公开(公告)号：CN113571126B

公开(公告)日：2024-03-22

申请号：CN202110764396.7

申请日：2021-07-06

Applicant: 浙江工业大学

Inventor： 李章维 ,  王晓飞 ,  胡安顺

IPC: G16B20/00 ,  G16B40/00 ,  G06N3/0464 ,  G06N3/08

Abstract: 一种基于多损失训练的蛋白质残基接触预测方法，首先，输入待进行蛋白质残基接触预测的蛋白质序列；然后，从PDB库中收集已知蛋白质结构的蛋白质，并搜索序列库，得到MSA；再利用协方差矩阵表示蛋白质序列残基的进化信息，并在处理协方差矩阵奇异性时，利用矫正矩阵改变原有矩阵的不可逆，将协方差矩阵的逆矩阵作为神经网络的特征输入；其次，搭建深度神经网络框架，由于蛋白质接触图具有的对称性，采用多输出形式的预测接触图计算不同的Loss，共同作用于训练模型但不参与测试，在数据集上学习预测模型；最后，将待进行蛋白质残基接触预测的蛋白质特征输入模型中，将得到该蛋白质残基接触。本发明计算代价小、预测精度高。

公开(公告)号：CN113554151A

公开(公告)日：2021-10-26

申请号：CN202110768001.0

申请日：2021-07-07

Applicant: 浙江工业大学

Inventor： 李章维 ,  王晓飞 ,  胡安顺

IPC: G06N3/04 ,  G06N3/08

Abstract: 一种基于卷积层间关系的注意力机制方法，首先，通过全局平均池化分别获取前一层和当前层的通道权重信息；然后，利用矩阵乘法计算两个权重向量之间的关系得到关系矩阵；其后，对关系矩阵经过两层1×1卷积层训练；最后，将训练后的关系矩阵进行列平均得到当前层关于前一层的全局权重信息，再作用于当前层的输出以自适应调节输出特征信息的重要性。本发明计算代价小、模型学习能力强。

公开(公告)号：CN113570035A

公开(公告)日：2021-10-29

申请号：CN202110768002.5

申请日：2021-07-07

Applicant: 浙江工业大学

Inventor： 李章维 ,  胡安顺 ,  王晓飞

IPC: G06N3/04 ,  G06K9/62

Abstract: 一种利用多层卷积层信息的注意力机制方法，利用当前卷积层的信息以及在它之前两层的卷积层的信息来关注当前层特征的重要性；首先，确定当前层卷积的输出A以及在它之前两层的卷积层的输出A'，利用全局平均池化分别得到它们的通道信息，再利用1×1的卷积对通道进行压缩以减少计算量。利用压缩后的特征计算权值矩阵，计算出的权值矩阵作用于A压缩后的特征，进行特征更新。再利用1×1的卷积将更新后的特征恢复到A的维度，与A做残差连接。本发明可以更加突出某一层比较重要的特征，抑制不重要的特征，同时也可以加强特征间的联系。

公开(公告)号：CN113554151B

公开(公告)日：2024-03-22

申请号：CN202110768001.0

申请日：2021-07-07

Applicant: 浙江工业大学

Inventor： 李章维 ,  王晓飞 ,  胡安顺

IPC: G06N3/0464 ,  G06N3/08

Abstract: 一种基于卷积层间关系的注意力机制方法，首先，通过全局平均池化分别获取前一层和当前层的通道权重信息；然后，利用矩阵乘法计算两个权重向量之间的关系得到关系矩阵；其后，对关系矩阵经过两层1×1卷积层训练；最后，将训练后的关系矩阵进行列平均得到当前层关于前一层的全局权重信息，再作用于当前层的输出以自适应调节输出特征信息的重要性。本发明计算代价小、模型学习能力强。

公开(公告)号：CN113570035B

公开(公告)日：2024-04-16

申请号：CN202110768002.5

申请日：2021-07-07

Applicant: 浙江工业大学

Inventor： 李章维 ,  胡安顺 ,  王晓飞

IPC: G06N3/0464 ,  G06N3/045 ,  G06N3/08 ,  G06F18/213

Abstract: 一种利用多层卷积层信息的注意力机制方法，利用当前卷积层的信息以及在它之前两层的卷积层的信息来关注当前层特征的重要性；首先，确定当前层卷积的输出A以及在它之前两层的卷积层的输出A'，利用全局平均池化分别得到它们的通道信息，再利用1×1的卷积对通道进行压缩以减少计算量。利用压缩后的特征计算权值矩阵，计算出的权值矩阵作用于A压缩后的特征，进行特征更新。再利用1×1的卷积将更新后的特征恢复到A的维度，与A做残差连接。本发明可以更加突出某一层比较重要的特征，抑制不重要的特征，同时也可以加强特征间的联系。

公开(公告)号：CN113571126A

公开(公告)日：2021-10-29

申请号：CN202110764396.7

申请日：2021-07-06

Applicant: 浙江工业大学

Inventor： 李章维 ,  王晓飞 ,  胡安顺

IPC: G16B20/00 ,  G16B40/00 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于多损失训练的蛋白质残基接触预测方法，首先，输入待进行蛋白质残基接触预测的蛋白质序列；然后，从PDB库中收集已知蛋白质结构的蛋白质，并搜索序列库，得到MSA；再利用协方差矩阵表示蛋白质序列残基的进化信息，并在处理协方差矩阵奇异性时，利用矫正矩阵改变原有矩阵的不可逆，将协方差矩阵的逆矩阵作为神经网络的特征输入；其次，搭建深度神经网络框架，由于蛋白质接触图具有的对称性，采用多输出形式的预测接触图计算不同的Loss，共同作用于训练模型但不参与测试，在数据集上学习预测模型；最后，将待进行蛋白质残基接触预测的蛋白质特征输入模型中，将得到该蛋白质残基接触。本发明计算代价小、预测精度高。