[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

说明书

本发明公开了一种基于多头注意力的蛋白质翻译后修饰预测方法，属于生物信息技术领域，包括如下步骤：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、第二蛋白质序列数据集和基准数据集；基于合法字符集得到三种词汇表；对第二蛋白质序列数据集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；利用Skip‑gram模型结构对语料库进行训练，得到三种词向量模型；对基准数据集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；本发明通过多尺度词向量全面利用原始蛋白质序列中的多肽组成信息，并降低了对于生物学特征工程的依赖。

技术领域

本发明属于生物信息技术领域，尤其涉及一种基于多头注意力的蛋白质翻译后修饰预测方法。

背景技术

通过生物理化实验预测蛋白质序列上氨基酸是否发生了翻译后修饰，需要在对实验样本预处理之后进行蛋白质提取以及分级分离，对待检测肽段进行富集，然后对富集之后的肽段进行质谱分析。这种方式时间成本和经济成本都较大，不适用于繁多的修饰翻译后预测。

尽管现有的一些预测蛋白质序列上氨基酸翻译后修饰方法通过计算的方法实现蛋白质序列的预测，在效率和成本开销方面相对于通过生物学实验方法来确定酰化位点是一个格外出众的优点，但这些计算方法往往需要较为丰富的生物学背景知识，来从原始的蛋白质序列中按照生物学特征提取方法构造特征。

采用现有的蛋白质序列中氨基酸翻译后修饰预测方法存在以下问题：对蛋白质序列的处理严重依赖于生物学背景的特征工程，也忽视了蛋白质序列中的多肽组成信息。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于多头注意力的蛋白质翻译后修饰预测方法，通过多尺度词向量全面利用原始蛋白质序列中的多肽组成信息，并降低了对于生物学特征工程的依赖。

为了达到上述发明目的，本发明采用的技术方案为：

本发明提供一种基于多头注意力的蛋白质翻译后修饰预测方法，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。

本发明的有益效果为：本发明提供的一种基于多头注意力的蛋白质翻译后修饰预测方法提取了蛋白序列中的单个氨基酸、二肽和三肽的多个尺度的信息，并通过三个通道提取各个尺度下的词向量中的特征，并结合通道注意力机制输出多个通道融合后的特征，提高了对蛋白上氨基酸翻译后修饰的预测效果；本方案从采集到的原始蛋白序列数据集中，按照三个尺度构造出，单氨基酸、二肽和三肽的三个尺度的数据集作为语料库，训练了多尺度词向量，只通过词向量作为原始序列的特征，不再依赖于传统生物学特征提取方法。