[發明專利]一種基于序列和形狀信息深度融合的模體挖掘方法

有效

• 申請號: 202110509316.3
• 申請日: 2021-05-11
• 公開（公告）號: CN113096733B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 黃德雙;張寅東
• 申請（專利權）人: 同濟大學
• 主分類號: G16B30/00
• 分類號: G16B30/00;G06N3/08;G06N3/04
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 張雪

1.一種基于序列和形狀信息深度融合的模體挖掘方法，其特征在于，包括以下步驟：

S1、構建深度嵌入卷積神經網絡模型，并對DNA序列和形狀信息進行空間對齊混合，作為所述神經網絡模型的輸入；

S2、對所述深度嵌入卷積神經網絡模型進行訓練，得到模體綁定強度預測值；

S3、基于所述預測值與實際綁定強度之間的回歸系數R²對所述構建的深度嵌入卷積神經網絡模型性能進行評估；

所述深度嵌入卷積神經網絡模型中，包括兩個獨立的卷積層，分別為第一卷積層和第二卷積層，所述第一卷積層用于處理DNA序列的輸入，所述第二卷積層用于處理形狀信息的輸入；

所述S1中，通過拼接模式和加和模式，對所述DNA序列和形狀信息進行空間對齊混合。

2.根據權利要求1所述的基于序列和形狀信息深度融合的模體挖掘方法，其特征在于，在所述拼接模式下，若輸入的DNA序列形式不同，則命名不同；在所述加和模式下，輸入編碼的形式不同，則命名也不同。

3.根據權利要求1所述的基于序列和形狀信息深度融合的模體挖掘方法，其特征在于，所述S2中，在訓練過程中，通過Glorot均勻初始化策略對所述深度嵌入卷積神經網絡模型進行初始化，并使用Adam學習器優化模型參數，基于網格搜索策略尋找最優值。

4.根據權利要求1所述的基于序列和形狀信息深度融合的模體挖掘方法，其特征在于，在所述深度嵌入卷積神經網絡中增加丟失層，用于對抗模型訓練過程中的過擬合問題。

5.根據權利要求1所述的基于序列和形狀信息深度融合的模體挖掘方法，其特征在于，所述S3中，基于預測值與實際綁定強度之間的回歸系數R²對所述構建的深度嵌入卷積神經網絡模型性能進行評估，并采用五折交叉驗證策略進行驗證。

6.根據權利要求5所述的基于序列和形狀信息深度融合的模體挖掘方法，其特征在于，所述回歸系數R²的計算公式為：

其中，y_i代表樣本i的標簽值(label)，代表標簽值的平均數，代表樣本i的預測值。