1.半监督蛋白质赖氨酸翻译后修饰位点预测方法,其特征在于,所述方法包括:S1、收集乙酰化修饰信息,以从预置乙酰化位点蛋白质中,提取有标签样本,以得到有标签源领域及目标领域数据集,从所述预置乙酰化位点蛋白质之外的蛋白质中,截取无标签样本,进行数据收集和预处理,从所述有标签样本中选择样本,以构建独立测试集;
S2、以不少于2个的不同长度的独热编码序列特征作为输入,选取适用卷积层数及瓶颈层通道数,设置密集连接模块,据以构建得到多尺度序列特征提取网络模型;
S3、根据所述无标签样本,获取未标记目标数据集,据以利用自蒸馏方法,伪标记所述未标记目标数据集中的未标记样本,以得到伪标记样本,对所述伪标记样本进行可靠评估,以得到可靠学生样本,根据所述有标签源领域及目标领域数据集以及所述可靠学生样本,构成样本对并求取样本对损失,据以利用所述有标签源领域及目标领域数据集,预训练所述多尺度序列特征提取网络模型,以得到适用模型;
S4、利用所述适用模型,根据所述独热编码序列特征,提取并融合多尺度高层序列特征,以得到多尺度融合特征,根据所述多尺度融合特征预测修饰位点,得到位点预测结果;
S5、利用所述独立测试集测试所述适用模型,采用准确率、召回率评估所述位点预测结果。
2.根据权利要求1所述的半监督蛋白质赖氨酸翻译后修饰位点预测方法,其特征在于,所述步骤S1包括:S11、从公开数据库中收集所述乙酰化修饰信息,根据预置修饰位点提取不少于2个长度的局部序列,以作为有标签正例样本;
S12、从已验证乙酰化位点的所述蛋白质中,选择未标注乙酰化信息的赖氨酸作为反例样本;
S13、从构建正反例数据集之外的其他蛋白质中,截取赖氨酸残基周围局部序列,以作为所述无标签样本;
S14、去除相似度超过预置相似阈值的所述蛋白质;
S15、从有标签数据中随机选择预置比例的所述有标签样本,以作为所述独立测试集。
3.根据权利要求1所述的半监督蛋白质赖氨酸翻译后修饰位点预测方法,其特征在于,所述步骤S2中:第k个所述密集连接模块中,第i个卷积层的输出为:式中表示第k个密集连接模块中第i个卷积层的输出,Wik表示第i个卷积层的卷积核权重,表示激活函数,∪表示特征图之间的通道拼接操作。
4.根据权利要求1所述的半监督蛋白质赖氨酸翻译后修饰位点预测方法,其特征在于,所述步骤S2中,所述密集连接卷积神经网络中,利用模块间连接,融合不少于2个密集连接模块提取的所述高层序列特征,利用下述逻辑,按照多个特征图的通道进行连接:式中,hC为密集连接模块最后一个卷积层的输出,hf为多个密集连接模块的输出按通道进行拼接后的特征图。
5.根据权利要求1所述的半监督蛋白质赖氨酸翻译后修饰位点预测方法,其特征在于,所述步骤S3包括:S31、对所述无标签样本进行伪标记,并通过可靠性评估选择所述可靠学生样本,以构建可靠学生样本集;
S33、从所述有标签源领域Ds及目标领域DTL数据集和可靠学生样本集中选取适用样本,以构成所述样本对;
S34、构建辅助生成模块,以生成辅助特征,以混淆所述样本对的分布;
S35、利用所述所述有标签源领域及目标领域数据集处理得到交叉熵损失,通过样本自蒸馏处理所述样本对,以得到样本对损失;
S36、使用带有伪标签的所述可靠学生样本,求取额外损失,据以结合所述交叉熵损失及所述样本对损失求取总损失,据以预训练所述多尺度序列特征提取网络模型。
6.根据权利要求5所述的半监督蛋白质赖氨酸翻译后修饰位点预测方法,其特征在于,所述步骤S31中,利用下述逻辑,对所述无标签样本进行伪标记:式中,x′∈DTU,DTU为目标领域无标签数据集,为x′的伪标签。
7.根据权利要求5所述的半监督蛋白质赖氨酸翻译后修饰位点预测方法,其特征在于,所述步骤S33中,利用下述逻辑构建所述可靠学生样本集式中,g表示特征提取器,h表示分类器,πj表示选择第j个最大值的选择算子,δ是一个超参数。
8.根据权利要求5所述的半监督蛋白质赖氨酸翻译后修饰位点预测方法,其特征在于,所述步骤S35包括:S351、利用下述逻辑,求取所述交叉熵损失:
Ll=E(x,y)[-log(p(y|x))] (6)式中,E(x,y)表示数学期望;
S352、利用下述逻辑,求取所述样本对损失:
式中,DKL表示KL散度,为在教师样本x通过特征提取器时计算得到。
9.根据权利要求8所述的半监督蛋白质赖氨酸翻译后修饰位点预测方法,其特征在于,所述步骤S352中,利用下述逻辑,根据所述样本对损失技术加权交叉熵损失:式中,α表示学生样本的权重。
10.半监督蛋白质赖氨酸翻译后修饰位点预测系统,其特征在于,所述系统包括:样本集建立模块,用以收集乙酰化修饰信息,以从预置乙酰化位点蛋白质中,提取有标签样本,以得到有标签源领域及目标领域数据集,从所述预置乙酰化位点蛋白质之外的蛋白质中,截取无标签样本,进行数据收集和预处理,从所述有标签样本中选择样本,以构建独立测试集;
模型构建模块,用于以不少于2个的不同长度的独热编码序列特征作为输入,选取适用卷积层数及瓶颈层通道数,设置密集连接模块,据以构建得到多尺度序列特征提取网络模型;
模型训练模块,用以根据所述无标签样本,获取未标记目标数据集,据以利用自蒸馏方法,伪标记所述未标记目标数据集中的未标记样本,以得到伪标记样本,对所述伪标记样本进行可靠评估,以得到可靠学生样本,根据所述有标签源领域及目标领域数据集以及所述可靠学生样本,构成样本对并求取样本对损失,据以利用所述有标签源领域及目标领域数据集,预训练所述多尺度序列特征提取网络模型,以得到适用模型,所述模型训练模块与所述模型构建模块及所述样本集建立模块连接;
位点预测模块,用以利用所述适用模型,根据所述独热编码序列特征,提取并融合多尺度高层序列特征,以得到多尺度融合特征,根据所述多尺度融合特征预测修饰位点,得到位点预测结果,所述位点预测模块与所述模型训练模块连接;
评估测试模块,用以利用所述独立测试集测试所述适用模型,采用准确率、召回率评估所述位点预测结果,所述评估测试模块与所述样本集建立模块及所述位点预测模块连接。