CN115662517A

CN115662517A - 序列预测方法、装置、介质及电子设备

Info

Publication number: CN115662517A
Application number: CN202211401671.XA
Authority: CN
Inventors: 边成; 李永会
Original assignee: Douyin Vision Co Ltd
Current assignee: Douyin Vision Co Ltd
Priority date: 2022-11-09
Filing date: 2022-11-09
Publication date: 2023-01-31

Abstract

本公开涉及一种序列预测方法、装置、介质及电子设备，所述方法包括：接收目标蛋白质结构；将目标蛋白质结构输入训练的序列预测模型，获得目标蛋白质结构对应的氨基酸序列；序列预测模型是基于多个蛋白质样本、以及多个蛋白质样本对应的功能知识关系图训练所得的，每一蛋白质样本中包括训练蛋白质结构以及训练蛋白质结构对应的训练氨基酸序列，功能知识关系图指示了蛋白质结构和蛋白质功能之间的关联关系。由此，在对序列预测模型的训练过程中能够结合蛋白质结构具有的蛋白质功能，提高该训练所得的模型预测未知但是具有类似功能的蛋白质氨基酸序列的泛化能力，提高获得的氨基酸序列的准确度。

Description

序列预测方法、装置、介质及电子设备

技术领域

本公开涉及计算机技术领域，具体地，涉及一种序列预测方法、装置、介质及电子设备。

背景技术

相关技术中，从头蛋白质设计通常是直接模拟蛋白质折叠状态的物理特征的能量函数，从而实现对具有特定功能的蛋白质的氨基酸序列的预测。而由于现阶段被实验确定的蛋白质结构相对较少，难以满足对蛋白质结构的深入准确分析，难以实现对氨基酸序列的准确预测。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种序列预测方法，所述方法包括：

接收目标蛋白质结构，其中，所述目标蛋白质结构中具有目标蛋白质功能；

将所述目标蛋白质结构输入训练的序列预测模型，获得所述目标蛋白质结构对应的氨基酸序列；

其中，所述序列预测模型是基于多个蛋白质样本、以及所述多个蛋白质样本对应的功能知识关系图训练所得的，每一所述蛋白质样本中包括训练蛋白质结构以及所述训练蛋白质结构对应的训练氨基酸序列，所述功能知识关系图指示了蛋白质结构和蛋白质功能之间的关联关系。

第二方面，本公开提供一种序列预测装置，所述装置包括：

接收模块，用于接收目标蛋白质结构，其中，所述目标蛋白质结构中具有目标蛋白质功能；

处理模块，用于将所述目标蛋白质结构输入训练的序列预测模型，获得所述目标蛋白质结构对应的氨基酸序列；

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。

通过上述技术方案，可以通过训练序列预测模型以实现从蛋白质结构到其对应的蛋白质氨基酸序列的预测，从而提高氨基酸序列的预测准确度和效率，为基于从头蛋白质设计实现的生物工程任务提供可靠的数据支持。同时，在对序列预测模型的训练过程中能够结合蛋白质结构具有的蛋白质功能，提高该训练所得的模型预测未知但是具有类似功能的蛋白质氨基酸序列的泛化能力，从而能够进一步保证基于该序列预测模型输出的氨基酸序列的准确性。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开的一种实施方式提供的序列预测方法的流程图；

图2是根据本公开的一种实施方式提供的功能知识关系图的示意图；

图3是根据本公开的一种实施方式提供的序列预测装置的框图；

图4其示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

图1所示，为根据本公开的一种实施方式提供的序列预测方法的流程图，如图1所示，所述方法包括：

在步骤11中，接收目标蛋白质结构，其中，所述目标蛋白质结构中具有目标蛋白质功能。

其中，从头蛋白质设计(de novo protein design)的目的是设计具有特征或者功能的蛋白质氨基酸序列。所述目标蛋白质结构可以是技术人员基于其业务功能需求所设计的蛋白质三级结构，蛋白质功能为蛋白质中包含的生物功能(Biological Process)。

通常来说具有相同结构的蛋白质其对应的功能会比较类似，若两个蛋白质包含同一种生物功能，它们的氨基酸序列的某一部分会比较相似。基于此，技术人员可以基于其所需的功能，如目标蛋白质功能来设计蛋白质的三级结构，如蛋白质的骨架坐标作为该目标蛋白质结构，以进行氨基酸序列的预测。

在步骤12中，将目标蛋白质结构输入训练的序列预测模型，获得目标蛋白质结构对应的氨基酸序列。

其中，所述序列预测模型是基于多个蛋白质样本、以及所述多个蛋白质样本对应的功能知识关系图训练所得的，每一所述蛋白质样本中包括训练蛋白质结构以及所述训练蛋白质结构对应的训练氨基酸序列，所述功能知识关系图指示了蛋白质结构和蛋白质功能之间的关联关系。基于该序列预测模型，以基于输入的蛋白质结构而预测其对应的氨基酸序列，以便于基于该氨基酸序列实现从头蛋白质设计。

在该实施例中，在对序列预测模型的训练过程中会结合蛋白质样本对应的功能知识关系图进行训练，从而可以提高模型训练过程中对具有不同功能的蛋白质的区分能力，以在一定程度上降低输出不符合期望的氨基酸序列的可能性，从而保证该序列预测模型的准确度和预测效率。

由此，通过上述技术方案，可以通过训练序列预测模型以实现从蛋白质结构到其对应的蛋白质氨基酸序列的预测，从而提高氨基酸序列的预测准确度和效率，为基于从头蛋白质设计实现的生物工程任务提供可靠的数据支持。同时，在对序列预测模型的训练过程中能够结合蛋白质结构具有的蛋白质功能，提高该训练所得的模型预测未知但是具有类似功能的蛋白质氨基酸序列的泛化能力，从而能够进一步保证基于该序列预测模型输出的氨基酸序列的准确性。

在一种可能的实施例中，所述功能知识关系图可以通过如下方式确定：

获取多个蛋白质结构以及每一所述蛋白质结构对应的蛋白质功能。

作为示例，可以获取已知的蛋白质数据库中的蛋白质结构，进一步地，基于该蛋白质结构在蛋白质数据库中进行查询，以确定该蛋白质结构对应的蛋白质功能。

作为另一示例，为了提高训练样本和功能知识关系图中的关联关系的丰富性和多样性，可以获取AlphaFold2模型预测出的蛋白质结构，同样地，可以基于该蛋白质结构在蛋白质数据库中查询以获得其对应的蛋白质功能，如蛋白质数据库可以为UniProtKB。

之后，以所述蛋白质结构作为结构节点，以所述蛋白质功能作为功能节点，并根据所述蛋白质结构以及所述蛋白质功能之间的关系，构建所述功能知识关系图的图节点之间的连接关系，以获得所述功能知识关系图，所述图节点包括所述结构节点和所述功能节点。

如，蛋白质结构可以具有对应的蛋白质功能，而针对蛋白质功能，可以预先构建各个功能之间的关联关系表，如蛋白质功能A1属于蛋白质功能A，蛋白质功能A11属于蛋白质功能A1。

则在构建连接关系时，则基于蛋白质结构c1进行查询，确定其具有蛋白质功能A1，则可以该蛋白质结构作为结构节点，如图2中的c1节点，以蛋白质功能A1作为功能节点，如图2中的A1节点，并形成由结构节点指向功能节点的有向连线，即分别生成由蛋白质对应的结构节点指向其具有的功能对应的功能节点的有向连线，以构建结构节点和功能节点之间的连接关系。其他蛋白质结构与蛋白质功能对应的节点之间的连线以相同的方式形成，不再赘述。

进一步地，不同的蛋白质功能之间也会具有关联关系，则可以根据上文所述预先设置的关联关系表，生成由子功能指向其所属功能的有向连线，如确定蛋白质功能A1属于蛋白质功能A，则可以生成由功能节点A1指向功能节点A的有向连线，以构建功能节点和功能节点之间的连接关系。其他功能节点之间的连线的生成方式相同，在此不再赘述。获得的功能知识关系图如图2所示。

由此，通过上述技术方案，可以基于已知的蛋白质结构和其具有的蛋白质功能构建功能知识关系图，示例地，该功能知识关系图可以表示为有向无环图，则可以基于该功能知识关系图将蛋白质功能之间的关联关系以及蛋白质结构和蛋白质功能之间的关联关系进行表示，便于确定包含相同蛋白质功能的蛋白质结构，便于确定蛋白质之间的相似性。

在一种可能的实施例中，所述序列预测模型可以通过以下方式训练获得：

获取所述多个蛋白质样本。

其中，蛋白质样本可以基于现有的蛋白质实验室数据形成，如蛋白质数据库UniProtKB中的蛋白质数据。进一步地，为了提高训练样本的数量，可以将基于AlphaFold2模型预测出的蛋白质结构作为蛋白质样本，以提高训练所得的序列预测模型的准确性。

将样本分组下的训练蛋白质结构输入预设模型，根据所述预设模型中的编码器进行特征提取，获得所述样本分组下的训练蛋白质结构对应的特征序列。

示例地，在训练过程中，可以从采用mini-batch的学习方式，如可以从多个蛋白质样本中随机选择N个作为一个样本分组。作为示例，该编码器可以基于GVP(GeometricVector Perceptron，几何矢量感知器)和GNN(Graph Neural Network，图神经网络)实现，其中GVP层可以学习向量特征的等变转换和标量特征的不变变换，将GVP层加到GNN中进行特征提取，以获得具有平移不变特性的特征，并且每一层中的特征都是旋转等变的。将提取到的该mini-batch中的各个训练蛋白质结构对应的特征形成该特征序列。

进一步，基于所述预设模型中的解码器对所述特征序列进行解码，获得预测氨基酸序列。

其中，该解码器可以基于是基于通用的Transformer模型实现，则可以基于该Transformer模型进行解码，获得到蛋白质氨基酸序列(即蛋白质的一级结构)的表示，之后，可以将解码获得的表示输入MLP(Multilayer Perceptron，多层感知机)层，以获得蛋白质结构对应的预测氨基酸序列。其中，Transformer模型和MLP层的处理方式可以采用其本领域中常用的方式，对此不作限定。示例地，该预设模型可以基于GVP-GNN-Transformer模型实现。

在训练过程中，可以根据所述功能知识关系图，确定所述样本分组下的训练蛋白质结构对应的训练相似度矩阵。

在该实施例中，功能知识关系图中包含了蛋白质结构和蛋白质功能之间的关系，其中也包含不同的蛋白质功能之间的关系，则可以基于该功能知识关系图，确定该mini-batch中的训练蛋白质结构对应的相似度矩阵，以便对具有相似蛋白质功能的蛋白质结构进行聚类，进而对模型输出的预测氨基酸序列进行约束。

根据所述样本分组下的训练蛋白质结构对应的所述预测氨基酸序列、所述训练氨基酸序列和所述训练相似度矩阵，确定所述预设模型的目标损失，以根据所述目标损失对所述预设模型的模型参数进行训练，获得所述序列预测模型。

示例地，根据所述目标损失对所述预设模型的模型参数进行训练，可以是在目标损失大于预设的损失阈值的情况下，对预设模型的模型参数进行调整，在目标损失不大于预设的损失阈值，认为训练完成以获得该序列预测模型。又例如，可以在训练次数未达到目标次数的情况下，对预设模型的模型参数进行调整，在训练次数达到目标次数的情况下，对预设模型的模型参数进行调整。其中，对模型参数的调整方式可以采用本领域中常用的调整方式进行调整，如初始学习率可以设置为le-3，并通过Adam优化器进行模型参数的调整优化，本公开对此不作限定。

由此，通过上述技术方案，在对序列预测模型的训练过程中会结合蛋白质样本对应的功能知识关系图进行训练，从而可以提高模型训练过程中对具有不同功能的蛋白质的区分能力，以在一定程度上降低输出不符合期望的氨基酸序列的可能性，从而保证该序列预测模型的准确度和预测效率。

在一种可能的实施例中，所述根据所述功能知识关系图，确定所述样本分组下的训练蛋白质结构对应的训练相似度矩阵的示例性实现方式可以包括：

针对所述样本分组下的训练蛋白质结构中的任意两个训练蛋白质结构，确定所述两个训练蛋白质结构在所述功能知识关系图中向根方向上的第一个共同节点。

示例地，功能知识关系图如图2所示，其中，方形节点用于表示蛋白质结构，圆形节点用于表示蛋白质功能。如图2所示，节点c1和c2对应的蛋白质均具有蛋白质功能A1，且蛋白质功能A1属于蛋白质功能A，蛋白质功能A11属于蛋白质功能A1。

在该步骤中，可以基于LCS(Least Common Subsumer)算法确定两个训练蛋白质结构在所述功能知识关系图中向根方向上的第一个共同节点。该LCS算法的具体实现不再赘述。

之后，根据所述共同节点和所述两个训练蛋白质结构，确定所述两个训练蛋白质结构之间的相似度，以获得所述训练相似度矩阵。

示例地，可以基于该共同节点在功能知识关系图中的深度和两个训练蛋白质结构的深度，计算该两个训练蛋白质结构之间的相似度，如：

其中，sim(c1,c2)可以用于表示节点c1和节点c2对应的蛋白质之间的相似度，即基于深度计算出的相似度；LCS(c1,c2)可以用于表示节点c1和节点c2对应的该共同节点；depth()可以用于表示深度。

由此，可以基于样本分组下的训练蛋白质结构中的各个训练蛋白质结构形成训练相似度矩阵，该训练相似度矩阵中每一元素的取值即为行对应的训练蛋白质结构和列对应的训练蛋白质结构之间的相似度。

作为另一示例，可以基于香农信息论，即事件的信息量与事件的观测概率成反比的思想，计算两个训练蛋白质结构之间的相似度，如：

IC(P)＝log(1/P)

其中，IC(P)表示事件P的信息量，sim_lin(c1,c2)可以用于表示节点c1和节点c2对应的蛋白质之间的相似度，即基于信息量计算出的相似度。相应地，可以基于该相似度生成训练相似度矩阵，方式与上文所述相同，在此不再赘述。

由此，通过上述技术方案，可以通过已知蛋白质功能的蛋白质结构与功能知识关系图，确定当前样本分组下的训练蛋白质结构之间的相似度，以在一定程度上表征该样本分组下的蛋白质功能之间的关系，以便在模型训练的过程中可以通过蛋白质相似度的训练任务对模型进行约束，提高模型预测结果的准确度。

在一种可能的实施例中，所述根据所述样本分组下的训练蛋白质结构对应的所述预测氨基酸序列、所述训练氨基酸序列和所述训练相似度矩阵，确定所述预设模型的目标损失的示例性实现方式如下，该步骤可以包括：

根据各个所述预测氨基酸序列，确定所述样本分组下的训练蛋白质结构对应的预测相似度矩阵。

通常来说具有相同结构的蛋白质其对应的功能会比较类似，基于此，在本公开实施例中，可以在氨基酸序列预测的同时，确定预测所得的蛋白质之间的相似性。

作为示例，根据各个所述预测氨基酸序列，确定所述样本分组下的训练蛋白质结构对应的预测相似度矩阵的步骤可以包括：

对所述预测氨基酸序列的特征表示进行池化操作，获得所述氨基酸序列对应的蛋白质特征表示。

示例地，其中，该预测氨基酸序列的表示可以是基于解码器进行解码后获得的特征表示，该样本分组下的各个训练蛋白质结构对应的预测氨基酸序列的表示可以记为

其中，batch size用于表示样本分组下的训练蛋白质结构的数量，seqlen用于表示预测氨基酸序列的长度，hidden dim用于表示在确定预测氨基酸序列时对应的隐藏层节点的数量。

则在步骤中，可以对预测氨基酸序列的表示作为平均池化处理，以获得蛋白质特征表示，蛋白质特征表示记为

以在抽象的高纬度空间(embedding space)获得蛋白质表示，以便实现对相似功能的蛋白质的聚类。其中平均池化处理可以采用本领域中常用的计算方式，在此不再赘述。

之后，分别计算各个蛋白质特征表示之间的相似度，以根据所述相似度生成所述预测相似度矩阵。

如，

为样本分组下的第i个蛋白质特征表示，则可以通过以下公式计算两个蛋白质特征表示之间的相似度：

其中，M_ij用于表示第i个蛋白质特征表示E_i和第j个蛋白质特征表示E_j之间的相似度；tanh()用于表示双曲正切函数；₁用于表示L1范数。

由此，可以基于上述公式对样本分组下各个蛋白质进行两两的相似度计算，以形成预测相似度矩阵，其中，该预测相似度矩阵中每一元素的取值即为行对应的蛋白质特征表示和列对应的蛋白质特征表示之间的相似度。则该预测相似度矩阵为对称矩阵，其中，该预测相似度矩阵中和训练相似度矩阵中的行和列对应的蛋白质的维度排列相同。

之后，根据所述预测相似度矩阵和所述训练相似度矩阵，确定第一损失。

作为示例，可以预测相似度矩阵和训练相似度矩阵之间的距离，确定为第一损失，如该距离可以是欧式距离。

作为另一示例，所述根据所述预测相似度矩阵和所述训练相似度矩阵，确定第一损失可以包括：

将所述预测相似度矩阵和所述训练相似度矩阵对应的相关系数的相反数，确定为所述第一损失。

示例地，该相关系数可以为皮尔逊相关系数，其具体计算方式为本领域常规技术。在该实施例中，通过对预测相似度矩阵和训练相似度矩阵进行整体计算，以将样本分组下的蛋白质结构对应的蛋白质功能和预测出的氨基酸序列对应的蛋白质功能进行整体性对比，通过对蛋白质相似性任务的学习获得第一损失，保证该损失计算的效率，同时保证对模型训练过程中基于模型损失进行模型参数调整的准确性，提高模型训练的效率。通过计算该第一损失，以便提升模型在氨基酸序列的预测过程中对拥有不同功能的蛋白质的区分能力，从而降低输出不符合期望的氨基酸序列的可能性。

并且，根据所述预测氨基酸序列和所述训练氨基酸序列，确定第二损失。

示例地，可以基于预测氨基酸序列和训练氨基酸序列进行交叉熵损失(CrossEntropy Loss)计算，将该交叉熵损失作为该第二损失，以对训练蛋白质结构对应的真实氨基酸序列和基于模型获得的预测氨基酸序列进行比较，

将所述第一损失和所述第二损失进行加权求和，获得所述目标损失。

示例地，第一损失和第二损失对应的权重可以基于实际应用场景进行预先设置，本公开对此不作限定。

由此，通过上述技术方案，在对序列预测模型的训练过程中，确定目标损失时，其中不仅包含对预测氨基酸序列的损失确定，同时结合预测出的氨基酸序列对应的蛋白质功能与样本中的蛋白质功能之间的相似度进行损失约束，以提升模型预测未知但是具有类似功能的蛋白质氨基酸序列的泛化能力，提高训练所得的序列预测模型的预测准确性。

基于同样的发明构思，本公开还提供一种序列预测模型的训练方法，该方法可以包括：

获取多个蛋白质样本，每一所述蛋白质样本中包括训练蛋白质结构以及所述训练蛋白质结构对应的训练氨基酸序列；

将样本分组下的训练蛋白质结构输入预设模型，根据所述预设模型中的编码器进行特征提取，获得所述样本分组下的训练蛋白质结构对应的特征序列；

基于所述预设模型中的解码器对所述特征序列进行解码，获得预测氨基酸序列；

根据所述功能知识关系图，确定所述样本分组下的训练蛋白质结构对应的训练相似度矩阵；

其中，上述步骤的具体实现方式已在上文详述，在此不再赘述。

基于同样的发明构思，本公开还提供一种序列预测装置，如图3所示，所述装置10包括：

接收模块100，用于接收目标蛋白质结构，其中，所述目标蛋白质结构中具有目标蛋白质功能；

处理模块200，用于将所述目标蛋白质结构输入训练的序列预测模型，获得所述目标蛋白质结构对应的氨基酸序列；

可选地，所述序列预测模型通过训练装置训练获得，所述训练装置包括：

获取模块，用于获取所述多个蛋白质样本；

提取模块，用于将样本分组下的训练蛋白质结构输入预设模型，根据所述预设模型中的编码器进行特征提取，获得所述样本分组下的训练蛋白质结构对应的特征序列；

解码模块，用于基于所述预设模型中的解码器对所述特征序列进行解码，获得预测氨基酸序列；

确定模块，用于根据所述功能知识关系图，确定所述样本分组下的训练蛋白质结构对应的训练相似度矩阵；

训练模块，用于根据所述样本分组下的训练蛋白质结构对应的所述预测氨基酸序列、所述训练氨基酸序列和所述训练相似度矩阵，确定所述预设模型的目标损失，以根据所述目标损失对所述预设模型的模型参数进行训练，获得所述序列预测模型。

可选地，所述确定模块包括：

第一确定子模块，用于针对所述样本分组下的训练蛋白质结构中的任意两个训练蛋白质结构，确定所述两个训练蛋白质结构在所述功能知识关系图中向根方向上的第一个共同节点；

第二确定子模块，用于根据所述共同节点和所述两个训练蛋白质结构，确定所述两个训练蛋白质结构之间的相似度，以获得所述训练相似度矩阵。

可选地，所述训练模块包括：

第三确定子模块，用于根据各个所述预测氨基酸序列，确定所述样本分组下的训练蛋白质结构对应的预测相似度矩阵；

第四确定子模块，用于根据所述预测相似度矩阵和所述训练相似度矩阵，确定第一损失；

第五确定子模块，用于根据所述预测氨基酸序列和所述训练氨基酸序列，确定第二损失；

第六确定子模块，用于将所述第一损失和所述第二损失进行加权求和，获得所述目标损失。

可选地，所述第三确定子模块包括：

处理子模块，用于对所述预测氨基酸序列的特征表示进行池化操作，获得所述氨基酸序列对应的蛋白质特征表示；

计算子模块，用于分别计算各个蛋白质特征表示之间的相似度，以根据所述相似度生成所述预测相似度矩阵。

可选地，所述第四确定子模块进一步用于：

可选地，所述功能知识关系图通过如下方式确定：

获取多个蛋白质结构以及每一所述蛋白质结构对应的蛋白质功能；

以所述蛋白质结构作为结构节点，以所述蛋白质功能作为功能节点，并根据所述蛋白质结构以及所述蛋白质功能之间的关系，构建所述功能知识关系图的图节点之间的连接关系，以获得所述功能知识关系图，所述图节点包括所述结构节点和所述功能节点。

本公开还提供一种序列预测模型的训练装置，所述训练装置包括：

获取模块，用于获取所述多个蛋白质样本；

下面参考图4，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收目标蛋白质结构，其中，所述目标蛋白质结构中具有目标蛋白质功能；将所述目标蛋白质结构输入训练的序列预测模型，获得所述目标蛋白质结构对应的氨基酸序列；其中，所述序列预测模型是基于多个蛋白质样本、以及所述多个蛋白质样本对应的功能知识关系图训练所得的，每一所述蛋白质样本中包括训练蛋白质结构以及所述训练蛋白质结构对应的训练氨基酸序列，所述功能知识关系图指示了蛋白质结构和蛋白质功能之间的关联关系。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，接收模块还可以被描述为“接收目标蛋白质结构的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种序列预测方法，其中，所述方法包括：

根据本公开的一个或多个实施例，示例2提供了示例1的方法，其中，所述序列预测模型通过以下方式训练获得：

获取所述多个蛋白质样本；

根据本公开的一个或多个实施例，示例3提供了示例2的方法，其中，所述根据所述功能知识关系图，确定所述样本分组下的训练蛋白质结构对应的训练相似度矩阵，包括：

针对所述样本分组下的训练蛋白质结构中的任意两个训练蛋白质结构，确定所述两个训练蛋白质结构在所述功能知识关系图中向根方向上的第一个共同节点；

根据所述共同节点和所述两个训练蛋白质结构，确定所述两个训练蛋白质结构之间的相似度，以获得所述训练相似度矩阵。

根据本公开的一个或多个实施例，示例4提供了示例2的方法，其中，所述根据所述样本分组下的训练蛋白质结构对应的所述预测氨基酸序列、所述训练氨基酸序列和所述训练相似度矩阵，确定所述预设模型的目标损失，包括：

根据各个所述预测氨基酸序列，确定所述样本分组下的训练蛋白质结构对应的预测相似度矩阵；

根据所述预测相似度矩阵和所述训练相似度矩阵，确定第一损失；

根据所述预测氨基酸序列和所述训练氨基酸序列，确定第二损失；

根据本公开的一个或多个实施例，示例5提供了示例4的方法，其中，所述根据各个所述预测氨基酸序列，确定所述样本分组下的训练蛋白质结构对应的预测相似度矩阵，包括：

对所述预测氨基酸序列的特征表示进行池化操作，获得所述氨基酸序列对应的蛋白质特征表示；

分别计算各个蛋白质特征表示之间的相似度，以根据所述相似度生成所述预测相似度矩阵。

根据本公开的一个或多个实施例，示例6提供了示例4的方法，其中，所述根据所述预测相似度矩阵和所述训练相似度矩阵，确定第一损失，包括：

根据本公开的一个或多个实施例，示例7提供了示例1的方法，其中，所述功能知识关系图通过如下方式确定：

根据本公开的一个或多个实施例，示例8提供了一种序列预测装置，所述装置包括：

根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7中任一项所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims

1.一种序列预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述序列预测模型通过以下方式训练获得：

获取所述多个蛋白质样本；

3.根据权利要求2所述的方法，其特征在于，所述根据所述功能知识关系图，确定所述样本分组下的训练蛋白质结构对应的训练相似度矩阵，包括：

4.根据权利要求2所述的方法，其特征在于，所述根据所述样本分组下的训练蛋白质结构对应的所述预测氨基酸序列、所述训练氨基酸序列和所述训练相似度矩阵，确定所述预设模型的目标损失，包括：

5.根据权利要求4所述的方法，其特征在于，所述根据各个所述预测氨基酸序列，确定所述样本分组下的训练蛋白质结构对应的预测相似度矩阵，包括：

6.根据权利要求4所述的方法，其特征在于，所述根据所述预测相似度矩阵和所述训练相似度矩阵，确定第一损失，包括：

7.根据权利要求1所述的方法，其特征在于，所述功能知识关系图通过如下方式确定：

8.一种序列预测装置，其特征在于，所述装置包括：

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。