[发明专利]一种基于轻量级深度卷积网络的蛋白质扭转角预测方法

说明书

本发明公开一种基于轻量级深度卷积网络的蛋白质扭转角预测方法，包括：基于PISCES服务器构建蛋白质扭转角数据集；从RCSB PDB数据库中抽取各蛋白质序列中每个氨基酸残基对应的扭转角Phi和Psi，并加入数据集中；将uniref90数据库与各蛋白质序列进行多序列比对，生成对应蛋白质序列的PSSM谱矩阵，基于PSSM谱矩阵及氨基酸的物理化学特性，构造蛋白质序列特征；设计残差模块，并基于该模块构建预测蛋白质扭转角的深度卷积网络模型；构建训练网络模型的损失函数；基于构建的损失函数训练网络模型；基于训练后的网络模型进行蛋白质扭转角的预测。本发明不仅能精确地预测蛋白质扭转角，还具有模型小，预测速度快的优点。

技术领域

本发明属于生物信息学技术领域，尤其涉及一种基于轻量级深度卷积网络的蛋白质扭转角预测方法。

背景技术

基于蛋白质的氨基酸序列预测扭转角是计算分子生物学中的一个重要任务。蛋白质的功能是由其结构决定的。然而采用实验方法如X射线晶体衍射和核磁共振确定蛋白质结构是极其昂贵和耗时的。因此，通过计算的方式确定蛋白质的结构是非常有必要的。对于一个由L个氨基酸残基组成的蛋白质链，其蛋白质骨架是由氮原子，α-碳原子和碳原子组成的重复序列：N⁽¹⁾、C⁽¹⁾、N⁽²⁾、C⁽²⁾、…、N^(L)、C⁽_α^L)、C^(L)。特别地，扭转角Psi是由N⁽ⁱ⁾,和C⁽ⁱ⁾确定的平面与C⁽ⁱ⁾和N⁽ⁱ⁺¹⁾确定的平面之间的二面角。扭转角Phi是由C⁽ⁱ⁾、N⁽ⁱ⁺¹⁾和确定的平面与N⁽ⁱ⁺¹⁾,和C⁽ⁱ⁺¹⁾确定的平面之间的二面角。由于相邻骨架原子之间的键长和角度是固定的，唯一不确定的只有其扭转角，所以确定了其扭转角，就确定了其骨架结构。因此，精确地预测蛋白质的扭转角是非常重要的，扭转角的预测结果不仅可用于基于模板的三级结构预测和折叠识别，而且还可用于确定蛋白质结构的类别。

目前，一些深度学习方法如堆叠的稀疏自编码器、深度循环受限玻尔兹曼机[H.Li,J.Hou,B.Adhikari,Q.Lyu,and J.Cheng,“Deep learning methods for proteintorsion angle prediction,”BMC Bioinf.,vol.18,no.1,p.417,2017.]和双向循环神经网络[Heffernan,R.,Yang,Y.,Paliwal,K.Zhou,Y.Capturing non-local interactionsby long short-term memory bidirectional recurrent neural networks forimproving prediction of protein secondary structure,backbone angles,contactnumbers and solvent accessibility.Bioinformatics 33,2842–2849(2017).]等已经被成功地应用于蛋白质扭转角的预测。然而这些模型都存在参数多、网络模型大和预测时间长的缺点。

发明内容

本发明针对现有蛋白质扭转角预测模型存在的参数多、网络模型大和预测时间长的问题，提出一种基于轻量级深度卷积网络的蛋白质扭转角预测方法，该方法采用蛋白质氨基酸的物理化学性质和PSSM谱矩阵表示蛋白质序列特征，基于深度可分离卷积设计的轻量级卷积网络实现蛋白质扭转角的预测，本发明提出的方法不仅能够精确地预测蛋白质扭转角，而且具有模型小，预测速度快的优点。

为了实现上述目的，本发明采用以下技术方案：

一种基于轻量级深度卷积网络的蛋白质扭转角预测方法，包括：