CN116343905B - 蛋白质特征的预处理方法、装置、介质及设备 - Google Patents
蛋白质特征的预处理方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116343905B CN116343905B CN202211734281.4A CN202211734281A CN116343905B CN 116343905 B CN116343905 B CN 116343905B CN 202211734281 A CN202211734281 A CN 202211734281A CN 116343905 B CN116343905 B CN 116343905B
- Authority
- CN
- China
- Prior art keywords
- protein
- function
- functional
- determining
- 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.)
- Active
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 528
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 528
- 238000002203 pretreatment Methods 0.000 title description 4
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000002864 sequence alignment Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 99
- 230000004853 protein function Effects 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 59
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 239000003054 catalyst Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000035764 nutrition Effects 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 102100035180 Coiled-coil domain-containing protein 62 Human genes 0.000 description 3
- 101000737082 Homo sapiens Coiled-coil domain-containing protein 62 Proteins 0.000 description 3
- 150000001413 amino acids Chemical class 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012514 protein characterization Methods 0.000 description 3
- 238000000455 protein structure prediction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 101710100170 Unknown protein Proteins 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002887 multiple sequence alignment Methods 0.000 description 1
- 230000020978 protein processing Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
- G16B50/30—Data warehousing; Computing architectures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioethics (AREA)
- Data Mining & Analysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
Abstract
本公开涉及一种蛋白质特征的预处理方法、装置、介质及设备,所述方法包括:接收待处理的蛋白质;根据所述蛋白质和训练的蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征,其中,所述蛋白质特征为所述蛋白质特征预处理模型中的最后一个特征层输出的特征;其中,所述蛋白质特征预处理模型是基于多个蛋白质样本训练所得的,每一个所述蛋白质样本中包括蛋白质集中的多个蛋白质以及每一蛋白质对应的功能标识,所述蛋白质集为多序列比对MSA。由此,由于蛋白质特征预处理模型在训练的过程中学习到蛋白质集中的进化信息的同时,还能够学习到蛋白质的功能知识,则基于模型对蛋白质进行特征提取时,能够使得提取到的蛋白质特征更准确和丰富。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种蛋白质特征的预处理方法、装置、介质及设备。
背景技术
蛋白质是所有生命的基础物质,是机体细胞的最基本、最重要的组成部分。如蛋白质结构预测可以让我们更好的理解未知蛋白质的结构,从而推测它的功能。
现有方案中,通常直接基于蛋白质一级结构进行模型训练,然而由于蛋白质的结构复杂,通过上述方案难以对蛋白质的特征进行准确提取,从而影响下游分类或预测任务的准确性。
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,本公开提供一种蛋白质特征的预处理方法,所述方法包括:
接收待处理的蛋白质;
根据所述蛋白质和训练的蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征,其中,所述蛋白质特征为所述蛋白质特征预处理模型中的最后一个特征层输出的特征;
其中,所述蛋白质特征预处理模型是基于多个蛋白质样本训练所得的,每一个所述蛋白质样本中包括蛋白质集中的多个蛋白质以及每一蛋白质对应的功能标识,所述蛋白质集为多序列比对MSA。
第二方面,本公开提供一种蛋白质特征的预处理装置,所述装置包括:
接收模块,用于接收待处理的蛋白质;
处理模块,用于根据所述蛋白质和训练的蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征,其中,所述蛋白质特征为所述蛋白质特征预处理模型中的最后一个特征层输出的特征;
其中,所述蛋白质特征预处理模型是基于多个蛋白质样本训练所得的,每一个所述蛋白质样本中包括蛋白质集中的多个蛋白质以及每一蛋白质对应的功能标识,所述蛋白质集为多序列比对MSA。
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。
在上述技术方案中,由于蛋白质特征预处理模型是基于MSA蛋白质数据集以及每一蛋白质对应的功能标识进行训练的,能够使得模型在训练的过程中学习到蛋白质集中的进化信息的同时,还能够学习到蛋白质的功能知识,则基于训练的蛋白质特征预处理模型对蛋白质进行特征提取时,能够基于学习到的进化信息和功能知识进行特征提取,两者相互补充以提高提取出的蛋白质特征的丰富性,并且通过结合功能知识也可以在一定程度上避免相关技术中通过MSA数据集中的一些虚假关系(spurious correlation)来预测蛋白质特征,在提高提取到的蛋白质特征中包含信息的多样性的同时,还可以有效提高蛋白质特征的准确性,为基于该蛋白质特征进行下游任务处理,如蛋白质分类和蛋白质结构预测等提供可靠的数据支持。
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蛋白质特征的预处理方法的流程图。
图2是根据本公开的一种实施方式提供的蛋白质特征预处理模型的结构示意图。
图3为根据本公开的一种实施方式提供的蛋白质特征的预处理装置的框图。
图4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蛋白质特征的预处理方法的流程图,如图1所示,所述方法包括:
在步骤11中,接收待处理的蛋白质。
其中,该蛋白质可以是由多个氨基酸进行排布获得的氨基酸序列,如可以将进行蛋白质功能预测、分类或者氨基酸预测的蛋白质作为该待处理的蛋白质,以对该蛋白质进行特征提取,以便用于后续任务处理。
在步骤12中,根据蛋白质和训练的蛋白质特征预处理模型,获得蛋白质对应的蛋白质特征,其中,所述蛋白质特征为所述蛋白质特征预处理模型中的最后一个特征层输出的特征。
其中,所述蛋白质特征预处理模型是基于多个蛋白质样本训练所得的,每一个所述蛋白质样本中包括蛋白质集中的多个蛋白质以及每一蛋白质对应的功能标识,所述蛋白质集为MSA蛋白质数据集。
MSA(多序列对齐,Multiple Sequence Alignment)蛋白质数据集为用于训练MSATransformer的训练数据集,其中每一个MSA蛋白质数据集中包含具有类似进化信息的蛋白质,则在模型训练的过程中可以基于进化信息进行学习。本公开中的蛋白质集可以直接从开源的MSATransformer的训练数据集中选择部分或全部。并且,在该实施例中,可以针对蛋白质集中的每一蛋白质同时会关联其对应的功能标识,以基于该功能标识对蛋白质所具有的功能进行表示。由此可以基于上述获得的多个蛋白质样本进行模型训练,以基于训练所得的蛋白质特征预处理模型对待处理的蛋白质进行特征提取,获得该蛋白质对应的蛋白质特征。
由此,在上述技术方案中,由于蛋白质特征预处理模型是基于MSA蛋白质数据集以及每一蛋白质对应的功能标识进行训练的,能够使得模型在训练的过程中学习到蛋白质集中的进化信息的同时,还能够学习到蛋白质的功能知识,则基于训练的蛋白质特征预处理模型对蛋白质进行特征提取时,能够基于学习到的进化信息和功能知识进行特征提取,两者相互补充以提高提取出的蛋白质特征的丰富性,并且通过结合功能知识也可以在一定程度上避免相关技术中通过MSA数据集中的一些虚假关系(spurious correlation)来预测蛋白质特征,在提高提取到的蛋白质特征中包含信息的多样性的同时,还可以有效提高蛋白质特征的准确性,为基于该蛋白质特征进行下游任务处理,如蛋白质分类和蛋白质结构预测等提供可靠的数据支持。
可选地,所述蛋白质特征预处理模型通过以下方式确定:
获取所述多个蛋白质样本;
将所述蛋白质集中的每一蛋白质进行掩膜处理,获得掩膜蛋白质。
示例地,可以针对蛋白质集中的每一蛋白质进行随机掩膜处理,以遮盖其中的部分氨基酸,获得掩膜蛋白质。其中,随机掩膜处理的方法可以采用本领域中常用的掩膜处理方式,在此不再赘述。
将所述掩膜蛋白质与所述掩膜蛋白质对应的功能标识输入预设模型,获得所述掩膜蛋白质对应的训练蛋白质特征。
其中,蛋白质集中的每一蛋白质对应一个功能标识,则可以将该掩膜蛋白质和其对应的功能标识进行拼接后输入预设模型。如可以在将掩膜蛋白质输入模型时拼接一个用于表示该功能标识的token,以基于token捕捉具有相同的功能的蛋白质的信息。
假如掩膜蛋白质表示为{abb:储存营养,aab:催化剂,abc:催化剂},那么三个掩膜蛋白质abb,aab,abc在拼接token后的值为表示为:[CLS][a][b][b][EOS][1],[CLS][a][a][b][EOS][2],和[CLS][a][b][c][EOS][2],从而将其分别输入预设模型。
其中token即为[EOS]后面的[1]和[2],由于aab和abc拥有相同的功能(催化剂),它们的token都是一样的,token本身并没有对功能标识的指示性,是基于添加相同的token以确定具有相同功能的输入序列,从而基于预设模型对输入序列进行处理,以获得所述掩膜蛋白质对应的训练蛋白质特征。
之后,根据所述训练蛋白质特征确定预测蛋白质和各个预测功能分类;根据所述预测蛋白质、所述预测功能分类和所述蛋白质样本,确定所述预设模型的目标损失;根据所述目标损失对所述预设模型进行训练,并将训练完成的所述预设模型确定为所述蛋白质特征预处理模型。
其中,在获得训练蛋白质特征后,则可以基于该训练蛋白质特征进行任务处理,如进行蛋白质预测以获得预测蛋白质。同时,在本公开中蛋白质还关联有对应的功能标识,可以进一步基于该训练蛋白质特征确定预测功能分类。则可以基于预测蛋白质与真实的蛋白质进行对比,以及预测功能分类与功能标识进行对比,获得该目标损失。
之后基于该目标损失通过Adam优化器对预设模型的参数进行优化,直至该目标损失小于损失阈值或者训练次数达到次数阈值完成训练,从而获得该蛋白质特征预处理模型。
由此,通过上述技术方案,可以通过融合MSA和蛋白质知识的预训练方式对蛋白质特征预处理模型进行训练,预训练时的蛋白质结构和功能信息可以相互补充,以提供蛋白质本质上的信息,提高蛋白质特征预处理模型的通用性。
作为示例,所述根据所述蛋白质和训练的蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征,包括:
为所述蛋白质拼接预置的功能标识,获得拼接蛋白质;
将所述拼接蛋白质输入所述蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征。
其中,如上文所述,序列输入时需要拼接token,则针对待处理的蛋白质,可以预置默认的功能标识,如[1],token本身与功能标识之间并没有对应关系,则可以通过添加该预置的功能标识使得与模型训练时的输入序列一致,保证该拼接蛋白质输入模型进行特征提取时的准确性。
在一种可能的实施例中,所述获取所述多个蛋白质样本,包括:
获取多个蛋白质集,其中可以开源的MSA数据集中获得多个多序列比对MSA作为该多个蛋白质集。
针对每一蛋白质集,确定所述蛋白质集中的每一蛋白质具有的蛋白质功能。
其中,可以从UniProtKB知识库查询蛋白质具有的蛋白质功能。
作为示例,针对每一蛋白质,均可以从UniProtKB知识库进行查询。作为另一示例,由于不同的MSA中可能包含相同的蛋白质,则可以在查询到蛋白质具有的蛋白质功能后,将该蛋白质和对应的蛋白质功能对应存储在本地,则后续查询中可以先从本地查询蛋白质功能,在本地未查询到时,再从UniProtKB知识库中进行查询,从而可以有效降低对UniProtKB知识库的访问查询,节省查询时间。
根据所述蛋白质集下的蛋白质功能,确定所述蛋白质集中的每一蛋白质对应的功能标识。
由此,通过上述技术方案,可以通过对已有的MSA蛋白质集中的蛋白质的功能进行查询,以为其关联相应的功能标识,从而获得对应的蛋白质样本,提高蛋白质样本的生成效率和准确性。
在一种可能的实施例中,所述根据所述蛋白质集下的蛋白质功能,确定所述蛋白质集中的每一蛋白质对应的功能标识,可以包括:
确定所述蛋白质集对应的每一所述蛋白质功能的出现次数,并根据出现次数最多的蛋白质功能确定所述蛋白质集的目标功能。
作为示例,针对一个MSA[aaa,aab,aa],其中,蛋白质aaa的功能为{催化剂,储存营养},蛋白质aab的功能为{催化剂,传输营养},蛋白质aa的功能为{维持pH}。由此可以确定该MSA中出现次数最多的蛋白质功能为催化剂,则可以将该催化剂作为该目标功能。
示例地,若出现次数最多的蛋白质功能为一个,则可以直接将其作为该蛋白质集的目标功能,若出现次数最多的蛋白质功能为多个,则可以从中随机选择一个作为该蛋白质集的目标功能。
针对所述蛋白质集中的每一所述蛋白质,若所述蛋白质具有所述蛋白质集的目标功能,则将所述目标功能确定为所述蛋白质的功能标识;若所述蛋白质不具有所述蛋白质集的目标功能,则根据所述蛋白质具有的蛋白质功能中出现次数最多的蛋白质功能确定所述功能标识。
接上述示例,针对蛋白质aaa和蛋白质aab,其具有该目标功能催化剂,则可以将催化剂作为蛋白质aaa和蛋白质aab的功能标识。而针对蛋白质aa,其不具有该目标功能,则可以进一步确定其所具有的蛋白质功能中的功能中出现次数最多的蛋白质功能,如该示例中可以确定为维持pH,则将维持pH确定为蛋白质aa对应的功能标识。若该情况下,蛋白质具有的蛋白质功能中出现次数最多的蛋白质功能为多个,则从多个中随机选择一个作为该功能标识。
则该MSA形成的蛋白质样本可以表示为:{aaa:催化剂,aab:催化剂,aa:维持pH}。
由此,可以基于上述技术方案为MSA中的每一蛋白质关联对应的功能标识,以使得生成的蛋白质样本包含丰富的蛋白质结构和功能知识。由于蛋白质的结构决定其功能,结构和功能信息可以相互补充,不仅提供进一步的结构信息,还可以包含通用的功能信息,为后续基于蛋白质样本对模型进行训练提供更加全面的数据支持。
在一种可能的实施例中,所述预设模型中包含功能注意力处理模块,所述功能注意力处理模块用于对属于同一蛋白质功能集中的所述掩膜蛋白质进行功能注意力处理,获得所述掩膜蛋白质对应的特征,以获得所述训练蛋白质特征,其中,对应于相同的功能标识的掩膜蛋白质划分至同一蛋白质功能集。
如图2所示,为蛋白质特征预处理模型的结构示意图,其中可以包含功能注意力处理模块functional attention,列注意力处理模块column attention,层归一化处理模块LayerNorm,以及多层感知机MLP。
示例地,在功能注意力处理模块中,针对一个蛋白质集,N用于表示所述蛋白质集的深度(即有多少个蛋白质),K用于表示该蛋白质集中的不同蛋白质功能的数量,则蛋白质功能集可以定义为:
如,蛋白质集中的对应的掩膜蛋白质表示为{abb:储存营养,aab:催化剂,abc:催化剂},则N=3,K=2,其中同时可以划分出2个蛋白质功能集M1和M2,因为abb的token是[1],aab和abc的token是[2],则可以获得M1={1},M2={2,3},1用于abb,2用于表示aab,3用于abc,即以该蛋白质在蛋白质集中的序号表示该蛋白质。
则Qn,Kn,Vn为第n行的“qurey”,“key”和“value”,蛋白质功能集Mi里蛋白质j的蛋白质功能注意力FNAttn(Mi,j)的定义是:
其中,|Mi|用于表示蛋白质功能集Mi中的蛋白质的数量。
并基于该预设模型对获得的掩膜蛋白质对应的特征进行再处理,以获得所述预设模型最终输出的训练蛋白质特征。其中,列注意力处理模块column attention,层归一化处理模块LayerNorm,以及多层感知机MLP等可以采用本领域中常用的特征处理方式进行处理,本公开对此不作限定。
由此,通过上述技术方案,基于功能标识可以在计算功能注意力的过程中,属于同一蛋白质功能集中的蛋白质进行功能注意力处理,即在该过程中能够更加关注与当前蛋白质具有相同功能的蛋白质的特征,从而提高模型进行特征提取的准确性,提高模型对蛋白质的功能知识的学习能力。
在一种可能的实施例中,所述根据所述训练蛋白质特征确定预测蛋白质和各个预测功能分类,可以包括:
基于所述训练蛋白质特征进行序列转换,获得所述预测蛋白质。其中,可以基于BERT模型MLM head对训练蛋白质特征进行序列转换,以获得该预测蛋白质。
将同一蛋白质功能集下的各个掩膜蛋白质对应的训练蛋白质特征进行平均池化,获得所述蛋白质功能集对应的功能特征,其中,对应于相同的功能标识的掩膜蛋白质划分至同一蛋白质功能集。
接上文所述示例,获得的得蛋白质功能集表示为M1={1},M2={2,3},则可以将蛋白质功能集M1中的abb对应的训练蛋白质特征进行平均池化,获得蛋白质功能集M1对应的功能特征embedding1,可以将蛋白质功能集M2中的aab和abc对应的训练蛋白质特征进行平均池化,获得蛋白质功能集M2对应的功能特征embedding2。
对所述功能特征进行功能分类处理,获得所述蛋白质功能集对应的预测功能分类。
其中,可以通过MLP分类器实现对功能特征的功能分类处理,如可以将功能特征输入MLP分类器,以获得该分类器输出的预测功能分类。
由此,通过上述技术方案,可以基于预设模型提取出的蛋白质特征进行后续任务的处理,以便于能够基于该任务处理的结果确定该预设模型的损失,进而提高模型提取特征的准确性和有效性。
在一种可能的实施例中,所述根据所述预测蛋白质、所述预测功能分类和所述蛋白质样本,确定所述预设模型的目标损失,可以包括:
基于所述预测蛋白质和所述蛋白质样本中的蛋白质,确定掩膜损失。其中,可以通过本领域中的MLM(Masked Language Model)损失函数确定该掩膜损失LMLM,如MSAtransformer中的MLM损失函数,在此不再赘述。
根据所述蛋白质功能集对应的预测功能分类和所述蛋白质功能集下所述蛋白质对应的功能标识,确定功能分类损失。
如上文所述,可以基于蛋白质功能集的功能特征获得预测功能分类,则可以基于该预测功能分类和该蛋白质功能集对应的功能标识进行损失计算,如可以基于交叉熵损失函数计算该功能分类损失Lpfp。
根据所述掩膜损失和所述功能分类损失,确定所述目标损失。
示例地,可以将掩膜损失和功能分类损失的加权和作为该目标损失,其中掩膜损失和功能分类损失的权重可以根据实际应用场景进行设置,如:
Ltotal=Lmlm+αLpfp
示例地,α可以设置为0.75。
由此,通过上述技术方案,可以通过对蛋白质进行掩膜处理后预测真实序列对应的掩膜损失,以及对蛋白质功能集的功能进行分类的功能分类损失两方面确定该目标损失,既可以提高目标损失的准确性,又能够结合MSA蛋白质功能预测任务,有效的让模型学到功能信息,进一步提供模型的准确性和学习效率。
本公开还提供一种蛋白质特征的预处理装置,如图3所示,所述装置10包括:
接收模块100,用于接收待处理的蛋白质;
处理模块200,用于根据所述蛋白质和训练的蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征,其中,所述蛋白质特征为所述蛋白质特征预处理模型中的最后一个特征层输出的特征;
其中,所述蛋白质特征预处理模型是基于多个蛋白质样本训练所得的,每一个所述蛋白质样本中包括蛋白质集中的多个蛋白质以及每一蛋白质对应的功能标识,所述蛋白质集为多序列比对MSA。
可选地,所述蛋白质特征预处理模型通过训练模块训练获得,所述训练模块包括:
第一获取子模块,用于获取所述多个蛋白质样本;
第一处理子模块,用于将所述蛋白质集中的每一蛋白质进行掩膜处理,获得掩膜蛋白质;
第二处理子模块,用于将所述掩膜蛋白质与所述掩膜蛋白质对应的功能标识输入预设模型,获得所述掩膜蛋白质对应的训练蛋白质特征;
第三处理子模块,用于根据所述训练蛋白质特征确定预测蛋白质和各个预测功能分类;
第一确定子模块,用于根据所述预测蛋白质、所述预测功能分类和所述蛋白质样本,确定所述预设模型的目标损失;
训练子模块,用于根据所述目标损失对所述预设模型进行训练,并将训练完成的所述预设模型确定为所述蛋白质特征预处理模型。
可选地,所述第一获取子模块包括:
第二获取子模块,用于获取多个蛋白质集;
第二确定子模块,用于针对每一蛋白质集,确定所述蛋白质集中的每一蛋白质具有的蛋白质功能;
第三确定子模块,用于根据所述蛋白质集下的蛋白质功能,确定所述蛋白质集中的每一蛋白质对应的功能标识。
可选地,所述第三确定子模块包括:
第四确定子模块,用于确定所述蛋白质集对应的每一所述蛋白质功能的出现次数,并根据出现次数最多的蛋白质功能确定所述蛋白质集的目标功能;
第五确定子模块,用于针对所述蛋白质集中的每一所述蛋白质,若所述蛋白质具有所述蛋白质集的目标功能,则将所述目标功能确定为所述蛋白质的功能标识;若所述蛋白质不具有所述蛋白质集的目标功能,则根据所述蛋白质具有的蛋白质功能中出现次数最多的蛋白质功能确定所述功能标识。
可选地,所述预设模型中包含功能注意力处理模块,所述功能注意力处理模块用于对属于同一蛋白质功能集中的所述掩膜蛋白质进行功能注意力处理,获得所述掩膜蛋白质对应的特征,以获得所述训练蛋白质特征,其中,对应于相同的功能标识的掩膜蛋白质划分至同一蛋白质功能集。
可选地,第三处理子模块包括:
第四处理子模块,用于基于所述训练蛋白质特征进行序列转换,获得所述预测蛋白质;
池化子模块,用于将同一蛋白质功能集下的各个掩膜蛋白质对应的训练蛋白质特征进行平均池化,获得所述蛋白质功能集对应的功能特征,其中,对应于相同的功能标识的掩膜蛋白质划分至同一蛋白质功能集;
第五处理子模块,用于对所述功能特征进行功能分类处理,获得所述蛋白质功能集对应的预测功能分类。
可选地,所述第一确定子模块包括:
第六确定子模块,用于基于所述预测蛋白质和所述蛋白质样本中的蛋白质,确定掩膜损失;
第七确定子模块,用于根据所述蛋白质功能集对应的预测功能分类和所述蛋白质功能集下所述蛋白质对应的功能标识,确定功能分类损失;
第八确定子模块,用于根据所述掩膜损失和所述功能分类损失,确定所述目标损失。
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:接收待处理的蛋白质;根据所述蛋白质和训练的蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征,其中,所述蛋白质特征为所述蛋白质特征预处理模型中的最后一个特征层输出的特征;其中,所述蛋白质特征预处理模型是基于多个蛋白质样本训练所得的,每一个所述蛋白质样本中包括蛋白质集中的多个蛋白质以及每一蛋白质对应的功能标识,所述蛋白质集为多序列比对MSA。
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“接收待处理的蛋白质的模块”。
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提供了一种蛋白质特征的预处理方法,所述方法包括:
接收待处理的蛋白质;
根据所述蛋白质和训练的蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征,其中,所述蛋白质特征为所述蛋白质特征预处理模型中的最后一个特征层输出的特征;
其中,所述蛋白质特征预处理模型是基于多个蛋白质样本训练所得的,每一个所述蛋白质样本中包括蛋白质集中的多个蛋白质以及每一蛋白质对应的功能标识,所述蛋白质集为多序列比对MSA。
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,所述蛋白质特征预处理模型通过以下方式确定:
获取所述多个蛋白质样本;
将所述蛋白质集中的每一蛋白质进行掩膜处理,获得掩膜蛋白质;
将所述掩膜蛋白质与所述掩膜蛋白质对应的功能标识输入预设模型,获得所述掩膜蛋白质对应的训练蛋白质特征;
根据所述训练蛋白质特征确定预测蛋白质和各个预测功能分类;
根据所述预测蛋白质、所述预测功能分类和所述蛋白质样本,确定所述预设模型的目标损失;
根据所述目标损失对所述预设模型进行训练,并将训练完成的所述预设模型确定为所述蛋白质特征预处理模型。
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,所述获取所述多个蛋白质样本,包括:
获取多个蛋白质集;
针对每一蛋白质集,确定所述蛋白质集中的每一蛋白质具有的蛋白质功能;
根据所述蛋白质集下的蛋白质功能,确定所述蛋白质集中的每一蛋白质对应的功能标识。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,所述根据所述蛋白质集下的蛋白质功能,确定所述蛋白质集中的每一蛋白质对应的功能标识,包括:
确定所述蛋白质集对应的每一所述蛋白质功能的出现次数,并根据出现次数最多的蛋白质功能确定所述蛋白质集的目标功能;
针对所述蛋白质集中的每一所述蛋白质,若所述蛋白质具有所述蛋白质集的目标功能,则将所述目标功能确定为所述蛋白质的功能标识;若所述蛋白质不具有所述蛋白质集的目标功能,则根据所述蛋白质具有的蛋白质功能中出现次数最多的蛋白质功能确定所述功能标识。
根据本公开的一个或多个实施例,示例5提供了示例2的方法,所述预设模型中包含功能注意力处理模块,所述功能注意力处理模块用于对属于同一蛋白质功能集中的所述掩膜蛋白质进行功能注意力处理,获得所述掩膜蛋白质对应的特征,以获得所述训练蛋白质特征,其中,对应于相同的功能标识的掩膜蛋白质划分至同一蛋白质功能集。
根据本公开的一个或多个实施例,示例6提供了示例2的方法,所述根据所述训练蛋白质特征确定预测蛋白质和各个预测功能分类,包括:
基于所述训练蛋白质特征进行序列转换,获得所述预测蛋白质;
将同一蛋白质功能集下的各个掩膜蛋白质对应的训练蛋白质特征进行平均池化,获得所述蛋白质功能集对应的功能特征,其中,对应于相同的功能标识的掩膜蛋白质划分至同一蛋白质功能集;
对所述功能特征进行功能分类处理,获得所述蛋白质功能集对应的预测功能分类。
根据本公开的一个或多个实施例,示例7提供了示例6的方法,所述根据所述预测蛋白质、所述预测功能分类和所述蛋白质样本,确定所述预设模型的目标损失,包括:
基于所述预测蛋白质和所述蛋白质样本中的蛋白质,确定掩膜损失;
根据所述蛋白质功能集对应的预测功能分类和所述蛋白质功能集下所述蛋白质对应的功能标识,确定功能分类损失;
根据所述掩膜损失和所述功能分类损失,确定所述目标损失。
根据本公开的一个或多个实施例,示例8提供了一种蛋白质特征的预处理装置,所述装置包括:
接收模块,用于接收待处理的蛋白质;
处理模块,用于根据所述蛋白质和训练的蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征,其中,所述蛋白质特征为所述蛋白质特征预处理模型中的最后一个特征层输出的特征;
其中,所述蛋白质特征预处理模型是基于多个蛋白质样本训练所得的,每一个所述蛋白质样本中包括蛋白质集中的多个蛋白质以及每一蛋白质对应的功能标识,所述蛋白质集为多序列比对MSA。
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 (9)
1.一种蛋白质特征的预处理方法,其特征在于,所述方法包括:
接收待处理的蛋白质;
根据所述蛋白质和训练的蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征,其中,所述蛋白质特征为所述蛋白质特征预处理模型中的最后一个特征层输出的特征;
其中,所述蛋白质特征预处理模型是基于多个蛋白质样本训练所得的,每一个所述蛋白质样本中包括蛋白质集中的多个蛋白质以及每一蛋白质对应的功能标识,所述蛋白质集为多序列比对MSA;
其中,所述蛋白质特征预处理模型通过以下方式确定:
获取所述多个蛋白质样本;
将所述蛋白质集中的每一蛋白质进行掩膜处理,获得掩膜蛋白质;
将所述掩膜蛋白质与所述掩膜蛋白质对应的功能标识输入预设模型,获得所述掩膜蛋白质对应的训练蛋白质特征;
根据所述训练蛋白质特征确定预测蛋白质和各个预测功能分类;
根据所述预测蛋白质、所述预测功能分类和所述蛋白质样本,确定所述预设模型的目标损失;
根据所述目标损失对所述预设模型进行训练,并将训练完成的所述预设模型确定为所述蛋白质特征预处理模型。
2.根据权利要求1所述的方法,其特征在于,所述获取所述多个蛋白质样本,包括:
获取多个蛋白质集;
针对每一蛋白质集,确定所述蛋白质集中的每一蛋白质具有的蛋白质功能;
根据所述蛋白质集下的蛋白质功能,确定所述蛋白质集中的每一蛋白质对应的功能标识。
3.根据权利要求2所述的方法,其特征在于,所述根据所述蛋白质集下的蛋白质功能,确定所述蛋白质集中的每一蛋白质对应的功能标识,包括:
确定所述蛋白质集对应的每一所述蛋白质功能的出现次数,并根据出现次数最多的蛋白质功能确定所述蛋白质集的目标功能;
针对所述蛋白质集中的每一所述蛋白质,若所述蛋白质具有所述蛋白质集的目标功能,则将所述目标功能确定为所述蛋白质的功能标识;若所述蛋白质不具有所述蛋白质集的目标功能,则根据所述蛋白质具有的蛋白质功能中出现次数最多的蛋白质功能确定所述功能标识。
4.根据权利要求1所述的方法,其特征在于,所述预设模型中包含功能注意力处理模块,所述功能注意力处理模块用于对属于同一蛋白质功能集中的所述掩膜蛋白质进行功能注意力处理,获得所述掩膜蛋白质对应的特征,以获得所述训练蛋白质特征,其中,对应于相同的功能标识的掩膜蛋白质划分至同一蛋白质功能集。
5.根据权利要求1所述的方法,其特征在于,所述根据所述训练蛋白质特征确定预测蛋白质和各个预测功能分类,包括:
基于所述训练蛋白质特征进行序列转换,获得所述预测蛋白质;
将同一蛋白质功能集下的各个掩膜蛋白质对应的训练蛋白质特征进行平均池化,获得所述蛋白质功能集对应的功能特征,其中,对应于相同的功能标识的掩膜蛋白质划分至同一蛋白质功能集;
对所述功能特征进行功能分类处理,获得所述蛋白质功能集对应的预测功能分类。
6.根据权利要求5所述的方法,其特征在于,所述根据所述预测蛋白质、所述预测功能分类和所述蛋白质样本,确定所述预设模型的目标损失,包括:
基于所述预测蛋白质和所述蛋白质样本中的蛋白质,确定掩膜损失;
根据所述蛋白质功能集对应的预测功能分类和所述蛋白质功能集下所述蛋白质对应的功能标识,确定功能分类损失;
根据所述掩膜损失和所述功能分类损失,确定所述目标损失。
7.一种蛋白质特征的预处理装置,其特征在于,所述装置包括:
接收模块,用于接收待处理的蛋白质;
处理模块,用于根据所述蛋白质和训练的蛋白质特征预处理模型,获得所述蛋白质对应的蛋白质特征,其中,所述蛋白质特征为所述蛋白质特征预处理模型中的最后一个特征层输出的特征;
其中,所述蛋白质特征预处理模型是基于多个蛋白质样本训练所得的,每一个所述蛋白质样本中包括蛋白质集中的多个蛋白质以及每一蛋白质对应的功能标识,所述蛋白质集为多序列比对MSA;
其中,所述蛋白质特征预处理模型通过训练模块训练获得,所述训练模块包括:
第一获取子模块,用于获取所述多个蛋白质样本;
第一处理子模块,用于将所述蛋白质集中的每一蛋白质进行掩膜处理,获得掩膜蛋白质;
第二处理子模块,用于将所述掩膜蛋白质与所述掩膜蛋白质对应的功能标识输入预设模型,获得所述掩膜蛋白质对应的训练蛋白质特征;
第三处理子模块,用于根据所述训练蛋白质特征确定预测蛋白质和各个预测功能分类;
第一确定子模块,用于根据所述预测蛋白质、所述预测功能分类和所述蛋白质样本,确定所述预设模型的目标损失;
训练子模块,用于根据所述目标损失对所述预设模型进行训练,并将训练完成的所述预设模型确定为所述蛋白质特征预处理模型。
8.一种计算机可读介质,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1-6中任一项所述方法的步骤。
9.一种电子设备,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1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211734281.4A CN116343905B (zh) | 2022-12-30 | 2022-12-30 | 蛋白质特征的预处理方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211734281.4A CN116343905B (zh) | 2022-12-30 | 2022-12-30 | 蛋白质特征的预处理方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116343905A CN116343905A (zh) | 2023-06-27 |
CN116343905B true CN116343905B (zh) | 2024-01-16 |
Family
ID=86891996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211734281.4A Active CN116343905B (zh) | 2022-12-30 | 2022-12-30 | 蛋白质特征的预处理方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116343905B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6023659A (en) * | 1996-10-10 | 2000-02-08 | Incyte Pharmaceuticals, Inc. | Database system employing protein function hierarchies for viewing biomolecular sequence data |
CN108733976A (zh) * | 2018-05-23 | 2018-11-02 | 扬州大学 | 基于融合生物与拓扑特征的关键蛋白质识别方法 |
CN110070909A (zh) * | 2019-03-21 | 2019-07-30 | 中南大学 | 一种基于深度学习的融合多特征的蛋白质功能预测方法 |
CN113571126A (zh) * | 2021-07-06 | 2021-10-29 | 浙江工业大学 | 一种基于多损失训练的蛋白质残基接触预测方法 |
CN114220479A (zh) * | 2021-12-10 | 2022-03-22 | 苏州浪潮智能科技有限公司 | 一种蛋白质结构预测方法、蛋白质结构预测装置及介质 |
CN114898811A (zh) * | 2022-05-26 | 2022-08-12 | 清华大学 | 蛋白质训练模型的训练方法及装置、电子设备和存储介质 |
-
2022
- 2022-12-30 CN CN202211734281.4A patent/CN116343905B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6023659A (en) * | 1996-10-10 | 2000-02-08 | Incyte Pharmaceuticals, Inc. | Database system employing protein function hierarchies for viewing biomolecular sequence data |
CN108733976A (zh) * | 2018-05-23 | 2018-11-02 | 扬州大学 | 基于融合生物与拓扑特征的关键蛋白质识别方法 |
CN110070909A (zh) * | 2019-03-21 | 2019-07-30 | 中南大学 | 一种基于深度学习的融合多特征的蛋白质功能预测方法 |
CN113571126A (zh) * | 2021-07-06 | 2021-10-29 | 浙江工业大学 | 一种基于多损失训练的蛋白质残基接触预测方法 |
CN114220479A (zh) * | 2021-12-10 | 2022-03-22 | 苏州浪潮智能科技有限公司 | 一种蛋白质结构预测方法、蛋白质结构预测装置及介质 |
CN114898811A (zh) * | 2022-05-26 | 2022-08-12 | 清华大学 | 蛋白质训练模型的训练方法及装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
Yiyu Hong,Jinung Song.S-Pred: protein structure property prediction using MSA transformer.《Scientific reports》.2022,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116343905A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321958B (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
CN113723341B (zh) | 视频的识别方法、装置、可读介质和电子设备 | |
CN112200173B (zh) | 多网络模型训练方法、图像标注方法和人脸图像识别方法 | |
CN115312127B (zh) | 识别模型的预训练方法、识别方法、装置、介质和设备 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN116483891A (zh) | 一种信息预测方法、装置、设备和存储介质 | |
CN112241761A (zh) | 模型训练方法、装置和电子设备 | |
CN116343905B (zh) | 蛋白质特征的预处理方法、装置、介质及设备 | |
CN116072108A (zh) | 模型生成方法、语音识别方法、装置、介质及设备 | |
CN116244431A (zh) | 文本分类方法、装置、介质及电子设备 | |
CN115662517A (zh) | 序列预测方法、装置、介质及电子设备 | |
CN115269978A (zh) | 一种视频标签生成方法、装置、设备及介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN113222050A (zh) | 图像分类方法、装置、可读介质及电子设备 | |
CN115938470B (zh) | 蛋白质特征预处理方法、装置、介质及设备 | |
CN114693814B (zh) | 模型的解码方法、文本识别方法、装置、介质及设备 | |
CN114625876B (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
CN116092092A (zh) | 匹配方法、装置、介质及电子设备 | |
CN114627475A (zh) | 笔顺检测方法、装置、可读介质及电子设备 | |
CN116364066A (zh) | 分类模型生成方法、音频分类方法、装置、介质及设备 | |
CN117114073A (zh) | 数据处理方法、装置、设备及介质 | |
CN116504269A (zh) | 发音评价方法、装置、可读介质及电子设备 | |
CN117591690A (zh) | 图像中的实体识别方法、装置、介质及电子设备 |
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 |