[发明专利]一种基于多头注意力的蛋白质翻译后修饰预测方法

权利要求书

1.一种基于多头注意力的蛋白质翻译后修饰预测方法，其特征在于，包括如下步骤：

S1、预处理带有翻译后修饰标注信息的蛋白质序列，得到合法字符集D_aa、第二蛋白质序列数据集D′_protein和基准数据集D；

S2、基于合法字符集D_aa得到第一词汇表W¹、第二词汇表W²和第三词汇表W³；

S3、基于第一词汇表W¹、第二词汇表W²和第三词汇表W³分别对第二蛋白质序列数据集D′_protein中的蛋白质序列样本进行多尺度划分，得到单个氨基酸尺度数据集二肽尺度数据集和三肽尺度数据集

S4、利用Skip-gram模型结构分别对由单个氨基酸尺度数据集二肽尺度数据集和三肽尺度数据集构成的语料库进行训练，得到第一词向量模型、第二词向量模型和第三词向量模型；

S5、基于第一词汇表W¹、第二词汇表W²和第三词汇表W³，分别利用第一词向量模型、第二词向量模型和第三词向量模型对基准数据集D中的蛋白质序列片段进行多头注意力模型的标签预测，得到蛋白质序列片段预测结果。

2.根据权利要求1所述的基于多头注意力的蛋白质翻译后修饰预测方法，其特征在于，所述步骤S1包括如下步骤：

S11、获取带有翻译后修饰标注信息的蛋白质序列集合；

S12、定义蛋白质序列集合中蛋白质序列样本的标注信息Label的表达式：

Label＝{pos₁,pos₂,…,pos_i,…,pos_L}

其中，pos_i表示蛋白质序列样本的标注信息中第i个位点处发生了某种翻译后修饰，其中，i＝1，2，…，L，L表示蛋白质序列样本中发生了某种翻译后修饰的位点总数；

S13、将蛋白质序列集合中包括不属于合法字符集D_aa中氨基酸简称字符的蛋白质序列样本清除，得到第一蛋白质序列数据集D_protein；

S14、通过CD-HIT对蛋白质序列数据集D_protein去冗余，得到第二蛋白质序列数据集D′_protein；

S15、对第二蛋白质序列数据集D′_protein中各蛋白质序列样本设置窗口半径为K′的滑动窗口，并利用滑动窗口将各蛋白质序列样本裁剪，得到若干长度均为2K′+1的蛋白质序列片段；

S16、根据蛋白质序列集合中各蛋白质序列样本的标注信息Label，得到发生翻译后修饰的氨基酸位点集合，并判断各蛋白质序列片段中心处氨基酸是否处于发生翻译后修饰的氨基酸位点集合，若是则将对应蛋白质序列片段置于正样本数据集中，否则将对应蛋白质序列片段置于负样本数据集中；

S17、通过随机采样从负样本数据集中获取与正样本数据集中蛋白质序列片段数量一致的蛋白质序列片段，并将获取得到的蛋白质序列片段与正样本数据集合并，得到基准数据集D。

3.根据权利要求2所述的基于多头注意力的蛋白质翻译后修饰预测方法，其特征在于，所述蛋白质序列集合中的蛋白质序列样本由组成该序列的氨基酸的字母简称表示，并以生物体内二十种常见的氨基酸简称字符G、A、V、L、I、P、F、Y、W、S、T、C、M、R和H的集合作为合法字符集D_aa。

4.根据权利要求3所述的基于多头注意力的蛋白质翻译后修饰预测方法，其特征在于，所述步骤S15包括如下步骤：

S151、对第二蛋白质序列数据集D′_protein中各蛋白质序列样本设置窗口半径为K′的滑动窗口；

S152、将滑动窗口在对应的蛋白质序列样本上滑动；

S153、选取窗口内中心点处氨基酸两侧长度为K′的序列进行裁剪，得到若干长度均为2K′+1的蛋白质序列片段。