[發(fā)明專利]一種基于GloVe模型的氨基酸全局特征向量表示方法

在審

• 申請?zhí)枺?/td>: 201910042979.1
• 申請日: 2019-01-17
• 公開（公告）號: CN109767814A
• 公開（公告）日: 2019-05-17
• 發(fā)明（設計）人: 陳沾衡;尤著宏;李曉;蔣同海;周喜;袁揚;易海成;陳沾興;彭新亮
• 申請（專利權）人: 中國科學院新疆理化技術研究所
• 主分類號: G16B30/00
• 分類號: G16B30/00;G16B40/00;G06F17/27
• 代理公司: 烏魯木齊中科新興專利事務所(普通合伙) 65106
• 代理人: 張莉

本發(fā)明公開了一種基于GloVe模型的氨基酸全局特征向量表示方法，該方法包括：輸入GloVe模型中語料庫的選擇與建立，氨基酸序列粒度切分處理，利用GloVe模型訓練得到每個氨基酸的特征向量步驟完成，該方法是利用GloVe詞向量生成模型處理每個氨基酸序列并得到特征向量，對氨基酸序列進行特征向量化的表示，方便計算機更好的對數據進行處理，并有助于進一步對蛋白質間的相互作用進行預測，最終所有數據集中的每個蛋白質都能夠得到300維的特征向量；該方法計算代價低，功耗小；有效地對氨基酸序列進行數值化的表示，為進一步蛋白質自相互作用預測奠定了堅實的基礎。

技術領域

本發(fā)明涉及自然語言處理和生物信息學領域，具體涉及一種基于GloVe模型的氨基酸全局特征向量表示方法。

背景技術

本發(fā)明涉及自然語言處理和生物信息學領域，具體涉及一種基于GloVe模型的氨基酸全局特征向量表示方法。蛋白質是生命活動的主要承擔者。許多研究人員對蛋白質的研究也不斷深入，但是傳統(tǒng)的生物學方法耗費人力、物力，造成了資源的巨大浪費。因此，如何對蛋白質進行數值化的表示，然后交由計算機進行處理，已經成為研究的熱點。近年來，隨著人工智能、機器學習、深度學習的不斷發(fā)展，自然語言處理領域也隨之發(fā)生了巨大的變化，許多技術得到了飛速的發(fā)展。將自然語言處理中的詞向量生成模型應用到生物學領域，對氨基酸序列進行特征向量化的表示，方便計算機進行處理，并有助于進一步對蛋白質間的相互作用進行預測。

發(fā)明內容

本發(fā)明的目的在于，提供一種基于GloVe模型的氨基酸全局特征向量表示方法，該方法包括：輸入GloVe模型中語料庫的選擇與建立，氨基酸序列粒度切分處理，利用GloVe模型訓練得到每個氨基酸的特征向量步驟完成，該方法是利用GloVe詞向量生成模型處理每個氨基酸序列并得到特征向量，對氨基酸序列進行特征向量化的表示，方便計算機更好的對數據進行處理，并有助于進一步對蛋白質間的相互作用進行預測，最終所有數據集中的每個蛋白質都能夠得到300維的特征向量；本發(fā)明所述方法計算代價低，功耗小，有效地對氨基酸序列進行數值化的表示，為進一步蛋白質自相互作用預測奠定了堅實的基礎。解決了計算機如何處理序列數據的問題。

本發(fā)明所述的一種基于GloVe模型的氨基酸全局特征向量表示方法，按下列步驟進行：

a、輸入GloVe模型中語料庫的選擇與建立：利用UniProt數據庫中的human和yeast兩個黃金標準數據集，構建用于輸入GloVe模型的語料庫，其中human數據集由1441個陽性自相互作用蛋白質和15938個陰性非自相互作用蛋白質組成，yeast數據集由710陽性樣本和5511個陰性樣本組成；

b、氨基酸序列粒度切分處理：將輸入GloVe模型語料庫中所有蛋白質按照單個氨基酸序列進行粒度切分，切分粒度為1個氨基酸；

c、特征向量表示：將步驟b中獲得的氨基酸序列粒度切分結果輸入到GloVe模型，利用GloVe模型訓練詞向量，得到human陽性數據集為1441×300，陰性數據集為15938×300，yeast陽性數據集為710×300，陰性數據集為5511×300的最終輸出結果為數值化的特征向量。

步驟b中將每一個蛋白質按照單個氨基酸序列進行粒度切分，便于計算每個氨基酸的詞向量。

本發(fā)明所述的一種基于GloVe模型的氨基酸全局特征向量表示方法，該方法

a、輸入GloVe模型中語料庫的選擇與建立：利用UniProt數據庫中的human和yeast兩個黃金標準數據集構建用于輸入GloVe模型的語料庫；其中human數據集由1441個陽性自相互作用蛋白質和15938個陰性非自相互作用蛋白質組成，yeast數據集由710陽性樣本和5511個陰性樣本組成；

b、氨基酸序列粒度切分處理：將輸入GloVe模型語料庫中所有蛋白質按照單個氨基酸序列進行粒度切分，切分粒度為1個氨基酸，便于計算每個氨基酸的詞向量；