原子的置信度分数。该方案通过此置信度分数对α原子的具体位置预测进行精调，采用的局部置信度极大值搭配周围置信度阈值过滤的算法。例如，选取置信度分数在4个像素点邻域内为最大值，且这些像素点分数均大于0.5的像素点。该算法虽然可以利用置信度概率值的信息做推测，但该方案容易将一个真实碳α原子在其邻域内被多次识别，也可能出现因为概率值分布不均的，而漏掉某些像素点。此外，该方案只用了原子这一个任务的置信度结果，很做容易受模型预测的噪声影响，鲁棒性不够强。因此，这种方法预测结果可能不稳定。
发明内容
本公开提出了一种蛋白质电子密度图处理方法、装置、电子设备和存储介质。
根据本公开的一方面，提供了一种蛋白质电子密度图处理方法，包括：获取待处理蛋白质电子密度图的多个三维图像块；将所述三维图像块输入图像处理网络模型的编码层进行特征提取处理，获得与各编码层对应的第一特征；根据多个所述第一特征，以及所述图像处理网络模型的各解码层的前一个网络层级的输出信息，获得与所述各解码层对应的注意力信息；根据所述注意力信息，以及各解码层对于所述前一个网络层级的输出信息的处理结果，获得各解码层的输出信息；根据最后一个解码层的输出信息，获得所述三维图像块中各体素网格的原子分类结果、区域分类结果以及氨基酸分类结果，所述体素网格包括一个或多个体素，所述原子分类结果包括所述体素网格所属的原子类别的识别结果，所述区域分类结果包括所述体素网格所属的结构的识别结果，所述氨基酸分类结果包括所述体素网格所属的氨基酸类别的识别结果。
在一种可能的实现方式中，根据多个所述第一特征，以及所述图像处理网络模型的各解码层的前一个网络层级的输出信息，获得与所述各解码层对应的注意力信息，包括：在多个所述第一特征中，确定与所述前一个网络层级的输出信息尺寸对应的第一特征；对所述前一个网络层级的输出信息进行卷积及上采样处理，获得第二特征；对与所述解码层的解码结果尺寸对应的第一特征，以及所述第二特征进行拼接、卷积与激活处理，获得与所述解码层对应的注意力信息。
在一种可能的实现方式中，根据所述注意力信息，以及各解码层对于所述前一个网络层级的输出信息的处理结果，获得各解码层的输出信息，包括：将所述注意力信息和所述处理结果中的对应元素进行相乘及卷积处理，获得所述输出信息。
在一种可能的实现方式中，获取待处理蛋白质电子密度图的多个三维图像块，包括：对所述待处理蛋白质电子密度图进行剪裁处理，获得所述多个三维图像块，其中，相邻的三维图像块之间至少包括部分重叠区域。
在一种可能的实现方式中，所述方法还包括：根据所述区域分类结果和氨基酸分类结果，对所述原子分类结果进行校正处理，获得校正后的原子分类结果。
在一种可能的实现方式中，所述方法还包括：根据所述三维图像块中各体素网格的原子分类结果，对所述体素网格进行聚类处理，获得聚类中心；根据所述聚类中心，确定蛋白质骨架碳α原子的位置坐标。
在一种可能的实现方式中，所述方法还包括：将样本蛋白质电子密度图的样本图像块输入所述图像处理网络模型，获得样本原子分类结果、样本区域分类结果以及样本氨基酸分类结果；根据所述样本原子分类结果和所述样本蛋白质电子密度图的标注信息，确定原子分类损失；根据所述样本区域分类结果和所述样本蛋白质电子密度图的标注信息，确定区域分类损失；根据所述样本氨基酸分类结果和所述样本蛋白质电子密度图的标注信息，确定氨基酸分类损失；根据所述原子分类损失、所述区域分类损失和所述氨基酸分类损失，训练所述图像处理网络模型，获得训练后的图像处理网络模型。
根据本公开的一方面，提供了一种蛋白质电子密度图处理装置，包括：图像块获取模块，用于获取待处理蛋白质电子密度图的多个三维图像块；特征提取模块，用于将所述三维图像块输入图像处理网络模型的编码层进行特征提取处理，获得与各编码层对应的第一特征；注意力获取模块，用于根据多个所述第一特征，以及所述图像处理网络模型的各解码层的前一个网络层级的输出信息，获得与所述各解码层对应的注意力信息；输出模块，用于根据所述注意力信息，以及各解码层对于所述前一个网络层级的输出信息的处理结果，获得各解码层的输出信息；结果获取模块，用于根据最后一个解码层的输出信息，获得所述三维图像块中各体素网格的原子分类结果、区域分类结果以及氨基酸分类结果，所述体素网格包括一个或多个体素，所述原子分类结果包括所述体素网格所属的原子类别的识别结果，所述区域分类结果包括所述体素网格所属的结构的识别结果，所述氨基酸分类结果包括所述体素网格所属的氨基酸类别的识别结果。
在一种可能的实现方式中，所述注意力获取模块进一步用于：在多个所述第一特征中，确定与所述前一个网络层级的输出信息尺寸对应的第一特征；对所述前一个网络层级的输出信息进行卷积及上采样处理，获得第二特征；对与所述解码层的解码结果尺寸对应的第一特征，以及所述第二特征进行拼接、卷积与激活处理，获得与所述解码层对应的注意力信息。
在一种可能的实现方式中，所述输出模块进一步用于：将所述注意力信息和所述处理结果中的对应元素进行相乘及卷积处理，获得所述输出信息。
在一种可能的实现方式中，所述图像块获取模块进一步用于：对所述待处理蛋白质电子密度图进行剪裁处理，获得所述多个三维图像块，其中，相邻的三维图像块之间至少包括部分重叠区域。
在一种可能的实现方式中，所述装置还包括：校正模块，用于
根据所述区域分类结果和氨基酸分类结果，对所述原子分类结果进行校正处理，获得校正后的原子分类结果。
在一种可能的实现方式中，所述装置还包括：坐标确定模块，用于根据所述三维图像块中各体素网格的原子分类结果，对所述体素网格进行聚类处理，获得聚类中心；根据所述聚类中心，确定蛋白质骨架碳α原子的位置坐标。
在一种可能的实现方式中，所述装置还包括：训练模块，将样本蛋白质电子密度图的样本图像块输入所述图像处理网络模型，获得样本原子分类结果、样本区域分类结果以及样本氨基酸分类结果；根据所述样本原子分类结果和所述样本蛋白质电子密度图的标注信息，确定原子分类损失；根据所述样本区域分类结果和所述样本蛋白质电子密度图的标注信息，确定区域分类损失；根据所述样本氨基酸分类结果和所述样本蛋白质电子密度图的标注信息，确定氨基酸分类损失；根据所述原子分类损失、所述区域分类损失和所述氨基酸分类损失，训练所述图像处理网络模型，获得训练后的图像处理网络模型。
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。
根据本公开的实施例的蛋白质电子密度图处理方法，可获得解码层的注意力信息，提升对蛋白质电子密度图的识别准确率，并可通过同一个图像处理网络模型的参数相同的编码层进行处理，并分别进行解码，获取原子分类结果、区域分类结果以及氨基酸分类结果，使获得三个结果的三个任务共享图像处理模型的编码层的参数，加强三种结果之间的关联性，并基于关联性提升三种结果的准确性和鲁棒性。
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蛋白质电子密度图处理方法的流程图；
图2示出根据本公开实施例的图像处理网络模型的示意图；
图3示出根据本公开的实施例的蛋白质电子密度图处理方法的应用示意图；
图4示出根据本公开的实施例的蛋白质电子密度图处理装置的框图；
图5示出根据本公开实施例的一种电子设备的框图；
图6示出根据本公开实施例的一种电子设备的框图。
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示出根据本公开实施例的蛋白质电子密度图处理方法的流程图，如图1所示，所述方法包括：
在步骤S11中，获取待处理蛋白质电子密度图的多个三维图像块；
在步骤S12中，将所述三维图像块输入图像处理网络模型的编码层进行特征提取处理，获得与各编码层对应的第一特征；
在步骤S13中，根据多个所述第一特征，以及所述图像处理网络模型的各解码层的前一个网络层级的输出信息，获得与所述各解码层对应的注意力信息；
在步骤S14中，根据所述注意力信息，以及各解码层对于所述前一个网络层级的输出信息的处理结果，获得各解码层的输出信息；
在步骤S15中，根据最后一个解码层的输出信息，获得所述三维图像块中各体素网格的原子分类结果、区域分类结果以及氨基酸分类结果，所述体素网格包括一个或多个体素，所述原子分类结果包括所述体素网格所属的原子类别的识别结果，所述区域分类结果包括所述体素网格所属的结构的识别结果，所述氨基酸分类结果包括所述体素网格所属的氨基酸类别的识别结果。
根据本公开的实施例的蛋白质电子密度图处理方法，可获得解码层的注意力信息，提升对蛋白质电子密度图的识别准确率，并可通过同一个图像处理网络模型的参数相同的编码层进行处理，并分别进行解码，获取原子分类结果、区域分类结果以及氨基酸分类结果，使获得三个结果的三个任务共享图像处理模型的编码层的参数，加强三种结果之间的关联性，并基于关联性提升三种结果的准确性和鲁棒性。
在一种可能的实现方式中，所述体素网格可包括一个或多个体素，在示例中，每个体素网格的长度可对应于实际中0.5埃的长度，本公开对每个体素网格对应的具体长度及其包括的体素的数量不做限制。
在一种可能的实现方式中，所述原子分类结果可判断每个体素网格所属的原子类别的识别结果，例如，可判断该体素网格属于蛋白质骨架碳α原子，该体素网格属于蛋白质骨架碳原子、该体素网格属于蛋白质骨架氮原子还是均不属于。本公开对原子的具体类别不做限制。
在一种可能的实现方式中，所述区域分类结果可判断每个体素网格所属的结构的识别结果，例如，判断该体素网格在蛋白质骨架上，判断该体素网格在蛋白质支链上，还是均不属于。
在一种可能的实现方式中，所述氨基酸分类结果可判断每个体素网格所述的氨基酸分类，氨基酸的类型共有20种，所述氨基酸分类结果可确定各体素网格属于哪一种氨基酸，或者属于不确定的氨基酸，或者不属于氨基酸。
在一种可能的实现方式中，所述待处理蛋白质电子密度图为三维的电子密度图，可通过冷冻电镜照射蛋白质样本获得。待处理蛋白质电子密度图的分辨率较高，尺寸较大。可在步骤S11中将待处理蛋白质电子密度图切分为多个三维图像块，以便于所述图像处理网络模型的处理。
在一种可能的实现方式中，步骤S11可包括：对所述待处理蛋白质电子密度图进行剪裁处理，获得所述多个三维图像块，其中，相邻的三维图像块之间至少包括部分重叠区域。
在示例中，输入所述图像处理网络模型的三维图像块为尺寸为64×64×64的图像块，输出所述图像处理网络模型的处理结果为N×64×64×64的处理结果。即，可描述每个体素网格的结果的处理结果。例如，原子分类结果可以是4×64×64×64的处理结果，其中，4为体素网格所属的原子分类的4种情况，例如，属于蛋白质骨架碳α原子，该体素网格属于蛋白质骨架碳原子、该体素网格属于蛋白质骨架氮原子还是均不属于4种情况。例如，区域分类结果可以是3×64×64×64的处理结果，其中，3为体素网格所属的结构的3种情况，例如，该体素网格在蛋白质骨架上，该体素网格在蛋白质支链上，还是均不属于3种情况。又例如，氨基酸分类结果可以是22×64×64×64的处理结果，其中，22为体素网格所属的氨基酸类别的22种情况，即，属于20种氨基酸中的某一种，或者属于不确定的氨基酸，或者不属于氨基酸的22种情况。在示例中，每种处理结果可通过置信度分数(例如，0到1之间的分数)来表示，分数越高则表示体素网格属于该种结果的置信度越高，本公开对三维图像块的尺寸和处理结果的维度不做限制。
在示例中，在将待处理蛋白质电子密度图进行剪裁时，可使相邻三维图像块之间至少包含部分重叠区域。例如，相邻的三维图像块之间可相互重叠7个体素，从而，如果将多个三维图像块进行拼接，或者，将获得的上述处理结果进行拼接，仅需取出每个三维图像块中的50×50×50的图像块进行拼接，即可获得待处理蛋白质电子密度图，或其完整处理结果。各个三维图像块之间存在部分重叠区域可使得各个三维图像块的边缘部分的处理结果的准确性和鲁棒性更高，减少由于剪裁导致的每个三维图像块的中心区域(例如，50×50×50的中心区域)的图像处理结果受到的影响。
在一种可能的实现方式中，在步骤S12中，可将各个三维图像块输入上述图像处理网络模型。所述图像处理网络模型可以是具有注意力机制的神经网络模型，其网络结构可以是U型网络(Attention-UNet)。在示例中，图像处理网络执行每种任务(即，确定原子分类结果、区域分类结果以及氨基酸分类结果)时，其编码层为相同的编码层，但解码层可分别具有各自的参数。例如，三种任务可公用相同的编码层，并将编码层的输出分别输入至各自的解码层，从而获得三种结果，即，原子分类结果、区域分类结果以及氨基酸分类结果。
在一种可能的实现方式中，可将各个三维图像块输入上述图像处理网络模型的编码层，所述编码层可包括卷积层、激活层等网络层级，可对三维图像块进行特征提取处理，获得与各个编码层分别对应的第一特征。其中，每个编码层输出的第一特征可作为下一个网络层级的输入特征。
在一种可能的实现方式中，在步骤S13中，在所述图像处理网络模型的解码层中，可通过上述注意力机制来凸显与所执行的分类任务相关的区域的特征，例如，增大所述相关的区域的权重，而抑制与所执行的分类任务无关的区域的特征，例如，可降低所述无关的区域的权重。从而使得图像处理网络模型学习到与所执行的分类任务相关的更多特征，提升图像处理网络模型的精度。在示例中，在所述待处理蛋白质电子密度图中，大部分区域为背景区域，仅有少部分区域为蛋白质结构所在的区域，因此，可将注意力机制集中于蛋白质结构所在的区域，或原子所在的区域，而抑制背景区域的权值，从而可使图像处理网络模型学习到更多与蛋白质结构有关的特征，提升图像处理网络模型的处理精度。
在一种可能的实现方式中，在步骤S13中，可通过注意力机制代替相关技术中的直接将编码层的特征图与解码层的特征图拼接的方式，从而降低对拼接的特征图的限制，且有利于图像处理网络模型的训练，且可提升图像处理网络模型的精度。步骤S13可包括：在多个所述第一特征中，确定与所述前一个网络层级的输出信息尺寸对应的第一特征；对与所述解码层的解码结果尺寸对应的第一特征，以及所述解码层的输入信息进行拼接、卷积与激活处理，获得与所述解码层对应的注意力信息。
图2示出根据本公开实施例的图像处理网络模型的示意图。如图2所示，三维图像块的尺寸为H1×W1×D1，其维度为1×H1×W1×D1，经过编码处理，可得到维度为F1×H1×W1×D1的第一特征，在下一个网络层级中，经过下采样、激活等处理后，可获得维度为F2×H2×W2×D2的第一特征……类似地，可获得维度为F3×H3×W3×D3的第一特征、维度为F4×H4×W4×D4的第一特征，其中，随着网络层级的加深，各网络层级的第一特征的尺寸逐步减小，特征通道数逐步增大(例如，F4＞F3＞F2＞F1)，感受野逐步增大。
在一种可能的实现方式中，在解码层中，解码层的解码结果为解码层对于输入的特征的解码结果，例如，进行反卷积、上采样等处理的处理结果。例如，第一个解码层可将最后一个编码层的输出信息作为输入信息，经过上述反卷积、上采样等处理，获得第一个解码层的解码结果。
在一种可能的实现方式中，可在编码层的各层级的第一特征中，确定与第一个解码层的前一个网络层级的输出信息的尺寸对应的第一特征，即，与输入第一个解码层的特征的尺寸对应的第一特征，例如，第一个解码层的前一个网络层级的输出信息的尺寸为H4×W4×D4，维度为F4×H4×W4×D4，因此，可在第一特征中，确定出尺寸H4×W4×D4的2倍的第一特征，例如，尺寸为H3×W3×D3的第一特征，在示例中，其维度为F3×H3×W3×D3。可将第一个解码层的输入信息(例如，最后一个编码层输出的第一特征)进行卷积与上采样处理，将最后一个编码层输出的第一特征的尺寸改变为H3×W3×D3，获得第二特征，再将第二特征与所述尺寸对应的第一特征(尺寸为H3×W3×D3的第一特征)进行拼接、卷积核激活处理，获得与第一个解码层对应的注意力信息。
例如，可通过1×1×1的卷积核对维度为F3×H3×W3×D3的第一特征和第二特征拼接的特征进行卷积处理，并通过sigmoid激活函数对卷积处理的结果进行激活处理，获得与第一个解码层对应的注意力信息，如图2中虚线框中维度为F3×H3×W3×D3的注意力信息。
在一种可能的实现方式中，可在步骤S14中，基于各解码层的注意力信息以及各解码层对前一个网络层级的输出信息的处理结果，获得各解码层的输出信息。步骤S14可包括：将所述注意力信息和所述处理结果中的对应元素进行相乘及卷积处理，获得所述输出信息。
在示例中，所述注意力信息可以是与所述处理结果(例如，上述经卷积核上采样处理后获得的第二特征)的维度一致的权值矩阵，可将注意力信息与解码结果中对应元素进行相乘，并进行卷积处理，即可获得各解码层的输出信息。
在示例中，仍以第一个解码层为例，可将虚线框中维度为F3×H3×W3×D3的注意力信息(例如，权值矩阵)与第一个解码层的维度为F3×H3×W3×D3的处理结果(第二特征)进行相乘，并通过3×3×3的卷积核进行卷积处理，可获得将注意力机制集中于与图像处理任务相关的区域(例如，蛋白质结构或原子所在区域)的输出信息，例如，维度为F2×H3×W3×D3的输出信息。该输出信息可作为第二个解码层的输入信息，继续进行如上类似的处理。例如，第二个解码层可对维度为F2×H3×W3×D3的输入信息进行处理(例如，卷积和上采样处理)，获得维度为F2×H2×W2×D2的处理结果(第二特征)，并使维度为F2×H2×W2×D2的第一特征与第二个解码层的处理结果进行拼接，卷积与激活处理，获得虚线框中维度为F2×H2×W2×D2的注意力信息，从而可将维度为F2×H2×W2×D2的注意力信息与维度相同的第二特征的对应元素进行相乘及卷积处理，获得第二个解码层的输出信息，即，维度为F1×H2×W2×D2的输出信息……类似地，可获得其他解码层的输出信息。
在一种可能的实现方式中，在步骤S15中，可通过各任务的解码层中的最后一个解码层的输出信息，分别确定确定各任务的结果，即，分别确定体素网格的原子分类结果、区域分类结果以及氨基酸分类结果。在示例中，三个任务可共用编码层，并可分为三个解码层支路，每个支路用于获取上述一种结果，从而可分别在最后一个解码层获得各自的结果，即，各体素网格的原子分类结果、区域分类结果以及氨基酸分类结果。其中，每个解码层的基于注意力信息的解码过程均如上所述。
在示例中，如图2所示，可获得维度为NC×H1×W1×D1的结果，例如，在原子分类结果中，NC＝4，在区域分类结果中，NC＝3，在氨基酸分类结果中，NC＝22，H1×W1×D1＝64×64×64。本公开对各结果的维度不做限制。
在一种可能的实现方式中，所述方法还包括：根据所述区域分类结果和氨基酸分类结果，对所述原子分类结果进行校正处理，获得校正后的原子分类结果。如上所述，上述原子分类结果、区域分类结果以及氨基酸分类结果之间可具有一定的关联性，可基于所述关联性进行校正处理。例如，可对三种结果进行交叉验证。
在示例中，在某个体素网格的原子分类结果为属于蛋白质骨架碳α原子，则该体素网格的区域分类结果一定为在蛋白质骨架上，且该体素网格的氨基酸分类结果一定为20种氨基酸中的某一种，即，三种结果之间互相具有一定的关联性。如果其中某个结果不符合上述关联性，则可对该结果进行校正，例如，可将不符合上述情况的结果调整为符合上述情况，或者，可重新通过图像处理网络模型处理该三维图像块，重新获得三种结果，以确定是否符合上述情况，如果仍不符合，则可重新训练图像处理网络模型，继续提升图像处理网络模型的精度。基于三种结果的关联性的校正处理可提升上述三种结果的精确性，且校正过程的准确性较高。
在一种可能的实现方式中，可基于上述结果，获得碳α原子的位置坐标。所述方法还包括：根据所述三维图像块中各体素网格的原子分类结果，对所述体素网格进行聚类处理，获得聚类中心；根据所述聚类中心，确定蛋白质骨架碳α原子的位置坐标。
在示例中，可通过原子分类结果来确定蛋白质骨架碳α原子的位置坐标。例如，可确定原子分类结果中，各体素网格属于蛋白质骨架碳α原子的置信度分数，进而可依据该置信度分数对各体素网格的坐标位置进行聚类处理，获得聚类中心。例如，可使用DBSCAN聚类方法进行聚类，由于在蛋白质骨架碳α原子所在坐标位置周围的数个体素网格中，属于蛋白质骨架碳α原子的置信度分数均较高，因此，依据各体素网格属于蛋白质骨架碳α原子的置信度分数对各体素网格的坐标位置进行聚类的结果为簇状形态，且每个簇可对应于一个蛋白质骨架碳α原子。
在示例中，可在原子分类结果中筛选出属于蛋白质骨架碳α原子的置信度分数高于置信度阈值(例如，0.2)的目标体素网格，并可通过DBSCAN聚类方法对目标体素网格进行聚类。在示例中，可设置聚类处理过程中的参数，例如，可将聚类周期数设置为2，最小聚类中心数设置为10，并开始DBSCAN聚类过程，获得多个聚类中心。每个聚类中心可被确定为蛋白质骨架碳α原子的坐标位置。进一步地，还可利用另外两个结果(区域分类结果以及氨基酸分类结果)对碳α原子的坐标位置进行筛选，例如，如果某个蛋白质骨架碳α原子的坐标位置的区域分类结果属于蛋白质骨架上，且氨基酸分类结果属于20种氨基酸中的某一种的置信度分数均高于分数阈值(例如，0.15)的情况下，可确定该蛋白质骨架碳α原子的坐标位置正确，否则，则该蛋白质骨架碳α原子的坐标位置可能出现错误。
在一种可能的实现方式中，可基于所述蛋白质骨架碳α原子的坐标位置，以及上述区域分类结果以及氨基酸分类结果来确定蛋白质的空间结构。例如，可通过相关技术中的搜索、序列比对等后处理，获得有序的原子链，最终获得蛋白质的空间结构。
在一种可能的实现方式中，在使用所述图像处理网络模型获得所述原子分类结果、区域分类结果以及氨基酸分类结果之前，可对图像处理网络模型进行训练。所述方法还包括：将样本蛋白质电子密度图的样本图像块输入所述图像处理网络模型，获得样本原子分类结果、样本区域分类结果以及样本氨基酸分类结果；根据所述样本原子分类结果和所述样本蛋白质电子密度图的标注信息，确定原子分类损失；根据所述样本区域分类结果和所述样本蛋白质电子密度图的标注信息，确定区域分类损失；根据所述样本氨基酸分类结果和所述样本蛋白质电子密度图的标注信息，确定氨基酸分类损失；根据所述原子分类损失、所述区域分类损失和所述氨基酸分类损失，训练所述图像处理网络模型，获得训练后的图像处理网络模型。
在一种可能的实现方式中，可利用样本蛋白质电子密度图的样本图像块来训练所述图像处理网络模型。样本蛋白质电子密度图可来自已知数据库，且其蛋白质空间结构是已知的，即，各体素网格的原子分类结果、区域分类结果以及氨基酸分类结果均为已知的，可将已知的原子分类结果、区域分类结果以及氨基酸分类结果作为标注信息，并基于标注信息来训练图像处理网络模型。
在一种可能的实现方式中，可将所述样本图像块输入图像处理网络模型，获得样本原子分类结果、样本区域分类结果以及样本氨基酸分类结果。图像处理网络模型获得的三种结果可能存在误差。可分别基于三种结果的误差确定图像处理网络模型的模型损失。
在一种可能的实现方式中，可根据样本原子分类结果和所述标注信息确定原子分类损失，例如，根据样本原子分类结果和标注信息中已知的原子分类结果，来确定二者之间的误差，并基于该误差，确定原子分类损失。例如，根据交叉熵损失函数等损失函数确定原子分类损失，本公开对损失函数的具体类型不做限制。
在一种可能的实现方式中，可根据样本区域分类结果和所述标注信息确定区域分类损失，例如，根据样本区域分类结果和标注信息中已知的区域分类结果，来确定二者之间的误差，并基于该误差，确定区域分类损失。例如，根据交叉熵损失函数等损失函数确定区域分类损失，本公开对损失函数的具体类型不做限制。
在一种可能的实现方式中，可根据样本氨基酸分类结果和所述标注信息确定区域分类损失，例如，根据样本氨基酸分类结果和标注信息中已知的氨基酸分类结果，来确定二者之间的误差，并基于该误差，确定氨基酸分类损失。例如，根据交叉熵损失函数等损失函数确定氨基酸分类损失，本公开对损失函数的具体类型不做限制。
在一种可能的实现方式中，可基于上述三种模型损失来训练图像处理网络模型，例如，在对模型损失反向传播的过程中，三种模型损失分别用于调节各自对应的解码层的参数。在共用的编码层中，可将三种模型损失进行加权求和，获得综合模型损失，并基于综合模型损失反向传播，以调整图像处理网络模型的编码层的参数。可迭代执行上述训练过程，直到综合模型损失小于或等于预设阈值，或收敛于预设区间，或者在验证集上的处理精度符合要求，则可完成训练，获得训练后的图像处理网络模型。在图像处理网络模型中，获取三种结果的三种处理任务共享图像处理网络模型中的参数，因此，在训练时，可同时基于三种结果对应的模型损失来训练图像处理网络模型，从而可利用三种结果之间的关联性提升训练精度和训练效率。
根据本公开的实施例的蛋白质电子密度图处理方法，可获得解码层的注意力信息，提升对蛋白质电子密度图的识别准确率，并可通过同一个图像处理网络模型的参数相同的编码层进行处理，并分别进行解码，获取原子分类结果、区域分类结果以及氨基酸分类结果，使获得三个结果的三个任务共享图像处理模型的编码层的参数，加强三种结果之间的关联性，并可通过三种结果之间的关联性来进一步校正三种结果，提升三种结果的准确性和鲁棒性。进一步地，在训练图像处理网络模型的过程中可利用三种结果对应的模型损失来提升编码层的训练效率和精度。
图3示出根据本公开的实施例的蛋白质电子密度图处理方法的应用示意图，如图3所示，可利用PDBID为7ppj的蛋白质电子密度图来预测其空间结构。
在一种可能的实现方式中，可将电子密度图进行剪裁，获得多个尺寸为64×64×64的三维图像块，且相邻三维图像块之间存在重叠。
在一种可能的实现方式中，可将各三维图像块分别输入训练后的图像处理网络模型进行处理，图像处理网络模型的编码层可获得多个层级的第一特征，并可在解码层利用与解码层的解码结果维度对应的第一特征，以及解码层的上一个层级的输出信息获得注意力信息，例如，权值矩阵。进而可将权值矩阵与解码层的处理结果的对应元素进行相乘，并进行卷积处理，获得各解码层的输出信息。
在一种可能的实现方式中，各任务的最后一个解码层的输出信息分别分别输出维度为4×64×64×64的原子分类结果，维度为3×64×64×64的区域分类结果，维度为22×64×64×64的氨基酸分类结果。可将每一种原子分类结果的图像块中未重叠的部分进行拼接，获得完整的四种原子分类结果，即，获得与电子密度图尺寸相同的四种原子分类结果，例如，蛋白质骨架碳α原子在电子密度图中的每个体素网格的置信度分数，蛋白质骨架碳原子在电子密度图中的每个体素网格的置信度分数，蛋白质骨架氮原子在电子密度图中的每个体素网格的置信度分数，或均不属于的情况在在电子密度图中的每个体素网格的置信度分数。类似地，也可通过拼接获得完整的区域分类结果和氨基酸分类结果。
进一步地，可基于原子分类结果进行聚类，获得蛋白质骨架碳α原子的位置坐标，并根据蛋白质骨架碳α原子的位置坐标、区域分类结果和氨基酸分类结果构件蛋白质的空间结构模型。获取的空间结构模型如图3所示，图3中的球形物体表示蛋白质骨架碳α原子，带状物体表示蛋白质骨架。
图4示出根据本公开的实施例的蛋白质电子密度图处理装置的框图，如图4所示，所述装置包括：图像块获取模块11，用于获取待处理蛋白质电子密度图的多个三维图像块；特征提取模块12，用于将所述三维图像块输入图像处理网络模型的编码层进行特征提取处理，获得与各编码层对应的第一特征；注意力获取模块13，用于根据多个所述第一特征，以及所述图像处理网络模型的各解码层的前一个网络层级的输出信息，获得与所述各解码层对应的注意力信息；输出模块14，用于根据所述注意力信息，以及各解码层对于所述前一个网络层级的输出信息的处理结果，获得各解码层的输出信息；结果获取模块15，用于根据最后一个解码层的输出信息，获得所述三维图像块中各体素网格的原子分类结果、区域分类结果以及氨基酸分类结果，所述体素网格包括一个或多个体素，所述原子分类结果包括所述体素网格所属的原子类别的识别结果，所述区域分类结果包括所述体素网格所属的结构的识别结果，所述氨基酸分类结果包括所述体素网格所属的氨基酸类别的识别结果。
在一种可能的实现方式中，所述注意力获取模块进一步用于：在多个所述第一特征中，确定与所述前一个网络层级的输出信息尺寸对应的第一特征；对所述前一个网络层级的输出信息进行卷积及上采样处理，获得第二特征；对与所述解码层的解码结果尺寸对应的第一特征，以及所述第二特征进行拼接、卷积与激活处理，获得与所述解码层对应的注意力信息。
在一种可能的实现方式中，所述输出模块进一步用于：将所述注意力信息和所述处理结果中的对应元素进行相乘及卷积处理，获得所述输出信息。
在一种可能的实现方式中，所述图像块获取模块进一步用于：对所述待处理蛋白质电子密度图进行剪裁处理，获得所述多个三维图像块，其中，相邻的三维图像块之间至少包括部分重叠区域。
在一种可能的实现方式中，所述装置还包括：校正模块，用于根据所述区域分类结果和氨基酸分类结果，对所述原子分类结果进行校正处理，获得校正后的原子分类结果。
在一种可能的实现方式中，所述装置还包括：坐标确定模块，用于根据所述三维图像块中各体素网格的原子分类结果，对所述体素网格进行聚类处理，获得聚类中心；根据所述聚类中心，确定蛋白质骨架碳α原子的位置坐标。
在一种可能的实现方式中，所述装置还包括：训练模块，将样本蛋白质电子密度图的样本图像块输入所述图像处理网络模型，获得样本原子分类结果、样本区域分类结果以及样本氨基酸分类结果；根据所述样本原子分类结果和所述样本蛋白质电子密度图的标注信息，确定原子分类损失；根据所述样本区域分类结果和所述样本蛋白质电子密度图的标注信息，确定区域分类损失；根据所述样本氨基酸分类结果和所述样本蛋白质电子密度图的标注信息，确定氨基酸分类损失；根据所述原子分类损失、所述区域分类损失和所述氨基酸分类损失，训练所述图像处理网络模型，获得训练后的图像处理网络模型。
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，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了蛋白质电子密度图处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种蛋白质电子密度图处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
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。
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神经网络处理方法的指令。
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神经网络处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5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5，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缘，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CMOS或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WiFi，2G或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6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6，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Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，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 (10)

1.一种蛋白质电子密度图处理方法，其特征在于，包括：
获取待处理蛋白质电子密度图的多个三维图像块；
将所述三维图像块输入图像处理网络模型的编码层进行特征提取处理，获得与各编码层对应的第一特征；
根据多个所述第一特征，以及所述图像处理网络模型的各解码层的前一个网络层级的输出信息，获得与所述各解码层对应的注意力信息；
根据所述注意力信息，以及各解码层对于所述前一个网络层级的输出信息的处理结果，获得各解码层的输出信息；
根据最后一个解码层的输出信息，获得所述三维图像块中各体素网格的原子分类结果、区域分类结果以及氨基酸分类结果，所述体素网格包括一个或多个体素，所述原子分类结果包括所述体素网格所属的原子类别的识别结果，所述区域分类结果包括所述体素网格所属的结构的识别结果，所述氨基酸分类结果包括所述体素网格所属的氨基酸类别的识别结果。
2.根据权利要求1所述的方法，其特征在于，根据多个所述第一特征，以及所述图像处理网络模型的各解码层的前一个网络层级的输出信息，获得与所述各解码层对应的注意力信息，包括：
在多个所述第一特征中，确定与所述前一个网络层级的输出信息尺寸对应的第一特征；
对所述前一个网络层级的输出信息进行卷积及上采样处理，获得第二特征；
对与所述解码层的解码结果尺寸对应的第一特征，以及所述第二特征进行拼接、卷积与激活处理，获得与所述解码层对应的注意力信息。
3.根据权利要求1所述的方法，其特征在于，根据所述注意力信息，以及各解码层对于所述前一个网络层级的输出信息的处理结果，获得各解码层的输出信息，包括：
将所述注意力信息和所述处理结果中的对应元素进行相乘及卷积处理，获得所述输出信息。
4.根据权利要求1所述的方法，其特征在于，获取待处理蛋白质电子密度图的多个三维图像块，包括：
对所述待处理蛋白质电子密度图进行剪裁处理，获得所述多个三维图像块，其中，相邻的三维图像块之间至少包括部分重叠区域。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述区域分类结果和氨基酸分类结果，对所述原子分类结果进行校正处理，获得校正后的原子分类结果。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述三维图像块中各体素网格的原子分类结果，对所述体素网格进行聚类处理，获得聚类中心；
根据所述聚类中心，确定蛋白质骨架碳α原子的位置坐标。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将样本蛋白质电子密度图的样本图像块输入所述图像处理网络模型，获得样本原子分类结果、样本区域分类结果以及样本氨基酸分类结果；
根据所述样本原子分类结果和所述样本蛋白质电子密度图的标注信息，确定原子分类损失；
根据所述样本区域分类结果和所述样本蛋白质电子密度图的标注信息，确定区域分类损失；
根据所述样本氨基酸分类结果和所述样本蛋白质电子密度图的标注信息，确定氨基酸分类损失；
根据所述原子分类损失、所述区域分类损失和所述氨基酸分类损失，训练所述图像处理网络模型，获得训练后的图像处理网络模型。
8.一种蛋白质电子密度图处理装置，其特征在于，包括：
图像块获取模块，用于获取待处理蛋白质电子密度图的多个三维图像块；
特征提取模块，用于将所述三维图像块输入图像处理网络模型的编码层进行特征提取处理，获得与各编码层对应的第一特征；
注意力获取模块，用于根据多个所述第一特征，以及所述图像处理网络模型的各解码层的前一个网络层级的输出信息，获得与所述各解码层对应的注意力信息；
输出模块，用于根据所述注意力信息，以及各解码层对于所述前一个网络层级的输出信息的处理结果，获得各解码层的输出信息；
结果获取模块，用于根据最后一个解码层的输出信息，获得所述三维图像块中各体素网格的原子分类结果、区域分类结果以及氨基酸分类结果，所述体素网格包括一个或多个体素，所述原子分类结果包括所述体素网格所属的原子类别的识别结果，所述区域分类结果包括所述体素网格所属的结构的识别结果，所述氨基酸分类结果包括所述体素网格所属的氨基酸类别的识别结果。
9.一种电子设备，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7中任意一项所述的方法。
10.一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7中任意一项所述的方法。
CN202210869599.7A 2022-07-22 2022-07-22 蛋白质电子密度图处理方法、装置、电子设备和存储介质 Active CN115239999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210869599.7A CN115239999B (zh) 2022-07-22 2022-07-22 蛋白质电子密度图处理方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210869599.7A CN115239999B (zh) 2022-07-22 2022-07-22 蛋白质电子密度图处理方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN115239999A true CN115239999A (zh) 2022-10-25
CN115239999B CN115239999B (zh) 2023-04-21

Family

ID=83675276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210869599.7A Active CN115239999B (zh) 2022-07-22 2022-07-22 蛋白质电子密度图处理方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN115239999B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115938470A (zh) * 2023-01-04 2023-04-07 抖音视界有限公司 蛋白质特征预处理方法、装置、介质及设备
CN117995317A (zh) * 2024-04-03 2024-05-07 北京云庐科技有限公司 一种基于电子密度图预估重原子位置的方法、装置和介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107271468A (zh) * 2017-06-05 2017-10-20 国家纳米科学中心 一种晶体电子密度分布模型的评价方法及其应用
CN107865658A (zh) * 2016-09-23 2018-04-03 西门子保健有限责任公司 用于修正合成电子密度图的方法和设备
CN111968707A (zh) * 2020-08-07 2020-11-20 上海交通大学 基于能量的原子结构与电子密度图多目标优化拟合预测方法
US20210302332A1 (en) * 2020-03-26 2021-09-30 David Hurwitz Determining atomic coordinates from x-ray diffraction data
CN113537409A (zh) * 2021-09-13 2021-10-22 烟台双塔食品股份有限公司 一种豌豆蛋白数据特征提取方法
CN113571122A (zh) * 2021-02-02 2021-10-29 腾讯科技（深圳）有限公司 一种电子密度图的确定方法、装置、电子设备和存储介质
CN114581724A (zh) * 2022-05-06 2022-06-03 北京大学 一种生物分子冷冻电镜数据的构象分类方法
US20220189579A1 (en) * 2020-12-14 2022-06-16 University Of Washington Protein complex structure prediction from cryo-electron microscopy (cryo-em) density maps

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107865658A (zh) * 2016-09-23 2018-04-03 西门子保健有限责任公司 用于修正合成电子密度图的方法和设备
CN107271468A (zh) * 2017-06-05 2017-10-20 国家纳米科学中心 一种晶体电子密度分布模型的评价方法及其应用
US20210302332A1 (en) * 2020-03-26 2021-09-30 David Hurwitz Determining atomic coordinates from x-ray diffraction data
CN111968707A (zh) * 2020-08-07 2020-11-20 上海交通大学 基于能量的原子结构与电子密度图多目标优化拟合预测方法
US20220189579A1 (en) * 2020-12-14 2022-06-16 University Of Washington Protein complex structure prediction from cryo-electron microscopy (cryo-em) density maps
CN113571122A (zh) * 2021-02-02 2021-10-29 腾讯科技（深圳）有限公司 一种电子密度图的确定方法、装置、电子设备和存储介质
CN113537409A (zh) * 2021-09-13 2021-10-22 烟台双塔食品股份有限公司 一种豌豆蛋白数据特征提取方法
CN114581724A (zh) * 2022-05-06 2022-06-03 北京大学 一种生物分子冷冻电镜数据的构象分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JONAS PFAB ET AL.: ""DeepTracer: Predicting Backbone Atomic Structure from High Resolution Cryo-EM Density Maps of Protein Complexes"bioRxiv》", 《BIORXIV》 *
TRINH LE BA KHANH ET AL.: ""Enhancing U-Net with Spatial-Channel Attention Gate for Abnormal Tissue Segmentation in Medical Imaging"", 《APPLIED SCIENCES》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115938470A (zh) * 2023-01-04 2023-04-07 抖音视界有限公司 蛋白质特征预处理方法、装置、介质及设备
CN115938470B (zh) * 2023-01-04 2024-01-19 抖音视界有限公司 蛋白质特征预处理方法、装置、介质及设备
CN117995317A (zh) * 2024-04-03 2024-05-07 北京云庐科技有限公司 一种基于电子密度图预估重原子位置的方法、装置和介质

Also Published As

Publication number Publication date
CN115239999B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
US12014275B2 (en) Method for text recognition, electronic device and storage medium
US20210209392A1 (en) Image Processing Method and Device, and Storage Medium
US20210158533A1 (en) Image processing method and apparatus, and storage medium
CN110688951B (zh) 图像处理方法及装置、电子设备和存储介质
CN110348537B (zh) 图像处理方法及装置、电子设备和存储介质
CN110378976B (zh) 图像处理方法及装置、电子设备和存储介质
US20210110522A1 (en) Image processing method and apparatus, and storage medium
CN110889469B (zh) 图像处理方法及装置、电子设备和存储介质
CN111445493B (zh) 图像处理方法及装置、电子设备和存储介质
US20210248718A1 (en) Image processing method and apparatus, electronic device and storage medium
CN110675409A (zh) 图像处理方法及装置、电子设备和存储介质
CN109544560B (zh) 图像处理方法及装置、电子设备和存储介质
CN115239999B (zh) 蛋白质电子密度图处理方法、装置、电子设备和存储介质
JP2021516838A (ja) キーポイント検出方法、装置、電子機器及び記憶媒体
US11443438B2 (en) Network module and distribution method and apparatus, electronic device, and storage medium
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
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
KR20220011207A (ko) 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체
CN111340048B (zh) 图像处理方法及装置、电子设备和存储介质
CN113012166A (zh) 颅内动脉瘤分割方法及装置、电子设备和存储介质
CN114820584A (zh) 肺部病灶定位装置
CN111931781A (zh) 图像处理方法及装置、电子设备和存储介质
CN109903252B (zh) 图像处理方法及装置、电子设备和存储介质
CN111882558A (zh) 图像处理方法及装置、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
GR01 Patent grant
GR01 Patent grant