基于机器学习的蛋白冠上蛋白质相对丰度的预测方法及系统技术方案

本发明专利技术涉及一种基于机器学习的蛋白冠上蛋白质相对丰度的预测方法及系统。所述方法包括：对各个机器学习模型进行训练评估确定一级预测器，并保存训练好的超参数和决策边界；基于超参数和决策边界以及蛋白质回归数据集进行二次训练，得到二级回归预测模型；将待预测蛋白质的特征信息输入至一级预测器中，得到分类预测结果；当分类预测结果中存在蛋白质吸附在纳米颗粒上时，将待预测蛋白质输入至二级回归预测模型，得到蛋白质相对丰度预测结果。二级回归任务是在一级分类任务的基础上进行，可减少训练时间；将分类与回归相结合可以实现对蛋白冠上蛋白质相对丰度的全面预测，提高了蛋白质相对丰度的预测性能。

【技术实现步骤摘要】

本专利技术涉及生物检测，特别是涉及一种基于机器学习的蛋白冠上蛋白质相对丰度的预测方法及系统。

技术介绍

1、纳米粒子体积小，具有多种独特的特性，对包括医学在内的许多
的发展产生了深远的影响。这些纳米粒子非常小，几乎可以进入人体的所有部位。这促使人们开发出一种新的医学方法，即纳米医学。纳米粒子进入生物液体后，会与一系列生物聚合物(包括蛋白质)相互作用，这些聚合物会与纳米粒子结合，形成与纳米粒子相关的“蛋白冠”。蛋白冠的形成可视为纳米粒子与蛋白质之间的相互作用。纳米材料的这种表面“生物转化”会以一种难以预测的方式改变其整体药理和毒理特性及其潜在的治疗或诊断功能。透彻了解蛋白冠的组成及其与纳米粒子的相互作用对于评估其生物效应和在生物医学中的潜在应用至关重要。蛋白冠组成是指冠中蛋白质总量的相对蛋白质丰度(rpa)，是描述蛋白冠的重要参数。使用人工智能来建立预测模型可以快速表征蛋白质的吸附行为和蛋白冠的形成。迄今为止，许多因素(如纳米粒子的物理化学特性、孵育和分离条件)都被证明会影响蛋白冠的生物反应和组成，机器学习算法非常适合从这些因素中提取关键信息，从而准确本文档来自技高网...

【技术保护点】

1.一种基于机器学习的蛋白冠上蛋白质相对丰度的预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于机器学习的蛋白冠上蛋白质相对丰度的预测方法，其特征在于，所述根据所述蛋白质分类数据集对各个机器学习模型进行训练评估，包括：

3.根据权利要求2所述的基于机器学习的蛋白冠上蛋白质相对丰度的预测方法，其特征在于，根据评估结果确定目标机器学习算法，包括：

4.根据权利要求1所述的基于机器学习的蛋白冠上蛋白质相对丰度的预测方法，其特征在于，所述基于所述超参数和决策边界以及蛋白质回归数据集进行二次训练，得到二级回归预测模型，包括：</p>

5.根据...

【技术特征摘要】

1.一种基于机器学习的蛋白冠上蛋白质相对丰度的预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于机器学习的蛋白冠上蛋白质相对丰度的预测方法，其特征在于，所述根据所述蛋白质分类数据集对各个机器学习模型进行训练评估，包括：

3.根据权利要求2所述的基于机器学习的蛋白冠上蛋白质相对丰度的预测方法，其特征在于，根据评估结果确定目标机器学习算法，包括：

4.根据权利要求1所述的基于机器学习的蛋白冠上蛋白质相对丰度的预测方法，其特征在于，所述基于所述超参数和决策边界以及蛋白质回归数据集进行二次训练，得到二级回归预测模型，包括：

5.根据权利要求1所述的基于机器学习的蛋白冠上蛋白质相对丰度的预测方法，其特征在于，所述确定待预测蛋白质，包括：

6.根据权利要求1所述的基于机器学习的蛋白冠上蛋白质相对丰度的预...

【专利技术属性】
技术研发人员：崔菲菲，付修豪，张子龙，
申请(专利权)人：海南大学，
类型：发明
国别省市：