1.一种基于迁移学习的抗冻蛋白分型预测方法,其特征在于,包括以下步骤:
S1、收集已经过结构域注释的抗冻蛋白序列与非抗冻蛋白序列,作为正数据集和负数据集,并以所有抗冻蛋白序列的结构域关键词频率作为编码标签,提取出所有出现频率大于10的抗冻蛋白相关结构域;
S2、根据正数据集和负数据集与抗冻蛋白序列数量的平衡程度,采取过采样和欠采样的方法进行数据平衡,将数据集中达到设定结构域频率的结构域作为数据集标签;
S3、选择ProteinBert模型对抗冻蛋白序列数据集进行特征提取以转化为高维特征向量,并将其输入模型中进行训练,使抗冻蛋白序列与结构域标签之间形成对应关系,从而构建出BERT-DomainAFP模型;
所述ProteinBert模型的架构采用6个注意力头、4层深度的Transformer结构;
所述ProteinBert模型使用高斯误差线性单元GELU作为激活函数;并引入膨胀率=5的宽卷积层和窄卷积层,卷积核大小均为9;以及使用线性层输出模型的预测值;
所述ProteinBert模型的验证分为两部分,一部分是将模型看作二分类模型,其中的抗冻蛋白和非抗冻蛋白的数据集比例为1:1;另一部分是将模型作为多标签分类模型,其中非抗冻蛋白、Ⅰ型抗冻蛋白、Ⅱ型抗冻蛋白、Ⅲ型抗冻蛋白、昆虫抗冻蛋白和其他抗冻蛋白相关序列的数据集比例为5:1:1:1:1:1;
S4、将待鉴定的蛋白序列数据或整合过的物种蛋白序列数据输入训练后的BERT-DomainAFP模型中进行预测,得到其对应的结构域预测值;
S5、设定目标数据标签,若BERT-DomainAFP模型输出的结构域预测值与目标数据标签相同,则判定待鉴定的蛋白序列中存在抗冻蛋白序列结构域。
2.根据权利要求1所述的基于迁移学习的抗冻蛋白分型预测方法,其特征在于,步骤S1中,所述抗冻蛋白序列根据结构域被分为Ⅰ型抗冻蛋白、Ⅱ型抗冻蛋白、Ⅲ型抗冻蛋白、昆虫抗冻蛋白和其他抗冻蛋白相关结构域5个主要标签。
3.根据权利要求1所述的基于迁移学习的抗冻蛋白分型预测方法,其特征在于,步骤S1中,所述负数据集使用搜索于UniProtKB的已审阅非抗冻蛋白序列,其中获得结构域注释的负数据集和未能获得结构域注释的负数据集比例为1:19。
4.根据权利要求1所述的基于迁移学习的抗冻蛋白分型预测方法,其特征在于,步骤S1中,所述数据集划分为训练集、验证集和测试集,比例设置为7:1:2。
5.根据权利要求1所述的基于迁移学习的抗冻蛋白分型预测方法,其特征在于,步骤S2中,所述采取过采样和欠采样的方法进行数据平衡具体为:对少于150条样本的Ⅰ型抗冻蛋白、Ⅱ型抗冻蛋白和昆虫抗冻蛋白进行过采样,并对多于150条样本的Ⅲ型抗冻蛋白和其他抗冻蛋白相关结构域进行欠采样,保证多种类型的抗冻蛋白种类平衡。
6.根据权利要求1所述的基于迁移学习的抗冻蛋白分型预测方法,其特征在于,步骤S2中,所述数据集标签将其编码为长度阈值为1024的一维向量,使用20个蛋白质对应的整数数字作为编码标记,对于长度不足的序列,采用0填充的方式进行处理。
7.根据权利要求1所述的基于迁移学习的抗冻蛋白分型预测方法,其特征在于,步骤S3中,还包括采取重复随机子抽样的方法对ProteinBert模型进行验证,验证过程中主要采用准确率、敏感性、特异性、马修斯相关系数、精确率和召回率指标进行评估。