欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202510437638X
申请人: 青岛大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于局部-全局特征融合的蛋白质相互作用位点预测方法,其特征在于,具体包括如下步骤:S1,提取蛋白质特征,包括:蛋白质节点特征和蛋白质边特征;

S2,根据提取的蛋白质特征,构建蛋白质图结构;

S3,将蛋白质图结构输入到图注意力网络GAT中进行进一步特征提取,获得多尺度特征和融合特征;

S4,通过对比损失捕捉多尺度特征和融合特征的相似性,将多尺度特征和融合特征输入到基于Transformer的注意力特征融合模块,最终输入多层感知机MLP进行分类预测。

2.根据权利要求1所述的一种基于局部-全局特征融合的蛋白质相互作用位点预测方法,其特征在于,蛋白质节点特征包括:进化特征、二级结构特征和氨基酸的物理化学特征。

3.根据权利要求2所述的一种基于局部-全局特征融合的蛋白质相互作用位点预测方法,其特征在于,进化特征包括:位置特异性评分矩阵PSSM和隐马尔可夫模型矩阵HMM;对位置特异性评分矩阵PSSM和隐马尔可夫模型矩阵HMM中的值进行归一化:;

其中,表示原始值,和分别是训练集中某一特征类型的最小值和最大值,为归一化后的值。

4.根据权利要求2所述的一种基于局部-全局特征融合的蛋白质相互作用位点预测方法,其特征在于,二级结构特征由DSSP 算法计算生成,二级结构特征矩阵大小为,代表氨基酸序列的长度,14为维度;其中,9维特征为九种二级结构状态,采用独热编码表示;4维特征通过对肽链主链的扭转角PHI和PSI进行正弦和余弦变换获得;最后1维特征由溶剂可及表面积SASA转换为相对溶剂可及性RSA。

5.根据权利要求2所述的一种基于局部-全局特征融合的蛋白质相互作用位点预测方法,其特征在于,氨基酸的物理化学特征包括:等电点、极性、酸碱度、氢键受体数、氢键供体数、辛醇-水分配系数logP和拓扑极性表面积TPSA。

6.根据权利要求1所述的一种基于局部-全局特征融合的蛋白质相互作用位点预测方法,其特征在于,步骤S1中的提取蛋白质边特征具体为:蛋白质的边特征由的特征矩阵表示,3代表维度;其中,第一维为0或1,若两个节点直接有边连接则为1,反之为0;第二维为节点和的位置和的欧几里得距离,如式(1)所示;第三维为和之间夹角的余弦值,如式(2)所示:(1);

(2);

其中,为和之间的距离,为坐标初始位置。

7.根据权利要求1所述的一种基于局部-全局特征融合的蛋白质相互作用位点预测方法,其特征在于,步骤S2具体包括如下步骤:S2.1,蛋白质图结构包括:局部图和全局图,局部图和全局图的邻接矩阵构建分别如式(3)和(4)所示:(3);

(4);

其中,,代表残基间的空间距离,和分别为节点和的主链碳原子坐标,为局部图的邻接矩阵,为全局图的邻接矩阵,和代表阈值;

S2.2,将局部图和全局图信息融合:

(5);

其中,为融合图的邻接矩阵。

8.根据权利要求1所述的一种基于局部-全局特征融合的蛋白质相互作用位点预测方法,其特征在于,步骤S3具体包括如下步骤:S3.1,将步骤S1提取的蛋白质特征与局部图的邻接矩阵输入到第一图注意力网络GAT1中,提取蛋白质的局部特征;然后将提取到的局部特征作为全局图的初始特征,输入到第二图注意力网络GAT2中,经过卷积后获取多尺度特征;

S3.2,将蛋白质初始特征与融合图的邻接矩阵输入到第三图注意力网络GAT3中,经过卷积后提取蛋白质的融合特征,第一、第二、第三图注意力网络的实现如式(6)(7)(8)所示:(6);

(7);

(8);

其中,和分别表示节点及其邻居节点的输入特征向量,表示节点和之间的边特征向量,表示拼接操作,、、和表示图注意力网络中不同位置的线性层的可学习参数矩阵,表示激活函数,表示节点的权重,取值范围在0到1之间,为节点和之间的注意力分数,表示节点更新后的嵌入,表示ReLU激活函数。

9.根据权利要求1所述的一种基于局部-全局特征融合的蛋白质相互作用位点预测方法,其特征在于,步骤S4具体包括如下步骤:S4.1,将多尺度特征和融合特征进行拼接,即,然后将拼接后的特征输入基于Transformer 注意力特征融合模块进行处理,基于Transformer编码器的计算过程如下:(9);

其中,分别是查询、键和值矩阵;为注意力机制,为可学习的权重矩阵,是注意力头的维度,为激活函数;

S4.2,基于Transformer 注意力特征融合模块的输出为:(10);

其中,是第个注意力头,是输出投影矩阵,为连接操作;

S4.3,最终的预测结果为:

(11);

其中,为归一化层,为多层感知机,为最终的预测结果。