申请/专利权人:桂林理工大学
申请日:2023-11-28
公开(公告)日:2024-04-09
公开(公告)号:CN117854595A
主分类号:G16B40/00
分类号:G16B40/00;G16B50/00;G16B30/10;G06N3/0442;G06N3/045;G06N3/0499;G06N3/088
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:本发明公开了一种DNA结合蛋白(DBP)领域特异的大规模蛋白质语言模型(PLM)。包括:注释为DBP序列的UniProtKB数据集,基于全空间多任务模型ESM2构建非冗余DBP序列,基于ESM2的领域自适应预训练,微调下游任务;本发明在四个与DBP相关的下游任务(即DNA结合蛋白、DNA结合残基、转录因子和DNA结合Cys2His2锌指预测)上的实验结果表明,与原始ESM2相比,ESM‑DBP提供了更好的DBP特征表征,从而提高了预测性能,在准确性上优于其他最先进的预测方法。通过对集成梯度算法的可解释性分析,ESM‑DBP在转录因子预测方面的突出表现主要来自于对各种DNA结合域的高灵敏度。此外,本发明对那些只有少量相似同源序列的DBP也有很好的表现,而且这种泛化效果比ESM2更好。
主权项:1.一种通过继续对DNA结合蛋白进行训练,可解释性地提高通用蛋白质语言模型的预测性能的方法,其特征在于,包括以下步骤:S1、从UniProtKB数据库中下载截至2023年8月所有约400万条注释为DBP的序列数据作为基准数据集;S2、使用CD-HIT工具去除高相似度的冗余序列以及与测试蛋白质序列具有高相似度的序列,聚类阈值设为0.4;S3、保留原始ESM2所学习到的基本生物学知识,冻结了拥有6.5亿个参数的ESM2模型前29个transformer模块的参数,只训练最后4个transformer模块;S4、将ESM2模型中后4个transformer模块通过领域自适应预训练学习DBP领域的特定信息;S5、微调下游任务,使用轻量级双向长短期记忆网络BiLSTM和多层感知器MLP对DNA结合蛋白DBP、DNA结合残基DBS、转录因子TF和DNA结合Cys2His2锌指DBZF进行预测;S6、为了观察领域自适应预训练对预测性能的影响,比较了原始ESM2模型和ESM-DBP对四个下游任务DBP、DBS、TF、DBZF的预测结果。
全文数据:
权利要求:
百度查询: 桂林理工大学 一种DNA结合蛋白领域特异的大规模蛋白质语言模型
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。