【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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。