[发明专利]一种基于深度学习和XGBoost的蛋白质-蛋白质相互作用位点预测方法

说明书

本发明公开了一种基于深度学习和XGBoost的蛋白质‑蛋白质相互作用位点预测方法，包括步骤：根据蛋白质的序列信息、进化信息和结构信息编码得到蛋白质的局部特征和全局特征，对深度学习模型DeepPPISP超参数进行微调，微调后训练DeepPPISP模型训练后的模型充当特征提取器，将特征提取器的最后第三层的输出视为蛋白质的预处理特征向量。XGBoost模型作为最终的分类器，将特征提取器得到的预处理特征向量的训练数据输入到XGBoost模型进行10折交叉验证来对XGBoost模型的超参数进行微调，再对微调后的XGBoost模型进行训练，最后利用训练后XGBoost模型来预测未知蛋白质的作用位点。本发明充分利用蛋白质的序列信息、进化信息和结构信息编码后的局部特征和全局特征来提升预测蛋白质‑蛋白质相互作用位点的预测效果。

技术领域

本发明涉及计算生物信息学领域，特别是涉及一种基于深度学习和XGBoost的蛋白质-蛋白质相互作用位点预测方法。

背景技术

蛋白质是机体内的一种重要的物质，蛋白质对机体的细胞功能、疾病、代谢等具有重要的调控作用，机体内蛋白质的功能主要通过蛋白质和蛋白质的相互作用来实现，对蛋白质相互作用的认识有助于理解细胞机制，蛋白质-蛋白质相互作用通常是根据蛋白质-蛋白质相互作用的位点来确定，由于现有技术的限制，蛋白质-蛋白质相互作用位点的检测仍然是一项具有挑战性的任务。

通过生物实验研究方法来鉴定蛋白质相互作用位点存在费用相对比较昂贵和时间周期长等缺点，自从Jones和Thornton在1997年开创了预测和分析蛋白质-蛋白质相互作用位点的计算方法以来，目前计算的方法来预测蛋白质-蛋白质相互作用位点的方法超过30种；2005年Bradford等人提出了一种基于支持向量机的方法，取得了不错的预测结果；2007年Li等人提出了一种基于条件随机场(CRFs)的蛋白质相互作用位点预测的方法，实验结果表明，基于条件随机场(CRFs)的方法是一种强大而稳健的蛋白质相互作用位点预测方法，可用于指导生物学家对蛋白质进行特异性实验；2010年Murakami等人提出了一种使用朴素贝叶斯分类器来训练序列特征，并且使用核密度估计方法估计每个序列特征的条件概率，通过留一法交差验证取得了30.6%的预测准确率；2014年Singh等人提出了一种神经网络的方法，在蛋白质-蛋白质相互作用的研究和应用取得了良好的性能。

这些机器学习的计算方法根据特征来源划分可以分为三类：基于序列的特征、基于结构特征和序列特征和结构特征结合的特征，基于序列的特征计算成本较低，但不包含蛋白质的结构信息；由于大多数蛋白质的结构都是未知的，蛋白质的结构信息一般都是通过计算预测的方法获得的，因此含有噪声，有时会严重影响后续的识别；在预测蛋白质相互作用位点时，相互作用位点的邻域信息对确定蛋白质相互作用位点具有重要意义；Zeng等人证明了包含全局特征可以提高预测蛋白-蛋白相互作用位点的性能；但是在将蛋白质序列的结构信息编码的过程中，会丢失一些信息，此外局部和全局特征也包含噪声；基于深度学习的编码器很好地解决了上述两个问题，受此启发，本发明提出了一种基于深度学习和极限梯度提升树（XGBoost）相结合的方法(称为DeepPPISP-XGB)，先使用Zeng等人提出的DeepPPISP深度学习模型和数据集来预训练，再使用XGBoost模型来预测未知的蛋白质-蛋白质相互作用位点。

发明内容

本发明主要从深度学习的算法方面作为出发点，针对现有方法预测效果存在的不足，提供了一个基于深度学习和XGBoost相结合的蛋白质-蛋白质相互作用位点预测的方法，使用深度学习模型作为氨基酸序列的特征提取器，因为深度学习算法有强大的能力来表示对象，我们使用训练数据集来训练DeepPPISP模型，使用DeepPPISP中最后第三层的输出作为输入表示；通过验证数据集对XGBoost模型进行了优化和训练；对于未知的蛋白序列，使用训练过的XGBoost模型预测蛋白质-蛋白质相互作用位点。

为了解决上述问题，本发明提出了一个基于深度学习和XGBoost的蛋白质-蛋白质相互作用位点预测的方法，具体步骤如下。