一种基于BP神经网络的蛋白质二级结构预测方法技术

本发明专利技术属于蛋白质二级结构预测方法领域。本发明专利技术涉及一种用于蛋白质二级结构预测的BP神经网络训练及预测方法，解决蛋白质二级结构预测效果差的问题。本发明专利技术所述方法是：首先从PDB中选取一组α螺旋、β折叠和卷曲三类结构占正常比例的训练样本集，对蛋白质的氨基酸序列信息编码后作为网络输入，对应氨基酸的二级结构作为网络输出；基于梯度方法上进行优化，引入附带动量项和自适应学习率的学习规则，避免“振荡现象”和陷入局部极小值；在输入层采用六位输入编码方式和滑动窗口技术，隐藏层结构根据经验公式和滑动窗口大小进行设置，输出层依据DSSP算法对蛋白质二级结构的分类进行输出预测。

【技术实现步骤摘要】

本专利技术涉及生物信息领域，特别涉及蛋白质二级结构预测方法。
技术介绍
蛋白质的高级结构决定其生物功能，其中蛋白质二级结构由其氨基酸序列特征决定，是预测高级结构的基础。蛋白质二级结构主要利用氨基酸序列信息，通过实验分析或统计方法对蛋白质的二级结构进行预测，当预测的正确率达到80％以上时，就可以比较准确的描述蛋白质的空间结构。随着DNA分析和测序技术的发展，通过对DNA的推导和分析获得了大量的蛋白质序列信息，但是通过传统实验和统计方法分析获得的蛋白质结构却很少，蛋白质结构数据更新缓慢，阻碍了蛋白质结构和功能相关研究的发展，目前研究的重点逐渐开始转向寻找新的结构预测方法。人工神经网络(ArtificialNeuralNetwork，即ANN)，由人脑神经元网络抽象而来，从信息分析和处理的角度，对自然神经网络的特性进行抽象和模拟，按不同的规则和连接方式组成网络。BP神经网络算法是目前应用最广泛的神经网络模型之一，被成功应用于信息、生物和医学等领域的研究中。BP神经网络算法的引入，使蛋白质结构预测获得了新的途径。
技术实现思路
本专利技术针对蛋白质二级结构预测准确率低及BP神经网络存在的缺陷，对网络的学习过程进行改进的问题，提供一种用于蛋白质二级结构预测的BP神经网络训练及预测方法。本专利技术是通过下述方案予以实现的，一种基于BP神经网络的蛋白质二级结构预测方法，采用下述步骤实现：步骤一、从PDB中选取一组α螺旋、β折叠和卷曲三类结构占正常比例的蛋白质结构数据组成训练样本集；步骤二、采用六位输入编码蛋白质的氨基酸序列信息，采用滑动窗口选定输入范围；步骤三、BP神经网络训练参数初始化，滑动窗口位置初始化；步骤四·一、隐藏层输出计算，选取训练样本输入网络，计算隐藏层输出；步骤四·二、输出层输出计算，利用隐藏层计算获得的输出，计算输出层输出；步骤四·三、输出层权值误差计算，比较网络实际输出与期望输出，计算输出层权值误差；步骤四·四、隐藏层权值误差计算，利用输出层校正误差和隐藏层输出，计算获得隐藏层权值误差；步骤四·五、反向调整网络中各神经元的权值，根据误差计算权值调整量，对神经元的权值和阈值进行调整；步骤四·六、滑动窗口右移一位，跳至四·一，直到整个蛋白质序列计算完成；步骤四·七、选择下一条训练样本进行学习，跳至四·一，直到所有序列计算完成；步骤四·八判断网络误差是否小于期望误差，若小于期望误差则结束训练，否则判断迭代次数是否达到最大学习次数，当小于最大学习次数时跳步骤四·一，否则结束训练；步骤五、输入测试数据，判定蛋白质序列所对应的二级结构。本专利技术采用BP神经网络算法对蛋白质二级结构进行预测，并针对BP神经网络存在的缺陷，对网络的学习过程进行改进。在网络学习过程中，采用批处理学习模式，提升计算过程的并行空间，提高网络收敛速度；其次，基于梯度方法上进行优化，引入附带动量项和自适应学习率的学习规则，避免“振荡现象”和陷入局部极小值。在网络结构和相关技术的选择上，在输入层采用六位输入编码方式和滑动窗口技术，隐藏层结构根据经验公式和滑动窗口大小进行设置，输出层依据DSSP算法对蛋白质二级结构的分类进行输出预测。附图说明图1为滑动窗口示意图，窗口大小为2n+1，窗口两侧长度均为n，待预测氨基酸残基为窗口中心位置的残基I，输入网络的相邻氨基酸残基为YFQSMSVKGR和YSILKQIG，则网络的期望输出则为T。随后窗口右移一个位置，对下一个残基的结构进行预测，则待预测氨基酸残基变为Y，期望输出为E。图2为六位编码方式示例图，窗口中心的丙氨酸(A)的编码为000011，窗口右侧异亮氨酸(I)的编码为010000.125。图3为用于蛋白质二级结构的BP神经网络模型，输入层有N个神经元，隐藏层有T个神经元，输出层有M个神经元。图4为BP神经网络训练流程图，是对训练样本集进行反复学习，使网络逐渐收敛的过程。具体实施方式一种基于BP神经网络的蛋白质二级结构预测方法，采用下述方法具体实施：具体实施方式一：下面结合图1、图2、图3具体说明本实施方式。步骤一、从PDB中选取一组α螺旋、β折叠和卷曲三类结构占正常比例的蛋白质结构数据组成训练样本集，三类结构比例均在20％～40％间，卷曲结构偏多；步骤二·一、采用六位输入编码蛋白质的氨基酸序列信息。其中使用五维二级制向量表示氨基酸类型，剩下的一位用来表示残基相对于窗口中心位置的偏移量。距离中心位置越近，对待预测残基结构的影响越大，该位的值也越大；距离越远，则该位的值越小。假设相对于中心的偏移量为n，则该位的值为2-n，如图1所示。在对序列开头前几个残基进行结构预测时，窗口内的部分位置并没有残基信息，这就是在编码过程中会遇到的空值问题。在这种情况下，本文采用的方式是将该位置零，例如在采用六位编码方式的情况下，空值位的编码为000000。通过将空值位置零，使其作为一种特殊值传入网络，降低空值对网络学习的影响。步骤二·二、采用滑动窗口选定输入范围，滑动窗口技术是通过利用一个窗口在待预测的蛋白质序列上进行移动，对输入层的输入数据进行范围选择。窗口的中心位置为待预测氨基酸残基，窗口两侧的位置对称，长度相同，包含与待预测位相邻的残基信息。在进行残基结构预测时，将窗口内的所有氨基酸残基信息输入网络，网络输出层的输出则为窗口中心位置处氨基酸残基的二级结构，如图2所示。窗口过大或过小都会对预测准确率和网络训练效率产生影响，经研究和测试，选择17作为滑动窗口大小。步骤三、BP神经网络训练参数初始化，滑动窗口位置初始化。图3中网络参数如下设置：样本输入向量：Ia＝(i1，i，i3，...，in)，a＝1,2,3,…,Q输入层输入向量：Xa＝(x1，x2,x3，...，xn)，a＝1,2,3,…,Q隐藏层输出向量：Ha＝(h1,h2,h3,...，ht)，a＝1,2,3,…,Q输出层实际输出向量：Oa＝(o1，o2,o3，...，om)，a＝1,2,3,…,Q输出层期望输出向量：Pa＝(p1，p2，p3，...，pm)，a＝1,2,3,…,Q输入层至隐藏层的连接权值：ωij，表示输入层xi至隐藏层hj的连接权值，i＝1,2,3,…,N，j＝1,2,3,…,T隐藏层至输出层的连接权值：εjk，表示隐藏层hj至输出层的ok接权值，j＝1,2,3,…,T，k＝1,2,3隐藏层神经元的阈值：θj，表示隐藏层神经元hj对应的阈值，j＝1,2,3,…,T输出层神经元的阈值本文档来自技高网...

【技术保护点】
一种基于BP神经网络蛋白质二级结构预测方法，其特征在于：采用下述步骤：步骤一、从PDB中选取一组α螺旋、β折叠和卷曲三类结构占正常比例的蛋白质结构数据组成训练样本集，比例在20％～40％间，卷曲结构稍多；步骤二、采用六位编码蛋白质的氨基酸序列信息，作为BP神经网络的输入，采用滑动窗口选定输入范围；步骤三、BP神经网络训练参数初始化，滑动窗口位置初始化；步骤四、设定最多迭代次数和最小期望误差，逐一输入样本集中的样本，训练产生用于预测的BP神经网络；在步骤四中，训练产生BP神经网络的以下步骤实现：步骤四·一、从训练样板集中选取训练样本，转化为网络输入，计算隐藏层输出；步骤四·二、利用隐藏层计算获得的输出，计算输出层输出；步骤四·三、比较网络实际输出与期望输出，计算输出层权值误差；步骤四·四、利用输出层校正误差和隐藏层输出，计算隐藏层权值误差；步骤四·五、根据误差计算权值调整量，反向调整网络中隐藏层和输出层神经元的权值和阈值；步骤四·六、滑动窗口右移一位，跳至四·一，直到整个蛋白质序列计算完成；步骤四·七、选择下一条训练样本进行学习，跳至四·一，直到所有序列计算完成；步骤四·八判断网络误差是否小于期望误差，若小于期望误差则结束训练，否则判断迭代次数是否达到最大学习次数，当小于最大学习次数时跳步骤四·一，否则结束训练；步骤五、输入待测试蛋白质数据，判定蛋白质序列所对应的二级结构。...

【技术特征摘要】
1.一种基于BP神经网络蛋白质二级结构预测方法，其特征在于：
采用下述步骤：
步骤一、从PDB中选取一组α螺旋、β折叠和卷曲三类结构占正常比例的蛋白质结构数据
组成训练样本集，比例在20％～40％间，卷曲结构稍多；
步骤二、采用六位编码蛋白质的氨基酸序列信息，作为BP神经网络的输入，采用滑动窗
口选定输入范围；
步骤三、BP神经网络训练参数初始化，滑动窗口位置初始化；
步骤四、设定最多迭代次数和最小期望误差，逐一输入样本集中的样本，训练产生用于
预测的BP神经网络；
在步骤四中，训练产生BP神经网络的以下步骤实现：
步骤四·一、从训练样板集中选取训练样本，转化为网络输入，计算隐藏层输出；
步骤四·二、利用隐藏层计算获得的输出，计算输出层输出；
步骤四·三、比较网络实际输出与期望输出，计算输出层权值误差；
步骤四·四、利用输出层校正误差和隐藏层输出，计算隐藏层权值误差；
步骤四·五、根据误差计算权值调整量，反向调整网络中隐藏层和输出层神经元的权
值和阈值；
步骤四·六、滑动窗口右移一位，跳至四·一，直到整个蛋白质序列计算完成；
步骤四·七、选择下一条训练样本进行学习，跳至四·一，直到所有序列计算完成；
步骤四·八判断网络误差是否小于期望误差，若小于期望误差则结束训练，否则判断
迭代次数是否达到最大学习次数，当小于最大学习次数时跳步骤四·一，否则结束训练；
步骤五、输入待测试蛋白质数据，判定蛋白质序列所对应的二级结构。
2.根据权利要求1所述的基于BP神经网络蛋白质二级结构预测方法，其特征是：
步骤二中采用六位输入编码蛋白质的氨基酸序列信息，其中五位表示氨基酸类型，一
位用来表示残基相对于窗口中心位置的偏移量，假设相对于中心的偏移量为n，则该位的值
为2-n。
3.根据权利要求1所述的基于BP神经网络蛋白质二级结构预测方法，其特征是：
步骤二中采用滑动窗口选定输入范围，窗口的中心位置为待预测氨基酸残基，窗口两
侧的位置对称，长度相同，包含与待预测位相邻的残基信息。
4.根据权利要求1所述的基于BP神经网络蛋白质二级结构预测方法，其特征是：
步骤三中初始化的网络连接权值ωij、εjk和阈值θj、μk为随机赋值，随机赋值的赋值区
间选择在(-1,1)之间。
5.根据权利要求1所述的基于BP神经网络蛋白质二级结构预测方法，其特征是：
步骤四中采用Sigmoid函数作为神经元计算的传递函数。
6.根据权利要求1及5所述的基于BP神经网络蛋白质二级结构预测方法，其特征是：
步骤四·一利用公式一计算隐藏层输出，其中ωij和θj隐藏层连接权值和阈值，xi为输
入层第i个输入：
公式一,hj=f(Σi=1Nxiωij-θj).]]>7.根据权利要求1及5所述的基于BP神经网络蛋白质二级结构预测方法，其特征是：
步骤四·二利用公式二计算输出层输出，其中，hj为隐藏层输出，εjk和μk为输出层连接
权值和阈值：
公式二，ok=f(Σj=1Thjϵjk-μk).]]>8.根据权利要求1所述...

【专利技术属性】
技术研发人员：傅娟，汤达祺，汤德佑，
申请(专利权)人：湖南工业大学，华南理工大学，
类型：发明
国别省市：湖南;43