公开(公告)号：CN116504307A

公开(公告)日：2023-07-28

申请号：CN202310097309.6

申请日：2023-02-10

Applicant: 中南大学

Inventor： 李敏 ,  张富豪 ,  武朝进

IPC: G16B20/30 ,  G16B40/20 ,  G06N3/04 ,  G06N3/09

Abstract: 本发明公开了一种基于对比学习和注意力机制的蛋白质与RNA结合位点预测方法、设备和介质，方法包括：提取蛋白质的生物理化特征及语义特征，使用多头注意力融合生物理化特征及语义特征，得到蛋白质各氨基酸的注意力向量；将注意力向量输入至预测模块，得到蛋白质与RNA的结合位点；其中，多头注意力和预测模块的参数预先优化方法为：根据蛋白质样本上的RNA结合位点和非结合位点的注意力向量之间的相似性构建第一损失函数，及根据蛋白质样本的预测准确性构建第二损失函数，然后基于两个损失函数和对多头注意力和预测模块的参数进行优化。本发明分类效果好、适用性强，且具有较强泛化能力，在蛋白质与RNA结合位点预测问题上取得显著效果。

公开(公告)号：CN116206679A

公开(公告)日：2023-06-02

申请号：CN202310097311.3

申请日：2023-02-10

Applicant: 中南大学

Inventor： 李敏 ,  张富豪

IPC: G16B20/30 ,  G16B40/00 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于残差注意力的多通路的蛋白质与蛋白质作用位点预测方法、设备和介质，方法包括：基于蛋白质序列提取蛋白质的生物理化特性；使用两个不同的通路模块，分别根据生物理化特性预测蛋白质的相互作用位点；其中，两个通路模块均基于残差注意力从特征理化特性中提取隐特征向量，以及采用多层感知机根据隐特征向量预测相互作用位点，且第一通路模块使用稳定结构蛋白质样本训练得到，第二通路模块使用无序蛋白质样本训练得到；根据两个通路模块得到的相互作用位点预测结果，以及蛋白质无序倾向性，最终确定蛋白质的相互作用位点。本方法预测效果好、适用性强，且具有较强泛化能力。

公开(公告)号：CN110070909B

公开(公告)日：2022-12-09

申请号：CN201910215306.1

申请日：2019-03-21

Applicant: 中南大学

Inventor： 李敏 ,  张富豪 ,  宋虹

IPC: G16B20/00 ,  G16B40/00

Abstract: 本发明提供了基于深度学习的融合多特征的蛋白质功能预测方法，包括：S1、根据蛋白质的序列信息、作用信息和同源信息，提取蛋白质的语义结构特征、亚序列特征和网络拓扑结构特征；S2、将蛋白质的语义结构特征、亚序列特征和网络拓扑结构特征输入预先训练的蛋白质功能预测模型中，输出分类结果；蛋白质功能预测模型包括：根据蛋白质语义结构特征，提取蛋白质局部语义特征；根据蛋白质亚序列特征，提取蛋白质更稠密、更高级别的亚序列特征；将蛋白质局部语义特征，更稠密、高级别的亚序列特征和网络拓扑结构特征进行融合，获得蛋白质分类融合特征；将蛋白质分类融合特征输入功能分类模块，输出分类结果。显著的提高了预测蛋白质功能的准确度。

公开(公告)号：CN110070909A

公开(公告)日：2019-07-30

申请号：CN201910215306.1

申请日：2019-03-21

Applicant: 中南大学

Inventor： 李敏 ,  张富豪 ,  宋虹

IPC: G16B20/00 ,  G16B40/00

Abstract: 本发明提供了基于深度学习的融合多特征的蛋白质功能预测方法，包括：S1、根据蛋白质的序列信息、作用信息和同源信息，提取蛋白质的语义结构特征、亚序列特征和网络拓扑结构特征；S2、将蛋白质的语义结构特征、亚序列特征和网络拓扑结构特征输入预先训练的蛋白质功能预测模型中，输出分类结果；蛋白质功能预测模型包括：根据蛋白质语义结构特征，提取蛋白质局部语义特征；根据蛋白质亚序列特征，提取蛋白质更稠密、更高级别的亚序列特征；将蛋白质局部语义特征，更稠密、高级别的亚序列特征和网络拓扑结构特征进行融合，获得蛋白质分类融合特征；将蛋白质分类融合特征输入功能分类模块，输出分类结果。显著的提高了预测蛋白质功能的准确度。