1.一种基于生成对抗网络的蛋白质翻译后修饰数据增强方法,其特征在于,包括以下步骤:步骤S1:数据预处理与特征提取;
读取蛋白质序列文件,划分训练集与测试集,采用ESM-2预训练蛋白质语言模型进行特征编码,生成标准化特征向量;
步骤S2:聚类增强型条件生成对抗网络的样本增强;
构建由生成器和判别器组成的RP-CGAN模型;生成器输入包含随机噪声向量、目标类别标签及通过K均值聚类生成的类别中心向量,输出目标类别伪样本;判别器采用双输出结构,分别判断样本真实性与类别标签,结合Softplus相对对抗损失、二分类交叉熵损失及梯度正则项优化训练稳定性;
步骤S3:伪样本筛选;
应用训练完成的RP-CGAN模型生成超出目标数量的伪样本,通过多指标约束的筛选机制,选择与真实样本分布最接近的伪样本;
步骤S4:分类器训练与评估;
将真实训练数据与筛选后的伪样本合并,输入分类器进行训练,优化分类性能;
步骤S5:预测输出;
使用训练好的分类器对新蛋白质序列进行预测,输出修饰位点概率得分;
所述RP-CGAN模型的生成器设计包括:
输入条件为随机噪声向量z~N(0,1)、类别标签yc∈{0,1+及通过K均值聚类获取的类别中心向量通过联合输入拼接机制生成近似于真实分布的样本所述类别中心向量的生成步骤包括:
对少数类和多数类样本分别进行K均值聚类,通过DBI指标确定最优聚类簇数;提取少数类与多数类的最优聚类中心作为生成器的先验条件输入;
所述伪样本筛选步骤包括:
通过混淆矩阵计算敏感性与特异性,动态确定伪样本增强数量n*;使用生成器生成m×n*个伪样本;利用AutoEncoder构建特征空间,计算伪样本与真实样本的皮尔逊相关系数、欧氏距离和最小均方误差三类距离指标,对三类距离指标进行归一化并加权融合,得到综合得分;选择综合得分最低的前n*个伪样本,构成最终增强样本集合
2.根据权利要求1所述的基于生成对抗网络的蛋白质翻译后修饰数据增强方法,其特征在于,所述数据预处理与特征提取步骤包括:以目标残基为中心,提取上下游各10个氨基酸残基,构成21个残基的窗口序列;
加载ESM-2预训练蛋白质语言模型与字母表;
使用get_batch_converter()方法将蛋白质序列转换为模型可识别的输入格式;
提取模型第33层的token级嵌入表示,作为每个残基的特征;
对每条序列保留原始维度嵌入,形成结构感知的特征矩阵;
对每条序列的特征矩阵求均值,得到该序列的最终特征向量。
3.根据权利要求1所述的基于生成对抗网络的蛋白质翻译后修饰数据增强方法,其特征在于,所述RP-CGAN模型的损失函数包括:Softplus变体的相对对抗损失:
其中,为对抗损失函数;表示对真实样本分布preal下的样本x求期望;表示对生成样本分布pG下的样本求期望;x为真实样本特征向量;为生成器生成的伪样本;Softplus函数定义为softplus(x)=log(1+ex);Dreal(·)为判别器的真实性输出;
二分类交叉熵损失:
其中,为分类损失函数;E(x,y)表示对样本特征与标签的联合分布(x,y)求期望;x为样本特征向量;y∈{0,1+为真实类别标签;Dcls(x)为判别器对样本x的类别预测输出值;
梯度正则项:
R1正则项:
R2正则项:
其中,R1为针对真实样本的梯度正则项;R2为针对生成样本的梯度正则项;表示判别器输出关于真实样本输入x的梯度;表示判别器输出关于生成样本输入的梯度;||·||2表示向量的L2范数的平方;
总损失函数:
判别器损失函数:
生成器损失函数:
其中,为判别器的总损失函数;为生成器的总损失函数;为判别器的对抗损失项;为生成器的对抗损失项;为判别器的分类损失项;为生成器的分类损失项;λcls为分类损失的权重;λR1与λR2分别为R1正则项和R2正则项的权重。
4.根据权利要求1所述的基于生成对抗网络的蛋白质翻译后修饰数据增强方法,其特征在于,所述分类器训练与评估步骤包括:使用随机森林、支持向量机、XGBoost和LightGBM进行训练;通过准确率、F1分数、AUC、MCC和G-mean值评估分类性能。
5.根据权利要求1所述的基于生成对抗网络的蛋白质翻译后修饰数据增强方法,其特征在于,所述预测输出步骤包括:对新蛋白质序列提取特征并输入训练好的分类器;输出每个残基为修饰位点的概率得分,根据阈值判断修饰位点。