CN115910220B - 一种基于量子计算机的蛋白质氨基酸性质的编码方法及系统 - Google Patents
一种基于量子计算机的蛋白质氨基酸性质的编码方法及系统 Download PDFInfo
- Publication number
- CN115910220B CN115910220B CN202310000907.7A CN202310000907A CN115910220B CN 115910220 B CN115910220 B CN 115910220B CN 202310000907 A CN202310000907 A CN 202310000907A CN 115910220 B CN115910220 B CN 115910220B
- Authority
- CN
- China
- Prior art keywords
- quantum
- amino acid
- protein
- encoding
- coding
- 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
Links
- 150000001413 amino acids Chemical class 0.000 title claims abstract description 83
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 75
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 30
- 239000002096 quantum dot Substances 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 2
- 230000001086 cytosolic effect Effects 0.000 claims 2
- 239000002253 acid Substances 0.000 claims 1
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 claims 1
- 235000001014 amino acid Nutrition 0.000 description 59
- 235000018102 proteins Nutrition 0.000 description 53
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- QNAYBMKLOCPYGJ-REOHCLBHSA-N L-alanine Chemical compound C[C@H](N)C(O)=O QNAYBMKLOCPYGJ-REOHCLBHSA-N 0.000 description 2
- 235000004279 alanine Nutrition 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 1
- -1 alanine Chemical class 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Peptides Or Proteins (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于量子计算机的蛋白质氨基酸性质的编码方法及系统,其中所述方法包括:识别所述蛋白质;从PDB蛋白质数据库中获取所述蛋白质的序列信息;基于所述序列信息读取对应的氨基酸;定义所述氨基酸的待编码的属性数量N;基于所述N,选择相应的编码规则。相比于之前的编码方法,本发明所需要的量子比特数目更少,更好地适用于目前各大公司发展的各种含噪声中尺度量子计算机(NISQ),并用于蛋白质序列的特征学习,从而使得我们可以充分利用目前已经发展的量子计算机到生物蛋白领域当中,以解决这一领域中一些经典计算机不能或者难以解决的问题。
Description
技术领域
本发明属于量子计算机技术领域,尤其涉及一种基于量子计算机的蛋白质氨基酸性质的编码方法及系统。
背景技术
蛋白质由氨基酸构成,是生命活动的主要承担者。蛋白质的结构和功能十分复杂,研究起来十分困难。相比于传统计算机,量子计算机的储存和计算能力更加强大,在模拟蛋白质的问题上具有较大的优势。但是,量子计算机无法直接识别并读取蛋白质中的氨基酸序列。因此,我们必须通过合适的编码方式,将组成蛋白质的氨基酸序列编码到量子计算机中的量子比特上。蛋白质中的常见氨基酸有二十种不同类型。在传统的量子编码方式中,二十种氨基酸被表示成简单的二进制独热编码,然后将这些二进制数简单地映射到量子比特上。
在传统的量子编码方式中,仅仅使用二进制数将二十种氨基酸表示成二十个独立的状态。该方法只能反应出蛋白质序列中氨基酸的有与没有,除此之外不能反应出氨基酸的其他任何性质。在化学上,不同的氨基酸的性质相差较大。氨基酸按照支链性质分类,可以分为疏水、亲水氨基酸等;按照酸碱性来分,可以分为酸性和碱性氨基酸。使用简单的二进制编码显然无法体现氨基酸的独特性质。
发明内容
针对上述现有技术中存在的缺陷,本发明提供一种基于量子计算机的蛋白质氨基酸性质的编码方法,包括以下步骤:
步骤S101、识别所述蛋白质;
步骤S103、从PDB蛋白质数据库中获取所述蛋白质的序列信息;
步骤S105、基于所述序列信息读取对应的氨基酸;
步骤S107、定义所述氨基酸的待编码的属性数量N;
步骤S109、基于所述N,选择相应的编码规则。
其中,所述步骤S109包括:
判断所述属性数量N是否大于2;
若所述N大于2,则选择第一编码规则;
否则,选择第二编码规则。
其中,所述步骤S109还包括:
读取N个属性参数,得到所述蛋白质序列中每个氨基酸的特征向量;
将所述特征向量输入相应的编码模型。
其中,将所述特征向量输入相应的编码模型之前,包括:
特征向量可以通过取反正切函数处理的方式,进行预处理。
其中,所述预处理具体包括:
将特征向量,逐元素的求反正切函数,得到量子门的旋转角。
,
其中,表示特征向量中的一个特征元素,即氨基酸的一种属性。
其中,所述第一编码规则为:通过交替作用旋转量子门和旋转量子门在单个量子特上,将蛋白质序列氨基酸的经典特征数据编码在量子态的振幅上。
其中,当N=3时,所述量子门的交替作用,实现如下式所示,
,由上式可见,在量子态上交替作用旋转量子门和旋转量子门,氨基酸特征向量中的三个特征属性均可被编码在量子态的振幅上。
其中,所述第二编码规则为:通过正交的旋转量子门和旋转门作用在单个量子比特上,使得单个量子比特就可以将特征向量的两个属性。
其中,所述属性参数至少包括:极化率、范德华体积、疏水性、等电点、螺旋性、折叠性。
本发明还提出了一种基于上述方法的基于量子计算机的蛋白质氨基酸性质的编码系统,其特征在于,所述系统包括:
识别模块,其用于识别所述蛋白质;
获取模块,其用于从PDB蛋白质数据库中获取所述蛋白质的序列信息;
读取模块,其用于基于所述序列信息读取对应的氨基酸;
定义模块,其用于定义所述氨基酸的待编码的属性数量N;
选择模块,其用于基于所述N,选择相应的编码规则。
与现有技术相比,本发明提出的编码方法非常灵活,它可以根据特征属性的维度,提供的真实量子计算机有效的量子比特数自行改变交替作用的旋转门数G。相比于之前的编码方法,所需要的量子比特数目更少,更好地适用于目前各大公司发展的各种含噪声中尺度量子计算机(NISQ),并用于蛋白质序列的特征学习,从而使得我们可以充分利用目前已经发展的量子计算机到生物蛋白领域当中,以解决这一领域中一些经典计算机不能或者难以解决的问题。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示出根据本发明实施例的与第一编码规则对应的编码特征属性的量子线路原理框图;
图2是示出根据本发明实施例的与第一编码规则对应的编码特征属性的量子线路原理框图;
图3是示出根据本发明实施例的一种基于量子计算机的蛋白质氨基酸性质的编码方法流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本发明实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
应当理解,本文中使用的术语“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,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
文中缩略语解释
PDB(Protein Data Bank) 蛋白质数据库
NISQ(noisy intermediate-scale quantum) 含噪声中尺度量子计算机
下面结合附图详细说明本发明的可选实施例。
实施例一、
氨基酸的性质多种多样,为了更好的体现氨基酸的特性,选取了最具有代表性的六种参数:极化率、范德华体积、疏水性、等电点、螺旋性、折叠性。根据这些参数,本发明构建了蛋白质的编码矩阵。
在具体的编码过程中,首先从PDB蛋白质数据库或者其他的地方得到蛋白质的序列信息。序列信息一般表示为单字母氨基酸序列。根据蛋白质的简称,将单字母氨基酸序列转化为对应的氨基酸。
如表1所示,在表中找到对应的氨基酸,读取其六个性质参数,得到蛋白质序列中每个氨基酸的向量特征向量。
表1
为了将经典数据编码为量子态,特征向量可以通过取反正切函数处理的方式,进行预处理,将特征向量,逐元素的求反正切函数,得到量子门的旋转角,具体的公式表示如下:
,
注意此处表示特征向量中的一个特征元素,即氨基酸的一种属性。
接下来通过两种方式处理特征数据旋转角,得到量子态编码:第一种是正交旋转角度编码方法;第二种是交替旋转角度编码方法。
其中正交旋转角度编码方法,其根据蛋白质序列氨基酸特征属性的维度及其所需要的量子比特数,通过正交的旋转门作用在单个量子比特上,使得单个量子比特就可以将特征向量的两个属性,通过以上公式将经典数据编码为量子态,其所需要的量子比特数为其中为特征属性的维度。
第二种是交替旋转角度编码方法,其通过交替作用旋转量子门和旋转量子门在单个量子特上,将蛋白质序列氨基酸的经典特征数据编码在量子态的振幅上。下面为理论推导,此处为了进行原理演示,只实现了三个量子门的交替作用,实现如下式所示,
由上式我们可以观察到,在量子态上交替作用旋转量子门和旋转量子门,氨基酸特征向量中的三个特征属性均可被编码在量子态的振幅上,如果有多个特征我们可以通过在多个量子比特上交替作用量子门实现特征到量子态的编码,编码所需要的量子比特数为,其中为特征属性的维度,为交替作用的旋转门数,具体G的大小需要根据特征属性的维度,所提供的真实量子计算机有效的量子比特数,以及量子门的保真度来选择。通过上诉两种方式均可实现蛋白质序列氨基酸的特征编码为量子态,以便用量子计算机对蛋白质序列进行处理。
实施例二、
以下实施例用于进一步解释本发明提出的蛋白质序列氨基酸的量子态编码方法。
首先将表征蛋白质序列氨基酸特征属性进行数据处理,具体为将蛋白质序列氨基酸特征属性数据取反正切得到旋转量子门和旋转量子门的旋转角。此处我们采用的蛋白质序列氨基酸固有属性数据如表1所示,其中第一列表示丙氨酸等20种氨基酸,从第二列开始分别表示蛋白质序列氨基酸的极化率、范德华体积、疏水性、等电点、螺旋性、折叠性,共6种属性。
由于蛋白质序列中的每种氨基酸均由这六种属性表示,因此每种氨基酸特征属性的维度均为6。这里仅以一种氨基酸来进行实施列的说明,其中选择一个丙氨酸,由表1可知其相应的特征属性,对其逐元素的取反正切我们得到特征属性相应的旋转角度。
将表征各种氨基酸特征属性进行数据处理,其包括两种方式,第一种是正交旋转角度编码规则和第二种是交替旋转角度编码规则。
对于第一种:正交旋转角度编码规则,其通过正交的旋转量子门和旋转门作用在单个量子比特上,其中的角度为上一步经过预处理之后的旋转角中的一个元素值,相应于编码特征属性的量子线路如图1所示。
对于第二种:交替旋转角度编码规则。其通过交替作用旋转量子门和旋转量子门在单个量子比特上,将蛋白质序列氨基酸的经典特征数据编码在量子态的振幅上,相应的量子线路如图2所示。
其中的每个参数,相应于经过第一步预处理之后的角度的每个属性。基于上诉本发明提出的蛋白质序列氨基酸的量子态编码方法,可将蛋白质序列氨基酸的特征属性编码为量子态,以便用量子计算机对蛋白质序列进行处理。
实施例三、
如图3所示,本发明提出的一种基于量子计算机的蛋白质氨基酸性质的编码方法,包括以下步骤:
步骤S101、识别所述蛋白质;
步骤S103、从PDB蛋白质数据库中获取所述蛋白质的序列信息;
步骤S105、基于所述序列信息读取对应的氨基酸;
步骤S107、定义所述氨基酸的待编码的属性数量N;
步骤S109、基于所述N,选择相应的编码规则。
其中,所述步骤S109包括:
判断所述属性数量N是否大于2;
若所述N大于2,则选择第一编码规则;
否则,选择第二编码规则。
其中,所述步骤S109还包括:
读取N个属性参数,得到所述蛋白质序列中每个氨基酸的特征向量;
将所述特征向量输入相应的编码模型。
其中,将所述特征向量输入相应的编码模型之前,包括:
特征向量可以通过取反正切函数处理的方式,进行预处理。
其中,所述预处理具体包括:
将特征向量,逐元素的求反正切函数,得到量子门的旋转角。
,
其中,表示特征向量中的一个特征元素,即氨基酸的一种属性。
其中,所述第一编码规则为:通过交替作用旋转量子门和旋转量子门在单个量子特上,将蛋白质序列氨基酸的经典特征数据编码在量子态的振幅上。
其中,当N=3时,所述量子门的交替作用,实现如下式所示,
,由上式可见,在量子态上交替作用旋转量子门和旋转量子门,氨基酸特征向量中的三个特征属性均可被编码在量子态的振幅上。
其中,所述第二编码规则为:通过正交的旋转量子门和旋转门作用在单个量子比特上,使得单个量子比特就可以将特征向量的两个属性。
其中,所述属性参数至少包括:极化率、范德华体积、疏水性、等电点、螺旋性、折叠性。
实施例四、
本发明还提出了一种基于上述方法的基于量子计算机的蛋白质氨基酸性质的编码系统,其特征在于,所述系统包括:
识别模块,其用于识别所述蛋白质;
获取模块,其用于从PDB蛋白质数据库中获取所述蛋白质的序列信息;
读取模块,其用于基于所述序列信息读取对应的氨基酸;
定义模块,其用于定义所述氨基酸的待编码的属性数量N;
选择模块,其用于基于所述N,选择相应的编码规则。
实施例五、
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行如上实施例所述的方法步骤。
需要说明的是,本申请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可以但不限于电、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。在本申请中,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。而在本申请中,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。
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。
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申请的操作的计算机程序代码,上述程序设计语言包括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(AN)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,图示了按照本申请各种实施例的系统、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。
描述于本发明实施例中所涉及到的单元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,单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式,旨在使得本发明的精神更加清楚和便于理解,并不是为了限制本发明,凡在本发明的精神和原则之内,所做的修改、替换、改进,均应包含在本发明所附的权利要求概括的保护范围之内。
Claims (7)
1.一种基于量子计算机的蛋白质氨基酸性质的编码方法,其特征是,包括以下步骤:
步骤S101、识别所述蛋白质;
步骤S103、从PDB蛋白质数据库中获取所述蛋白质的序列信息;
步骤S105、基于所述序列信息读取对应的氨基酸;
步骤S107、定义所述氨基酸的待编码的属性数量N;
步骤S109、基于所述N,选择相应的编码规则;
其中所述步骤S109包括:
判断所述属性数量N是否大于2;
若所述N大于2,则选择第一编码规则;
否则,选择第二编码规则;
其中所述第一编码规则为:将旋转量子门和旋转量子门交替作用在单个量子比特上,从而将蛋白质序列氨基酸的经典特征数据编码在量子态的振幅上;
其中所述第二编码规则为:将旋转量子门和旋转量子门正交作用在单个量子比特上,使得单个量子比特就可以表达特征向量的两个属性。
2.如权利要求1所述基于量子计算机的蛋白质氨基酸性质的编码方法,其特征是,其中所述步骤S109还包括:
读取N个属性参数,得到所述蛋白质序列中每个氨基酸的特征向量;
将所述特征向量输入相应的编码模型。
3.如权利要求2所述基于量子计算机的蛋白质氨基酸性质的编码方法,其特征是,其中将所述特征向量输入相应的编码模型之前,包括:
特征向量通过取反正切函数处理的方式,进行预处理。
4.如权利要求3所述基于量子计算机的蛋白质氨基酸性质的编码方法,其特征是,其中所述预处理具体包括:
将特征向量,逐元素的求反正切函数,得到量子门的旋转角,
,
其中,表示特征向量中的一个特征元素,即氨基酸的一种属性。
5.如权利要求4所述基于量子计算机的蛋白质氨基酸性质的编码方法,其特征是,当N=3时,所述量子门的交替作用,实现如下式:
,由上式可见,在量子态上交替作用旋转量子门和旋转量子门,氨基酸特征向量中的三个特征属性均可被编码在量子态的振幅上。
6.如权利要求2所述基于量子计算机的蛋白质氨基酸性质的编码方法,其特征是,所述属性参数至少包括:极化率、范德华体积、疏水性、等电点、螺旋性、折叠性。
7.一种基于量子计算机的蛋白质氨基酸性质的编码系统,其特征在于,所述系统包括:
识别模块,其用于识别所述蛋白质;
获取模块,其用于从PDB蛋白质数据库中获取所述蛋白质的序列信息;
读取模块,其用于基于所述序列信息读取对应的氨基酸;
定义模块,其用于定义所述氨基酸的待编码的属性数量N;
选择模块,其用于基于所述N,选择相应的编码规则;
其中,判断所述属性数量N是否大于2;
若所述N大于2,则选择第一编码规则;
否则,选择第二编码规则;
其中所述第一编码规则为:将旋转量子门和旋转量子门交替作用在单个量子比特上,从而将蛋白质序列氨基酸的经典特征数据编码在量子态的振幅上;
其中所述第二编码规则为:将旋转量子门和旋转量子门正交作用在单个量子比特上,使得单个量子比特就可以表达特征向量的两个属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310000907.7A CN115910220B (zh) | 2023-01-03 | 2023-01-03 | 一种基于量子计算机的蛋白质氨基酸性质的编码方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310000907.7A CN115910220B (zh) | 2023-01-03 | 2023-01-03 | 一种基于量子计算机的蛋白质氨基酸性质的编码方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115910220A CN115910220A (zh) | 2023-04-04 |
CN115910220B true CN115910220B (zh) | 2023-05-09 |
Family
ID=85740775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310000907.7A Active CN115910220B (zh) | 2023-01-03 | 2023-01-03 | 一种基于量子计算机的蛋白质氨基酸性质的编码方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115910220B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112289370A (zh) * | 2020-12-28 | 2021-01-29 | 武汉金开瑞生物工程有限公司 | 一种基于多任务时域卷积神经网络的蛋白质结构预测方法及装置 |
CN115064216A (zh) * | 2022-06-09 | 2022-09-16 | 中科合肥智慧农业协同创新研究院 | 一种基于位置序列矩阵的蛋白质编码方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7219018B2 (en) * | 2003-09-11 | 2007-05-15 | Franco Vitaliano | Quantum information processing elements and quantum information processing platforms using such elements |
CN105740646A (zh) * | 2016-01-13 | 2016-07-06 | 湖南工业大学 | 一种基于bp神经网络的蛋白质二级结构预测方法 |
CN117172325A (zh) * | 2022-02-01 | 2023-12-05 | 上海图灵智算量子科技有限公司 | 一种数据编码的方法 |
CN115099514A (zh) * | 2022-07-08 | 2022-09-23 | 建信金融科技有限责任公司 | 数据处理方法、装置、电子设备和存储介质 |
-
2023
- 2023-01-03 CN CN202310000907.7A patent/CN115910220B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112289370A (zh) * | 2020-12-28 | 2021-01-29 | 武汉金开瑞生物工程有限公司 | 一种基于多任务时域卷积神经网络的蛋白质结构预测方法及装置 |
CN115064216A (zh) * | 2022-06-09 | 2022-09-16 | 中科合肥智慧农业协同创新研究院 | 一种基于位置序列矩阵的蛋白质编码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115910220A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695674B (zh) | 联邦学习方法、装置、计算机设备及可读存储介质 | |
Bakır et al. | Learning to find pre-images | |
WO2021189844A1 (zh) | 多元kpi时间序列的检测方法、装置、设备及存储介质 | |
WO2022105125A1 (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN112966074A (zh) | 一种情感分析方法、装置、电子设备以及存储介质 | |
JP7191139B2 (ja) | 生体を検知するための方法及び装置 | |
US11315038B2 (en) | Method to measure similarity of datasets for given AI task | |
US20200364578A1 (en) | Hamming distance based robust output encoding for improved generalization | |
CN107292315B (zh) | 基于多尺度ltp特征的隐写分析方法和隐写分析装置 | |
US20230394306A1 (en) | Multi-Modal Machine Learning Models with Improved Computational Efficiency Via Adaptive Tokenization and Fusion | |
Pu et al. | Quick response barcode deblurring via doubly convolutional neural network | |
CN115330813A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN112836502A (zh) | 一种金融领域事件隐式因果关系抽取方法 | |
AlEisa et al. | Breast cancer classification using FCN and beta wavelet autoencoder | |
Khare et al. | Analysis of loss functions for image reconstruction using convolutional autoencoder | |
CN113592842A (zh) | 一种基于深度学习的样本血清质量识别方法及识别设备 | |
CN115910220B (zh) | 一种基于量子计算机的蛋白质氨基酸性质的编码方法及系统 | |
Zhong et al. | A brief, in-depth survey of deep learning-based image watermarking | |
CN114428860A (zh) | 院前急救病例文本的识别方法、装置、终端及存储介质 | |
CN116665110B (zh) | 一种视频动作识别的方法及设备 | |
CN113378921A (zh) | 数据筛选方法、装置及电子设备 | |
Graham et al. | Unsupervised 3d out-of-distribution detection with latent diffusion models | |
Altares-López et al. | AutoQML: Automatic generation and training of robust quantum-inspired classifiers by using evolutionary algorithms on grayscale images | |
CN115731243B (zh) | 基于人工智能及注意力机制的脊柱图像分割方法及装置 | |
Weston et al. | Learning to find pre-images |
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 |