【技术实现步骤摘要】
本专利技术涉及多糖构效关系预测及分析领域，尤其涉及基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法、电子设备和存储介质。
技术介绍
1、树莓是一种常见的经济型浆果，也是一种药食两用的植物资源，目前已被国内外广泛引种栽培。树莓果实中含有花青素、黄酮、多酚、多糖、鞣花酸、有机酸和超氧化物歧化酶等丰富的活性成分，具有抗氧化、抗菌、抗炎症、抗肿瘤、抗肥胖、降血脂、防癌、保护心血管和神经系统等广泛的功效，被誉为“黄金水果"。树莓中多糖含量高，易提取，是理想的多糖来源材料。
2、多糖具有显著的免疫调节活性，在食品和医药领域有较好的开发价值，目前关于多糖的化学结构和免疫活性的研究较多。多糖的构效关系是指多糖的物理性质、化学性质、一级结构和高级结构与其药理活性的关系。
3、多糖的结构对其生物活性的发挥有着极为重要的影响。因此，阐明构效关系是进行其他一切深入研究的基础，也是多糖研究领域的难点与热点问题。现有的多糖构效关系的研究主要是在结构和体内、外活性试验得出数据的基础上进行简单的归纳与总结。虽然能一定程度地分析多糖的构效关系，但由于该问题的复杂性，很难获得更深入、更精确的多糖结构与活性间的内在关系信息。随着实验数据量的不断增长，现有研究方法的弊端日益凸显，机器学习方法成为了提高结构-活性关系预测与分析的准确性的有利手段。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法、电子设备和存储介质
2、本专利技术的目的是通过以下技术方案来实现的：
3、本专利技术的第一方面，提供基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，包括以下步骤：
4、建立人工神经网络，所述人工神经网络包括输入层、隐藏层和输出层，输入层的各个节点分别与隐藏层的各个节点连接，隐藏层的各个节点均与输出层的节点连接；其中，所述输入层的节点包括树莓多糖组分及多糖片段的分子量、树莓多糖组分及多糖片段的单糖类型及其所占比例、树莓多糖组分及多糖片段的单糖连接方式及其所占比例、树莓多糖组分及多糖片段的浓度，输出层的节点输出树莓多糖组分及多糖片段的体外免疫活性实验结果；
5、利用训练数据训练所述人工神经网络，并利用测试数据测试所述人工神经网络；
6、当测试人工神经网络的结果为达到预设性能，获取人工神经网络输入层中各个输入节点的梯度，将梯度的绝对值作为其他输入变量对免疫活性指标的影响程度。
7、进一步地，所述多糖组分为树莓粗多糖经过两步分离纯化后得到的分子量均一的多糖组分，所述两步分离包括极性分离和凝胶分离；所述多糖片段为树莓粗多糖进行极性分离后得到的多糖组分、再进行酸水解处理得到的多糖片段。
8、进一步地，所述树莓多糖组分及多糖片段的分子量对应的节点包括：重均分子量mv、数均分子量mn、峰位分子量mp；
9、所述树莓多糖组分及多糖片段的单糖类型包括：rha、ara、gal、glc、xyl、man、gala、glca；
10、所述树莓多糖组分及多糖片段的单糖连接方式包括通过甲基化分析获得的所有的单糖连接方式；
11、所述树莓多糖组分及多糖片段的浓度为树莓多糖组分及多糖片段在体外免疫增强活性试验中所设置的浓度梯度；
12、所述体外免疫活性指标包括：raw264.7细胞增殖活性、raw264.7细胞上清液中no、tnf-α、il-6和il-1β的含量。
13、进一步地，所述训练数据和测试数据均为实验组数据，随机抽取实验组数据中的75％作为训练数据，剩余25％的实验组数据作为测试数据。
14、进一步地，所述人工神经网络的隐藏层为两层，均设置64个节点。
15、进一步地，所述利用训练数据训练所述人工神经网络，利用均方差误差mse损失函数进行反向传播；
16、所述利用测试数据测试所述人工神经网络，利用平均绝对百分比误差mape评估人工神经网络的性能。
17、本专利技术的第二方面，提供一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法的步骤。
18、本专利技术的第三方面，提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法的步骤。
19、本专利技术的有益效果是：
20、在专利技术的一示例性实施例中，建立树莓多糖与体外免疫活性指标相关的人工神经网络，以训练数据训练所述人工神经网络，并利用测试数据测试所述人工神经网络，最后得到输入层的梯度，分析每个输入节点对应预测值的梯度信息，从而得出树莓多糖组分及片段分子量、单糖组成和连接方式对不同免疫活性指标影响程度，为多糖构效关系的分析提供了新的方法。
本文档来自技高网...【技术保护点】
1.基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，其特征在于：所述多糖组分为树莓粗多糖经过两步分离纯化后得到的分子量均一的多糖组分，所述两步分离包括极性分离和凝胶分离；所述多糖片段为树莓粗多糖进行极性分离后得到的多糖组分、再进行酸水解处理得到的多糖片段。
3.根据权利要求1或2所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，其特征在于：所述树莓多糖组分及多糖片段的分子量对应的节点包括：重均分子量Mv、数均分子量Mn、峰位分子量Mp；
4.根据权利要求1所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，其特征在于：所述训练数据和测试数据均为实验组数据，随机抽取实验组数据中的75％作为训练数据，剩余25％的实验组数据作为测试数据。
5.根据权利要求1所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，其特征在于：所述人工神经网络的隐藏层为两层，均设置64个
6.根据权利要求1所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，其特征在于：所述利用训练数据训练所述人工神经网络，利用均方差误差MSE损失函数进行反向传播；
7.一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于：所述处理器运行所述计算机指令时执行如权利要求1～6中任意一项所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法的步骤。
8.一种存储介质，其上存储有计算机指令，其特征在于：所述计算机指令运行时执行如权利要求1～6中任意一项所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法的步骤。
...【技术特征摘要】
1.基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，其特征在于：所述多糖组分为树莓粗多糖经过两步分离纯化后得到的分子量均一的多糖组分，所述两步分离包括极性分离和凝胶分离；所述多糖片段为树莓粗多糖进行极性分离后得到的多糖组分、再进行酸水解处理得到的多糖片段。
3.根据权利要求1或2所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，其特征在于：所述树莓多糖组分及多糖片段的分子量对应的节点包括：重均分子量mv、数均分子量mn、峰位分子量mp；
4.根据权利要求1所述的基于机器学习的树莓多糖及其体外免疫活性构效关系预测及分析方法，其特征在于：所述训练数据和测试数据均为实验组数据，随机抽取实验组数据中的75％作为训练数据，剩余25％的实...
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。