申请/专利权人:浙江工业大学
申请日:2020-11-12
公开(公告)日:2024-03-22
公开(公告)号:CN112364983B
主分类号:G06F18/241
分类号:G06F18/241;G06N3/0464;G06N3/043;G06N3/0895;G16B15/20
优先权:
专利状态码:有效-授权
法律状态:2024.03.22#授权;2021.03.05#实质审查的生效;2021.02.12#公开
摘要:一种基于多通道图卷积神经网络的蛋白质互作网络节点分类方法,通过组合高阶信息来提高分类效果,根据蛋白质相互作用数据构建一个蛋白质互作网络,构建多通道图卷积神经网络模型,该模型包含两层结构,使用不同的图卷积核组合,在少数有标签蛋白质的数据基础上完成半监督分类,得到无标签蛋白质的类别。本发明通过多通道的高阶邻域图卷积神经网络组合来提取蛋白质互作网络的高阶信息,在较低的运算代价下提升了对蛋白质的分类精度。
主权项:1.一种基于多通道图卷积神经网络的蛋白质互作网络节点分类方法,其特征在于:包括如下步骤:步骤一:根据蛋白质相互作用数据构建一个蛋白质互作网络模型GV,E,V为节点,E为连边,邻接矩阵用A表示,其中,一个节点表示一个蛋白质,节点集V={v1,v2,...,vN}表示蛋白质集合;如果两个蛋白质存在相互作用,则相应的两个节点之间有连边;N表示蛋白质数量,每个蛋白质初始特征向量都用one-hot向量表示,单位矩阵X为所有蛋白质初始特征向量的组合,C为蛋白质的类别数,已知少部分蛋白质有类别标签,大部分蛋白质没有类别标签;步骤二:构建多通道图卷积神经网络模型,该模型包含两层结构,第一层有k条通道,其中第i条通道上使用i阶卷积核SGCi,i∈{1,2,...,k};第二层包含k个三维卷积核,其中第j条通道上使用k+1-j阶卷积核SGCk+1-j,j∈{1,2,...,k},网络模型的第i通道由第一层的第i通道和第二层的第i通道组成,其中第一层的第i通道的输出为第二层第i通道的输入;步骤三:计算i阶卷积核 其中GCN表示不含激活函数的图卷积神经网络,其中1≤i≤k;步骤四:计算多通道图卷积神经网络模型的第i通道的输出yi=SGCk+1-ifSGCiX,A,A,其中,1≤i≤k,f为relu函数;步骤五:计算多通道图卷积神经网络模型的模型输出 其中,g为softmax激活函数;步骤六:计算半监督分类的损失值 其中μ为带标签的节点集,Yij是有分类标签的节点;步骤七:重复步骤三到六,直到损失值收敛,将得到的Q作为蛋白质互作网络的分类结果。
全文数据:
权利要求:
百度查询: 浙江工业大学 一种基于多通道图卷积神经网络的蛋白质互作网络节点分类方法
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。