【技術實現步驟摘要】
本專利技術涉及生物信息學和醫(yī)療診斷領域，特別涉及一種蛋白質翻譯后修飾與疾病關聯預測系統(tǒng)及方法。
技術介紹
1、現如今，人類對于生命科學的研究已進入了“蛋白質時代”，蛋白質是一切生命的物質基礎，它的功能表達不單依賴于其氨基酸序列，還受到翻譯后修飾的影響。在生物醫(yī)學領域，蛋白質翻譯后修飾是調控蛋白質功能的關鍵機制，對于維持人體正常的生理功能和預防疾病都具有至關重要的作用，隨著某些癌癥的發(fā)生和發(fā)展，一些特定蛋白質的磷酸化會呈現異常狀態(tài)，這些異常可能會導致細胞的生長失控，最終形成腫瘤。
2、通過檢測特定蛋白質的修飾狀態(tài)，能夠為早期腫瘤和其他疾病的診斷提供有力的依據。而相關數據庫的搭建、生物信息學的成熟以及自然語言模型的多樣化使得這類方法成為現實。傳統(tǒng)的對于蛋白質翻譯后修飾預測疾病功能的研究，僅關注到了蛋白質翻譯后修飾位點的序列信息，忽略了對于蛋白質功能變化的理解，而蛋白質在生理或病理化的狀態(tài)，在很大程度上反應了機體出現病態(tài)或異常化的情況。現有的疾病預測方法大多依賴于簡單的機器學習模型，能以處理蛋白質翻譯后修飾位點在維持蛋白質功能中具有的高度復雜性和多樣性。
3、因此，基于此難題，本申請?zhí)岢隽艘环N蛋白質翻譯后修飾與疾病關聯預測系統(tǒng)及方法。
技術實現思路
1、技術目的
2、為了解決上述問題，本專利技術的目的在于提供一種蛋白質翻譯后修飾與疾病關聯預測系統(tǒng)及方法，其不僅能夠挖掘蛋白質翻譯后修飾位點可能攜帶的疾病信息，而且能夠通過生物信息學工具和機器學習模型建立蛋
3、技術方案
4、為了實現上述目的，本專利技術提供一種蛋白質翻譯后修飾與疾病關聯預測系統(tǒng)及方法，提出了一種融合生物信息學與醫(yī)療診斷領域的創(chuàng)新方法，旨在通過分析蛋白質翻譯后修飾的生物信息學數據來預測疾病的發(fā)生與發(fā)展，預先構建包含蛋白質翻譯后修飾序列及其疾病標簽的序列數據集，通過word2vec結構對序列數據進行特征提取，并根據transformer結構的多頭注意力機制處理提取出的特征向量，結合交叉熵損失函數和l2正則化優(yōu)化預測模型，并使用adam算法對模型參數進行優(yōu)化，從而實現對蛋白質翻譯后修飾位點可能攜帶疾病信息的挖掘和預測，為生物信息學分析和疾病診斷提供參考依據。
5、第一方面，本專利技術提供了一種蛋白質翻譯后修飾與疾病關聯預測系統(tǒng)，包括：
6、數據清洗模塊，用于獲取與蛋白質翻譯后修飾相關的序列數據和對應的疾病標簽數據，并對序列數據進行清洗；
7、特征提取模塊，用于學習序列數據的特征嵌入，提取包含特征信息的特征向量；
8、關聯預測模塊，用于通過多頭注意力機制轉換特征向量，并通過transformer結構進行疾病關聯預測；
9、函數定義模塊，用于根據生物信息的特征復雜性和目的定義損失函數，并通過adam算法對損失函數進行優(yōu)化；
10、模型評估模塊，用于將序列數據輸入到訓練好的網絡模型中，并輸出評估結果。
11、進一步的，所述序列數據表示為x=，其數據分布為，所述疾病標簽數據表示為y=，其數據分布為；
12、式中，為蛋白質翻譯后修飾的序列數量；為相關疾病標簽的數量；x為蛋白質翻譯后修飾的序列；為相關疾病標簽。
13、進一步的，所述數據清洗模塊對于每個蛋白質翻譯后修飾事件，以發(fā)生修飾的氨基酸為中心對序列數據進行剪切和擴充。
14、進一步的，所述數據清洗模塊對序列數據進行剪切和擴充的依據為以發(fā)生修飾的氨基酸為中心前后7個共15個氨基酸的長度，并在擴充過程中，通過使用占位符“_”填充空白位置。
15、進一步的，所述數據清洗模塊進行數據清洗的方式還包括蛋白質翻譯后修飾類型規(guī)范、冗余數據刪除等操作。
16、進一步的，所述特征提取模塊通過特征提取器預測上下文的方式學習序列數據的特征嵌入，所述特征提取器的語料庫中除單個氨基酸為一組的詞語外，還包含三個連續(xù)氨基酸為一組的詞語，通過將語料庫中的詞語轉換成包含特征信息的特征向量實現特征的提取，其中，特征向量的提取過程如以下公式所示：
17、
18、式中，h為特征向量，表示特定詞語在特征空間中的向量表示；t(x)表示原始輸入特征集；為n維向量，表示隱藏層w中的第i行。
19、進一步的，所述特征提取器為word2vec結構。
20、進一步的，所述特征提取器中的規(guī)定向量尺寸為100，滑動窗口尺寸為5。
21、通過word2vec結構將氨基酸序列轉換為富含語義信息的特征向量，能夠更好地表示序列的上下文和生物學特性。
22、進一步的，所述關聯預測模塊轉換特征向量的方式具體為將大維度的特征向量轉換為多批次小維度的特征向量，所述特征向量在經過多層編碼器循環(huán)，并經過線性層組成的分類器后輸出為關聯預測結果，計算過程如下公式所示：
23、
24、式中，為模型預測的概率值；classifier為分類器；f表示特征變換部分，將原始輸入t(x)轉換為模型能夠處理的形式；t(x)表示原始輸入特征集。
25、進一步的，所述關聯預測模塊中的預測器具體為transformer結構。
26、進一步的，所述預測器中位置編碼部分的隱藏層維度為256，多頭數為10。
27、通過transformer結構捕捉蛋白質翻譯后修飾序列中復雜的模式和關系，提高了系統(tǒng)疾病預測的準確性；通過多頭注意力機制處理高維特征向量，減少了噪聲，并提高了模型的泛化能力。
28、進一步的，所述損失函數的主體為交叉熵函數，如以下公式所示：
29、
30、式中，為模型預測的概率值；為真實標簽的值；
31、通過交叉熵損失函數量化模型預測概率分布和真實疾病標簽之間的差異，提高了疾病預測的準確性。
32、在損失函數的計算過程中加入l2正則化，所述l2正則化的計算公式如下所示：
33、
34、式中，為權重衰減系數；為特征總數；為模型的權重向量。
35、進一步的，所述l2正則化的衰減系數為0.25，循環(huán)一致性損失通過l1范數實現。
36、通過l2正則化懲罰過大的權重值，減少模型對訓練數據的過擬合，提高了模型的泛化能力。
37、進一步的，所述函數定義模塊基于精準度對損失函數進行優(yōu)化，在模型的反向傳播訓練過程中，對各層參數矩陣的權重進行更新優(yōu)化。
38、進一步的，通過adam算法對學習器的權重衰減損失進行更新，根據調整學習率策略對學習率進行步長減小，其中，gamma值為0.25，步長為4。
39、進一步的，所述模型評估模塊將序列數據輸入到網絡模型的過程中，transformer結構的encoders進行多頭本文檔來自技高網...
【技術保護點】
1.一種蛋白質翻譯后修飾與疾病關聯預測系統(tǒng)，其特征在于，包括：
2.根據權利要求1所述的系統(tǒng)，其特征在于：
3.根據權利要求1所述的系統(tǒng)，其特征在于：
4.根據權利要求1所述的系統(tǒng)，其特征在于：
5.根據權利要求1所述的系統(tǒng)，其特征在于：
6.根據權利要求1所述的系統(tǒng)，其特征在于：
7.一種蛋白質翻譯后修飾與疾病關聯預測方法，其特征在于：
8.一種計算機設備，包括處理器和存儲器，所述處理器與所述存儲器相連，所述存儲器用于存儲計算機程序，其特征在于：所述處理器用于執(zhí)行所述存儲器中存儲的計算機程序，以使得所述計算機設備執(zhí)行權利要求7所述方法中的至少一個步驟。
9.一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有計算機程序，其特征在于：所述計算機程序被運行時實現權利要求7所述方法中的至少一個步驟。
【技術特征摘要】
1.一種蛋白質翻譯后修飾與疾病關聯預測系統(tǒng)，其特征在于，包括：
2.根據權利要求1所述的系統(tǒng)，其特征在于：
3.根據權利要求1所述的系統(tǒng)，其特征在于：
4.根據權利要求1所述的系統(tǒng)，其特征在于：
5.根據權利要求1所述的系統(tǒng)，其特征在于：
6.根據權利要求1所述的系統(tǒng)，其特征在于：
7.一種蛋白質翻譯后修飾與疾病關聯預測方法，其...
【專利技術屬性】
技術研發(fā)人員：陳炎炎，李娟，朱瑩娣，
申請(專利權)人：浙江工業(yè)大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。