1.一种蛋白质相互作用位点预测方法,其特征在于,包括:
获取待测蛋白质的蛋白图表征;将蛋白图表征输入残基特征提取模块,提取待测蛋白质的残基高阶特征;
所述残基特征提取模块包括依次连接的多个局部结构与全局交互模块;每个局部结构与全局交互模块由残差连接的等变图神经网络和残差连接的空间感知Transformer串联组成;其中,空间感知Transformer中的多头注意力机制为空间感知多头注意力机制,基于每个注意力头的查询-键乘积矩阵中每个元素对应的残基对,利用每个残基对侧链质心坐标之间的距离、侧链质心向量夹角余弦值,对该矩阵中每个元素进行修正,得到每个注意力头的目标查询-键乘积矩阵;基于每个注意力头的目标查询-键乘积矩阵,获取空间感知多头注意力机制输出的注意力特征;
将残基高阶特征通过多层感知机,对蛋白质相互作用位点进行预测。
2.根据权利要求1所述的一种蛋白质相互作用位点预测方法,其特征在于,将局部结构与全局交互模块输入特征通过局部结构与全局交互模块,提取残基特征包括:将局部结构与全局交互模块输入特征通过等变图神经网络,提取局部特征;其中,局部结构与全局交互模块输入特征n为待测蛋白质的节点总数,d为待测蛋白质每个节点的节点特征维度;
将局部结构与全局交互模块输入特征与局部特征逐元素相加后,得到局部增强特征;
将局部增强特征通过空间感知Transformer,提取全局特征,包括:将局部增强特征通过批归一化,得到批归一化后的局部增强特征;
将批归一化后的局部增强特征通过空间感知多头注意力机制,得到空间感知多头注意力特征;
将空间感知多头注意力特征与批归一化后的局部增强特征进行逐元素相加后,得到空间感知注意力增强特征;
将空间感知注意力增强特征依次通过批归一化层、前馈神经网络,得到前馈增强特征;
将空间感知注意力增强特征与前馈增强特征逐元素相加,得到全局特征;
将全局特征与局部增强特征逐元素相加,得到残基特征。
3.根据权利要求2所述的一种蛋白质相互作用位点预测方法,其特征在于,所述将批归一化后的局部增强特征通过空间感知多头注意力机制,得到空间感知多头注意力特征,包括:将批归一化后的局部增强特征分别通过三个不同的线性变换层,得到查询矩阵、键矩阵和值矩阵;
将查询矩阵、键矩阵和值矩阵按特征维度拆分为若干个注意力头;
基于每个注意力头的查询矩阵、键矩阵、缩放因子、每个残基对侧链质心坐标之间的距离、侧链质心向量夹角余弦值,计算每个注意力头的目标查询-键乘积矩阵;
将每个注意力头的目标查询-键乘积矩阵通过Softmax激活函数,得到每个注意力头的注意力权重;
将每个注意力头的注意力权重与该注意力头的值矩阵加权求和,得到每个注意力头的注意力特征;
将各个注意力头的注意力特征沿通道维度拼接后,通过线性层,得到空间感知多头注意力特征。
4.根据权利要求1所述的一种蛋白质相互作用位点预测方法,其特征在于,每个注意力头的目标查询-键乘积矩阵中每个元素的计算公式为:其中,为第τ个注意力头的查询矩阵中第i行向量,为第τ个注意力头的键矩阵的第j行向量,为第τ个注意力头节点i与节点j间的距离可学习参数,为第τ个注意力头节点i与节点j间的夹角余弦可学习参数,dist(i,j)为节点i与节点j侧链质心坐标之间的距离,angle(i,j)为节点i与节点j侧链质心向量夹角余弦值,i为第i个节点,j为第j个节点,每个节点对应一个残基,τ为第τ个注意力头。
5.根据权利要求1所述的一种蛋白质相互作用位点预测方法,其特征在于,获取待测蛋白质的蛋白图表征的过程包括:将待测蛋白质的每个残基作为节点,将每个残基的残基特征与初始残基图结构特征拼合,作为该节点的初始层节点特征,基于待测蛋白质的邻接矩阵构建边,得到待测蛋白图表征。
6.根据权利要求5所述的一种蛋白质相互作用位点预测方法,其特征在于,获取每个残基的初始残基图结构特征的过程包括:基于待测蛋白质的邻接矩阵,计算待测蛋白质的正则化拉普拉斯矩阵;
对待测蛋白质的正则化拉普拉斯矩阵分解,得到多个特征值以及对应的特征向量;
将特征值进行升序排序,取前m个特征值对应的特征向量,作为目标特征向量,构建特征向量矩阵;
随机对特征向量矩阵中任一特征向量或若干特征向量,乘以1或-1,得到目标特征向量矩阵;将目标特征向量矩阵通过线性变换层,得到拉普拉斯残基图结构特征;
基于待测蛋白质的邻接矩阵,计算待测蛋白质的多步随机游走着陆概率矩阵;
将待测蛋白质的多步随机游走着陆概率矩阵,依次通过批归一化和线性层,得到多步随机游走残基图结构特征;
将拉普拉斯残基图结构特征与多步随机游走残基图结构特征拼接后,通过多层感知机,得到每个残基的初始残基图结构特征。
7.根据权利要求5所述的一种蛋白质相互作用位点预测方法,其特征在于,获取待测蛋白质的邻接矩阵的过程包括:计算待测蛋白质中所有残基对的侧链质心位置坐标之间的距离,得到待测蛋白质的距离矩阵;
分别判断待测蛋白质的距离矩阵中每个元素值是否大于设定距离阈值,若大于,则将该元素值设为0,若小于等于,则将该元素值设为1,得到待测蛋白质的邻接矩阵。
8.根据权利要求5所述的一种蛋白质相互作用位点预测方法,其特征在于,每个残基的残基特征包括:序列进化信息、结构信息、残基原子信息、残基伪位置信息;
其中,将每个残基的侧链质心坐标,作为该残基的伪位置;选定任意残基为参考残基,将每个残基与参考残基侧链质心坐标之间的距离,作为每个残基的残基伪位置信息。
9.根据权利要求1所述的一种蛋白质相互作用位点预测方法,其特征在于,每个残基对侧链质心向量夹角余弦值的获取过程包括:选定任意残基为参考残基,每个残基对侧链质心向量夹角余弦值的计算公式为:其中,angle(i,j)为第i个残基与第j个残基侧链质心向量夹角余弦值,pi为第i个残基的侧链质心坐标,p为参考残基的侧链质心坐标,pj为第j个残基的侧链质心坐标,||·||为欧式距离。
10.一种蛋白质相互作用位点预测系统,其特征在于,包括:
数据获取模块,用于获取待测蛋白质的蛋白图表征;
特征提取模块,用于将蛋白图表征输入残基特征提取模块,提取待测蛋白质的残基高阶特征;
所述残基特征提取模块包括依次连接的多个局部结构与全局交互模块;每个局部结构与全局交互模块由残差连接的等变图神经网络和残差连接的空间感知Transformer串联组成;其中,空间感知Transformer中的多头注意力机制为空间感知多头注意力机制,基于每个注意力头的查询-键乘积矩阵中每个元素对应的残基对,利用每个残基对侧链质心坐标之间的距离、侧链质心向量夹角余弦值,对该矩阵中每个元素进行修正,得到每个注意力头的目标查询-键乘积矩阵;基于每个注意力头的目标查询-键乘积矩阵,获取空间感知多头注意力机制输出的注意力特征;
预测模块,用于将残基高阶特征通过多层感知机,对蛋白质相互作用位点进行预测。