1.一种基于序列信息的蛋白质毒性预测方法,其特征在于,包括:从蛋白质数据库中获取多个蛋白质序列;其中,多个蛋白质序列包括毒性和非毒性蛋白质序列;
对所有蛋白质序列进行特征计算,得到六大类蛋白质特征向量;
将六大类特征向量按列拼接,得到第一特征向量;
对第一特征向量进行降维筛选,得到目标维度的第二特征向量;包括:删除第一特征向量中的部分列,得到第三特征向量;确定第三特征向量中每个特征与其他特征的皮尔逊相关性系数,得到第四特征向量;构建第四特征向量中特征之间的共选择关系图,选择目标数量个权重最大的特征作为代表,传递到基于交叉验证的递归特征消除,得到目标维度的第二特征向量;
利用第二特征向量训练基于图注意力的神经网络模型,并将训练好的神经网络模型作为蛋白质毒性预测模型;
基于图注意力的神经网络模型包括:特征数据首先经过预处理和一维卷积操作,生成初步的特征表示;采用2个并行的双通道图注意力网络模块:一个面向特征的注意力模块,输出特征导向的嵌入;另一个面向序列的图注意力模块,输出序列导向的嵌入;经过特征融合,拼接后的特征向量通过门控循环单元处理;门控循环单元的输出向量作为后续分类模块的输入,分类器模块生成一个位于0到1之间的推理分数;
将新的蛋白质序列输入至蛋白质毒性预测模型,得到蛋白质毒性预测模型输出的毒性预测结果;
所述对所有蛋白质序列进行特征计算,得到六大类蛋白质特征向量,包括:确定蛋白质R的特征向量,确定基于进化特征的位置特异性打分矩阵的特征向量,确定基于理化性质的氨基酸索引的特征向量,确定氨基酸组频率计数的特征向量,确定蛋白质序列长度的特征向量,确定蛋白质共性片段序列的特征向量;
所述确定蛋白质R的特征向量,包括:
构建氨基酸组成的特征向量AAC,二肽组成的特征向量DPC;
构建Moreau-Broto自相关的特征向量MB的表达式:
其中,Rd为序列中延迟d的Moreau-Broto自相关值;d=1,2,...,D;D为最大延迟;pi为序列中第i个氨基酸的物理化学属性值;pi+d为序列中第i+d个氨基酸的物理化学属性值;构建Geary自相关的特征向量GEARY的表达式:其中,Gd为序列中延迟d的Geary自相关值;
构建组合转化分布的特征向量CTD的表达式:
其中,count(Ai′)为第i'类氨基酸Ai'的出现次数;count(Ai′→Aj′)表示序列中第i'类氨基酸Ai'和第j'类氨基酸Aj'的邻接次数;D′k表示捕捉每个氨基酸类别的空间分布特征;表示拼接向量的算符;
构建联合三元组的特征向量CTRIAD的表达式:
其中,p(Tijk′)表示三元组Tijk′的归一化出现频率;count(Tijk′)表示序列中三元组Tijk′的出现次数;gi为序列中第i个氨基酸的分组编号;gj为序列中第j个氨基酸的分组编号;gk′为序列中第k'个氨基酸的分组编号;
构建序列顺序耦合数的特征向量SOCN的表达式:
其中,Θk″(d)表示序列中延迟d在物理化学属性k”上的序列顺序耦合数;pk″(ai)为第i个氨基酸在物理化学属性k”上的值;pk″(ai+d)表示与pk″(ai)延迟d的氨基酸属性值;表示属性值的全局方差,用于标准化;为物理化学属性k”的均值;K为物理化学属性的总数;
构建准序列顺序描述符的特征向量QSO,
伪氨基酸组成的特征向量PAAC。
2.根据权利要求1所述的蛋白质毒性预测方法,其特征在于,所述确定基于进化特征的位置特异性打分矩阵的特征向量,包括:根据以下公式计算序列中位置i”上氨基酸a的校正概率p(i″,a):其中,F(i″,a)表示在序列的位置i”上的氨基酸a的出现频率;F(i″,b)表示在序列的位置i”上的氨基酸b的出现频率;A为天然氨基酸的集合;
根据以下公式计算序列中位置i”与氨基酸a的得分M[i″][a]:其中,λ为缩放因子,用于调整得分的尺度;q(a)为氨基酸a在自然界中的平均频率;
根据以下公式计算氨基酸a的平均得分p[a]:
其中,N为序列的总长度。
3.根据权利要求1所述的蛋白质毒性预测方法,其特征在于,所述删除第一特征向量中的部分列,得到第三特征向量,具体为:删除第一特征向量中标准差为0的列,得到第三特征向量;所述确定第三特征向量中每个特征与其他特征的皮尔逊相关性系数,得到第四特征向量,具体为:确定第三特征向量中每个特征与其他特征的皮尔逊相关性系数,将皮尔逊相关性系数大于相关性系数阈值的两个特征随机删除一个,得到第四特征向量;
所述构建第四特征向量中特征之间的共选择关系图,以识别与蛋白质毒性关联的特征。
4.一种基于序列信息的蛋白质毒性预测系统,其特征在于,包括:序列获取模块,用于从蛋白质数据库中获取多个蛋白质序列;其中,多个蛋白质序列包括毒性和非毒性蛋白质序列;
特征计算模块,用于对所有蛋白质序列进行特征计算,得到六大类蛋白质特征向量;
向量拼接模块,用于将六大类特征向量按列拼接,得到第一特征向量;
降维筛选模块,用于对第一特征向量进行降维筛选,得到目标维度的第二特征向量;包括:删除第一特征向量中的部分列,得到第三特征向量;确定第三特征向量中每个特征与其他特征的皮尔逊相关性系数,得到第四特征向量;构建第四特征向量中特征之间的共选择关系图,选择目标数量个权重最大的特征作为代表,传递到基于交叉验证的递归特征消除,得到目标维度的第二特征向量;
模型训练模块,用于利用第二特征向量训练基于图注意力的神经网络模型,并将训练好的神经网络模型作为蛋白质毒性预测模型;基于图注意力的神经网络模型包括:特征数据首先经过预处理和一维卷积操作,生成初步的特征表示;采用2个并行的双通道图注意力网络模块:一个面向特征的注意力模块,输出特征导向的嵌入;另一个面向序列的图注意力模块,输出序列导向的嵌入;经过特征融合,拼接后的特征向量通过门控循环单元处理;门控循环单元的输出向量作为后续分类模块的输入,分类器模块生成一个位于0到1之间的推理分数;
毒性预测模块,用于将新的蛋白质序列输入至蛋白质毒性预测模型,得到蛋白质毒性预测模型输出的毒性预测结果;
所述特征计算模块包括:第一确定单元,用于确定蛋白质R的特征向量;第二确定单元,用于确定基于进化特征的位置特异性打分矩阵的特征向量;第三确定单元,用于确定基于理化性质的氨基酸索引的特征向量;第四确定单元,用于确定氨基酸组频率计数的特征向量;第五确定单元,用于确定蛋白质序列长度的特征向量;第六确定单元,用于确定蛋白质共性片段序列的特征向量;
所述第一确定单元包括:
第一构建装置,用于构建氨基酸组成的特征向量AAC;
第二构建装置,用于构建二肽组成的特征向量DPC;
第三构建装置,用于构建Moreau-Broto自相关的特征向量MB的表达式:其中,Rd为序列中延迟d的Moreau-Broto自相关值;d=1,2,...,D;D为最大延迟;pi为序列中第i个氨基酸的物理化学属性值;pi+d为序列中第i+d个氨基酸的物理化学属性值;
第五构建装置,用于构建Geary自相关的特征向量GEARY的表达式:其中,Gd为序列中延迟d的Geary自相关值;
第六构建装置,用于构建组合转化分布的特征向量CTD的表达式:其中,count(Ai')为第i'类氨基酸Ai'的出现次数;count(Ai′→Aj′)表示序列中第i'类氨基酸Ai'和第j'类氨基酸Aj'的邻接次数;D′k表示捕捉每个氨基酸类别的空间分布特征;表示拼接向量的算符;
第七构建装置,用于构建联合三元组的特征向量CTRIAD的表达式:其中,p(Tijk′)表示三元组Tijk′的归一化出现频率;count(Tijk′)表示序列中三元组Tijk′的出现次数;gi为序列中第i个氨基酸的分组编号;gj为序列中第j个氨基酸的分组编号;gk′为序列中第k'个氨基酸的分组编号;
第八构建装置,用于构建序列顺序耦合数的特征向量SOCN的表达式:其中,Θk″(d)表示序列中延迟d在物理化学属性k”上的序列顺序耦合数;pk″(ai)为第i个氨基酸在物理化学属性k”上的值;pk″(ai+d)表示与pk″(ai)延迟d的氨基酸属性值;表示属性值的全局方差,用于标准化;为物理化学属性k”的均值;K为物理化学属性的总数;
第九构建装置,用于构建准序列顺序描述符的特征向量QSO;
第十构建装置,用于构建伪氨基酸组成的特征向量PAAC。
5.根据权利要求4所述的蛋白质毒性预测系统,其特征在于,所述第二确定单元包括:第一计算装置,用于根据以下公式计算序列中位置i”上氨基酸a的校正概率p(i″,a):其中,F(i″,a)表示在序列的位置i”上的氨基酸a的出现频率;F(i″,b)表示在序列的位置i”上的氨基酸b的出现频率;A为天然氨基酸的集合;
第二计算装置,用于根据以下公式计算序列中位置i”与氨基酸a的得分M[i″][a]:其中,λ为缩放因子,用于调整得分的尺度;q(a)为氨基酸a在自然界中平均频率;
第三计算装置,用于根据以下公式计算氨基酸a的平均得分p[a]:其中,N为序列的总长度。
6.根据权利要求4所述的蛋白质毒性预测系统,其特征在于,所述降维筛选模块包括:第一删除单元,用于删除第一特征向量中标准差为0的列,得到第三特征向量;
确定单元,用于确定第三特征向量中每个特征与其他特征的皮尔逊相关性系数;
第二删除单元,用于将皮尔逊相关性系数大于相关性系数阈值的两个特征随机删除一个,得到第四特征向量;
构建单元,用于构建第四特征向量中特征之间的共选择关系图,以识别与蛋白质毒性关联的特征;
选择单元,用于选择目标数量个权重最大的特征作为代表,传递到基于交叉验证的递归特征消除,得到目标维度的第二特征向量。