[发明专利]分类方法及装置、电子设备和存储介质

权利要求书

1.一种分类方法，其特征在于，所述方法包括：

获取目标蛋白质的初始编码特征，多个所述目标蛋白质之间形成第一待测作用关系；

确定所述目标蛋白质发生相互作用所构成的目标关系图；

根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征；

根据所述联合编码特征，对所述第一待测作用关系的所属类别进行预测，得到类别预测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征，包括：

根据所述目标关系图，对与所述目标蛋白质发生相互作用的至少一个相邻作用蛋白质的特征进行聚合得到聚合结果；

根据所述聚合结果对所述初始编码特征进行更新，得到所述联合编码特征。

3.根据权利要求1或2所述的方法，其特征在于，所述确定所述目标蛋白质发生相互作用所构成的目标关系图，包括：

获取第一预设连接图，其中，所述第一预设连接图包括多个蛋白质所构成的多个节点，以及所述多个蛋白质通过相互作用所形成的节点之间的连接边；以及，

根据所述第一预设连接图中所述目标蛋白质连接的节点和/或连接边，确定所述目标蛋白质在相互作用下形成的目标关系图。

4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述方法通过目标神经网络实现，所述目标神经网络包括图神经网络；

所述根据所述初始编码特征和所述目标关系图，对所述目标蛋白质进行特征提取，得到所述目标蛋白质的联合编码特征，包括：

将所述初始编码特征以及所述目标关系图输入所述图神经网络，得到所述图神经网络输出的所述联合编码特征。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述方法通过目标神经网络实现，所述目标神经网络包括特征提取网络；以及，

所述获取目标蛋白质的初始编码特征，包括：

通过所述特征提取网络，对所述目标蛋白质中氨基酸序列的全局信息和/或局部信息进行特征提取，得到所述初始编码特征。

6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述方法通过目标神经网络实现，所述目标神经网络包括特征提取网络和图神经网络，

所述方法还包括：

获取训练数据，其中，所述训练数据包含形成第二待测作用关系的蛋白质样本，和所述第二待测作用关系的类别标签；

通过所述目标神经网络对所述蛋白质样本进行处理，得到所述第二待测作用关系的类别预测结果；

根据所述第二待测作用关系的类别预测结果与所述类别标签，确定所述目标神经网络的误差损失；

基于所述误差损失，对所述特征提取网络和所述图神经网络进行共同训练，得到训练后的目标神经网络。

7.根据权利要求6所述的方法，其特征在于，所述获取训练数据，包括：

获取第二预设连接图，其中，所述第二预设连接图包括多个蛋白质样本所构成的多个节点，以及所述多个蛋白质样本通过相互作用所形成的节点之间的连接边；

统计所述第二预设连接图中包含类别标签的连接边，得到统计结果；

根据预设规则，将所述统计结果划分为训练数据和测试数据。

8.根据权利要求7所述的方法，其特征在于，所述根据预设规则，将所述统计结果划分为训练数据和测试数据，包括：

在所述统计结果中的多个蛋白质样本发生相互作用关系的数量高于第一预设阈值的情况下，在所述第二预设连接图中，基于随机选定的初始节点进行广度优先搜索，将得到的广度优先搜索结果作为所述测试数据，并将所述统计结果中所述测试数据以外的数据作为所述训练数据；

在所述统计结果中的多个蛋白质样本发生相互作用关系的数量低于第二预设阈值的情况下，在所述第二预设连接图中，基于随机选定的初始节点进行深度优先搜索，将得到的深度优先搜索结果作为所述测试数据，并将所述统计结果中所述测试数据以外的数据作为所述训练数据。