[發明專利]一種基于空間結構的蛋白質相互作用預測方法

有效

• 申請號: 201910979313.9
• 申請日: 2019-10-15
• 公開（公告）號: CN110853702B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 張利達;雷雨;洪劍偉;鄭存儉;趙佳薇
• 申請（專利權）人: 上海交通大學
• 主分類號: G16B15/00
• 分類號: G16B15/00;G16B20/30;G16B40/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 丁云

本發明涉及一種基于空間結構的蛋白質相互作用預測方法，該方法包括如下步驟：(1)采集蛋白質三維空間結構標準數據；(2)構建蛋白質相互作用正、負樣本數據集；(3)提取正、負樣本數據集中的蛋白質三維空間結構標準數據的結構矩陣；(4)構建用于蛋白質相互作用預測的深度學習模型；(5)將正、負樣本集中的結構矩陣輸入至深度學習模型，訓練深度學習模型；(6)獲取目標蛋白質三維空間結構數據；(7)提取目標蛋白質三維空間結構數據的結構矩陣；(8)深度學習模型預測得到目標蛋白質相互作用的概率。與現有技術相比，本發明蛋白質三維空間結構數據能夠提高模型對蛋白質相互作用的識別能力，大大提高蛋白質相互作用的預測準確性。

技術領域

本發明涉及一種蛋白質相互作用預測方法，尤其是涉及一種基于空間結構的蛋白質相互作用預測方法。

背景技術

蛋白質之間的相互作用是蛋白質行使功能的基礎，蛋白質相互作用參與了生物體幾乎所有的生命活動，在各種生理生化過程中都發揮著重要作用。目前研究蛋白 質相互作用的實驗方法，如串聯親和純化、酵母雙雜交和蛋白質芯片技術等方法費 時費力，花費昂貴，且具較高的假陽性率等缺點。因此，基于計算方法研究蛋白質 相互作用日趨受到關注。隨著基因組測序成本的不斷降低，各組學數據激增，為綜 合利用生物大數據進行蛋白質相互作用預測提供了豐富的數據資源。

低溫冷凍電鏡、X射線晶體衍射、多維核磁共振等結構生物學實驗技術測得了 部分蛋白質的三維結構。目前蛋白質結構數據庫收錄了超過15萬個蛋白質三維結 構，其多集中在人類、小鼠、釀酒酵母以及大腸桿菌等模式生物。但由于蛋白質三 級結構的以及結構域的保守性，如蛋白質序列一級結構具有相似性，那么其三級結 構具有高度相似性。蛋白質三維結構的保守性促成了以數據庫中的已知結構為模板 的同源建模(HomologyModeling)方法的發展，該方法是目前應用最廣泛的蛋白 質三維結構預測方法。隨著數據庫中的已知結構的蛋白質數量的不斷增加，使得越 來越多的蛋白質可通過同源建模方法獲得精確的預測結構。同源建模得到的蛋白質 三維結構數據能夠成為預測蛋白質相互作用的重要數據支撐。

機器學習技術(如支持向量機、隨機森林和樸素貝葉斯)在面對生物數據時， 需要人工設計特征提取器，用來將原始的生物數據轉化成統一的向量或矩陣形式， 這要求設計者擁有高超的結構生物學知識和優秀的算法編譯能力。深度學習是機器 學習中一種基于對數據進行表征學習的方法。深度學習通過非監督式學習或半監督 式學習來獲取特征，而不需要通過人工來獲取特征，在處理復雜的生物學數據上具 有優勢。目前深度學習已成功應用于語音識別、記憶網絡、計算機視覺、自然語言 處理等其他領域。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于空間結 構的蛋白質相互作用預測方法。

本發明的目的可以通過以下技術方案來實現：

一種基于空間結構的蛋白質相互作用預測方法，該方法包括如下步驟：

(1)采集蛋白質三維空間結構標準數據；

(2)利用三維空間結構標準數據構建蛋白質相互作用正、負樣本數據集；

(3)提取正、負樣本數據集中的蛋白質三維空間結構標準數據的結構矩陣；

(4)構建用于蛋白質相互作用預測的深度學習模型；

(5)將正、負樣本集中的結構矩陣輸入至深度學習模型，訓練深度學習模型；

(6)對目標蛋白質序列進行同源建模獲取目標蛋白質三維空間結構數據；

(7)提取目標蛋白質三維空間結構數據的結構矩陣；

(8)將目標蛋白質的結構矩陣輸入至訓練好的深度學習模型預測得到目標蛋 白質相互作用的概率。