申请/专利权人：深圳大学

申请日：2022-07-20

公开（公告）日：2022-12-02

公开（公告）号：CN114927165B

主分类号：G16B20/30

分类号：G16B20/30;G16B15/20;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2022.12.02#授权;2022.09.06#实质审查的生效;2022.08.19#公开

摘要：本发明实施例公开了一种泛素化位点的识别方法、装置、系统和存储介质，属于泛素化技术领域，其方法包括获取蛋白质的三维结构信息；从所述三维结构信息提取出空间结构特征信息；基于训练完成的卷积模型对所述空间结构特征信息进行处理，得到赖氨酸节点的赖氨酸特征信息；所述卷积模型通过蛋白质训练集训练完成；若所述赖氨酸特征信息与预设的分类条件匹配，则对应的所述赖氨酸节点为泛素化位点。通过蛋白质的三维结构信息对蛋白质中各个赖氨酸是否能够泛素化进行识别，提高了识别精度。

主权项：1.一种泛素化位点的识别方法，其特征在于，包括：获取蛋白质的三维结构信息；从所述三维结构信息提取出空间结构特征信息；所述空间结构特征信息包括特征矩阵和邻接矩阵；基于训练完成的卷积模型对所述空间结构特征信息进行处理，得到赖氨酸节点的赖氨酸特征信息；所述卷积模型通过蛋白质训练集训练完成；若所述赖氨酸特征信息与预设的分类条件匹配，则对应的所述赖氨酸节点为泛素化位点；通过所述蛋白质训练集训练所述卷积模型的步骤包括：获取所述蛋白质训练集；所述蛋白质训练集中至少包含一组蛋白质样本信息和赖氨酸样本信息；将所述蛋白质样本信息作为所述卷积模型的输入参数计算得到赖氨酸训练信息；基于所述赖氨酸训练信息和所述赖氨酸样本信息计算得到权参数和训练特征参数；基于所述权参数、所述训练特征参数和预设的加权损失函数模型计算得到损失值；基于所述损失值和预设的训练条件判断是否完成训练；在未完成所述卷积模型的训练时，迭代计算所述损失值；在完成所述卷积模型的训练时，停止迭代计算所述损失值；所述基于所述赖氨酸训练信息和所述赖氨酸样本信息计算得到权参数和训练特征参数的步骤包括：统计所述赖氨酸训练信息的数量得到样本数量；统计各所述赖氨酸训练信息中的赖氨酸得到第一赖氨酸数量；统计各所述赖氨酸样本信息中的赖氨酸得到第二赖氨酸数量；基于所述样本数量和所述第一赖氨酸数量构建得到所述训练特征参数中的第一二维矩阵；基于所述样本数量和所述第二赖氨酸数量构建得到所述训练特征参数中的第二二维矩阵；将所述第一赖氨酸数量和所述第二赖氨酸数量求和得到所述权参数中的赖氨酸总量；根据所述赖氨酸训练信息和预设的分数阈值统计所述赖氨酸训练信息以及所述赖氨酸样本信息中可泛素化的赖氨酸数量，得到所述权参数中的可泛素化总数和非泛素化总数。

全文数据：

权利要求：

百度查询： 深圳大学 泛素化位点的识别方法、装置、系统和存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD