1.基于多视图深度交互学习的多级酶功能预测方法,其特征在于:步骤如下:
第一步:使用RaptorX Property计算出序列中每个氨基酸二级结构的概率,以及处于溶剂可及性的三种状态概率,作为第一种初始视图特征X1;
第二步:使用PSI-BLAST将每个序列与Swiss-Prot数据库进行多序列比对,获得蕴含进化信息的PSSM矩阵,作为第二种初始视图特征X2;
第三步:使用hmmer在Pfam数据库中搜索每个序列所含有的结构域,对其结果进行编码,作为第三种初始视图特征X3;得到初步多视图数据集D={X1,X2,X3,y};
第四步:为X1设计深度特异性网络,提取Property鉴别性更高的视图深度特征S1;
第五步:为X2设计深度特异性网络,提取PSSM鉴别性更高的视图深度特征S2;
第六步:为X3设计深度特异性网络,提取Property鉴别性更高的视图深度特征S3;
第七步:利用X1,X2,X3设计深度交互网络,提取视图之间的交互信息,显示地对视图之间的关系建模并探索潜在的一致信息,得到交互信息I1,I2,I3;
第八步:基于生成的深度特异性信息以及交互信息T={S1,S2,S3,I1,I2,I3},使用多视图自适应损失加权分类进行训练并计算得到预测结果Y。
2.如权利要求1所述的基于多视图深度交互学习的多级酶功能预测方法,其特征在于:所述第四步中的Property视图深度特异性信息提取使用的CNN网络架构,包含3个二维卷积层,3个池化层,1个扁平层,1个dropout层和1个全连接层;CNN网络架构第一层卷积层为16个3*3的卷积核,得到16个998*4的特征图;第二层池化层的池化长度为2,得到了16个499*2的特征图;第三层为16个3*3的卷积核,得到16个501*4的特征图;第四层池化层的池化长度为2,得到了16个250*2的特征图;第五层为16个3*3的卷积核,得到16个252*4的特征图;第六层池化层的池化长度为2,得到了16个126*2的特征图;第七层为扁平层,得到1个1*4032的特征图;第八层为全连接层,将1个1*4032的特征图转换为一个1*128的向量;第九层为概率0.5的dropout层,得到1个1*128的特征向量。
3.如权利要求1或2所述的基于多视图深度交互学习的多级酶功能预测方法,其特征在于:所述第五步中的PSSM视图深度特异性信息提取使用的CNN网络架构,包含三个并行的CNN架构;第一个CNN架构为:首先经过128个16*20的卷积核,得到128个983*1的特征图,之后使用1-max池化操作,得到128个1*1的特征图,然后采用扁平层得到1个1*128的特征向量;第二个CNN架构为:首先经过128个24*20的卷积核,得到128个975*1的特征图,之后使用1-max池化操作,得到128个1*1的特征图,然后采用扁平层得到1个1*128的特征向量;第一个CNN架构为:首先经过128个32*20的卷积核,得到128个967*1的特征图,之后使用1-max池化操作,得到128个1*1的特征图,然后采用扁平层得到1个1*128的特征向量;然后将三个CNN得到的向量进行拼接,放入全连接层中,得到1个1*128的特征向量。
4.如权利要求1或2所述的基于多视图深度交互学习的多级酶功能预测方法,其特征在于:所述第六步的Domain视图深度特异性信息提取使用的多层感知机网络架构,包含2个dropout层和3个全连接层,第一层全连接层将1个1*19179的特征图转换为1个1*1025的向量;第二层为概率0.5的dropout层,得到1个1*1025的特征图;第三层为全连接层,将1个1*1025的特征图转换成1个1*512的向量;第四层为概率0.5的dropout层,得到1个1*512的特征图;第五层为全连接层,将1个1*512的特征图转换为1个1*128的向量。
5.如权利要求3所述的基于多视图深度交互学习的多级酶功能预测方法,其特征在于:所述第六步的Domain视图深度特异性信息提取使用的多层感知机网络架构,包含2个dropout层和3个全连接层,第一层全连接层将1个1*19179的特征图转换为1个1*1025的向量;第二层为概率0.5的dropout层,得到1个1*1025的特征图;第三层为全连接层,将1个1*1025的特征图转换成1个1*512的向量;第四层为概率0.5的dropout层,得到1个1*512的特征图;第五层为全连接层,将1个1*512的特征图转换为1个1*128的向量。
6.如权利要求1或2或5所述的基于多视图深度交互学习的多级酶功能预测方法,其特征在于:所述第七步的多视图深度交互网络架构,对于Property视图采用扩张卷积架构学习其全局的特征,该扩张卷积分为五层,每层采用了3×3卷积核,对应扩张率分别为1、2、4、8、16;之后将扩张卷积获得的特征图放入最大池化层中,得到1个1*128的向量;对于PSSM视图采用Property视图的架构,得到1个1*128的向量;对于Domain视图采用三层感知机架构,得到1个1*128向量;采用Ci=vkvlT为每个视图向量构建交互矩阵,其中Ci保存了第k个视图与第l个视图的关联矩阵的结果,之后采用带有池化层的CNN模型来学习交互矩阵中的局部交互特征,并将交互矩阵Ci变平来学习全局特征;最终,得到3个1*128蕴含交互信息的向量。
7.如权利要求3所述的基于多视图深度交互学习的多级酶功能预测方法,其特征在于:所述第七步的多视图深度交互网络架构,对于Property视图采用扩张卷积架构学习其全局的特征,该扩张卷积分为五层,每层采用了3×3卷积核,对应扩张率分别为1、2、4、8、16;之后将扩张卷积获得的特征图放入最大池化层中,得到1个1*128的向量;对于PSSM视图采用Property视图的架构,得到1个1*128的向量;对于Domain视图采用三层感知机架构,得到1个1*128向量;采用Ci=vkvlT为每个视图向量构建交互矩阵,其中Ci保存了第k个视图与第l个视图的关联矩阵的结果,之后采用带有池化层的CNN模型来学习交互矩阵中的局部交互特征,并将交互矩阵Ci变平来学习全局特征;最终,得到3个1*128蕴含交互信息的向量。
8.如权利要求4所述的基于多视图深度交互学习的多级酶功能预测方法,其特征在于:所述第七步的多视图深度交互网络架构,对于Property视图采用扩张卷积架构学习其全局的特征,该扩张卷积分为五层,每层采用了3×3卷积核,对应扩张率分别为1、2、4、8、16;之后将扩张卷积获得的特征图放入最大池化层中,得到1个1*128的向量;对于PSSM视图采用Property视图的架构,得到1个1*128的向量;对于Domain视图采用三层感知机架构,得到1个1*128向量;采用Ci=vkvlT为每个视图向量构建交互矩阵,其中Ci保存了第k个视图与第l个视图的关联矩阵的结果,之后采用带有池化层的CNN模型来学习交互矩阵中的局部交互特征,并将交互矩阵Ci变平来学习全局特征;最终,得到3个1*128蕴含交互信息的向量。
9.如权利要求1或2或5或7或8所述的基于多视图深度交互学习的多级酶功能预测方法,其特征在于:所述第八步的多视图自适应损失加权分类、Property视图深度特异性信息提取使用的CNN网络架构、PSSM视图深度特异性信息提取使用的CNN网络架构、Domain视图深度特异性信息提取使用的多层感知机网络架构和多视图深度交互网络架构,基于生成的深度特异性信息以及交互信息,采用自适应损失加权结合多个视图分类结果,其损失函数采用cross-entropy多分类交叉熵损失函数。
10.如权利要求3所述的基于多视图深度交互学习的多级酶功能预测方法,其特征在于:所述第八步的多视图自适应损失加权分类、Property视图深度特异性信息提取使用的CNN网络架构、PSSM视图深度特异性信息提取使用的CNN网络架构、Domain视图深度特异性信息提取使用的多层感知机网络架构和多视图深度交互网络架构,基于生成的深度特异性信息以及交互信息,采用自适应损失加权结合多个视图分类结果,其损失函数采用cross-entropy多分类交叉熵损失函数。