公开(公告)号：CN118351929A

公开(公告)日：2024-07-16

申请号：CN202410447093.6

申请日：2024-04-15

Applicant: 南京工业大学

Inventor： 李彬 ,  明灯明

IPC: G16B15/20 ,  G16B20/00 ,  G16B40/20 ,  G06F18/21 ,  G06F18/243 ,  G06F18/214 ,  G06N3/042

Abstract: 本发明涉及基于图注意力网络的蛋白质可溶性预测方法，以氨基酸序列中的每一个氨基酸为节点，对节点提取特征作为节点属性，基于氨基酸的α碳原子间的距离建立边，构建蛋白质图；将蛋白质图输入图注意力网络进行特征提取，提取的特征向量经池化后，输入多层感知机生成可溶性预测结果。本发明的方法能够筛选出高可溶性方案从而降低研究成本，且极大地提高蛋白质相关性质的预测效果。

公开(公告)号：CN118351930A

公开(公告)日：2024-07-16

申请号：CN202410447095.5

申请日：2024-04-15

Applicant: 南京工业大学

Inventor： 李彬 ,  明灯明

IPC: G16B15/20 ,  G16B20/00 ,  G16B40/20 ,  G06F18/21 ,  G06F18/243 ,  G06F18/214 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0442

Abstract: 本发明涉及基于混合深度学习模型的蛋白质溶解度预测方法，包括：获取用于模型训练的氨基酸序列，并对其进行初步的可溶性标记，获取标记化的氨基酸序列；将标记化的氨基酸序列分别通过BERT‑CNN模型和双向LSTM神经网络进行特征提取，获取第一特征向量和第二特征向量；所述BERT‑CNN模型由BERT模型和一维CNN神经网络构成，所述双向LSTM神经网络为含隐藏层的双向LSTM神经网络；对未标记的氨基酸序列提取伪氨基酸组成特征和k间隔氨基酸对组成特征，形成第三特征向量；基于第一特征向量、第二特征向量和第三特征向量的组合特征进行可溶性判别，实现预测模型训练；利用训练好的预测模型进行待预测蛋白质的溶解度预测。本发明的方法可实现更准确的蛋白质溶解度预测。