深度神经网络蛋白质溶解性预测模型设计

• 作者: 王鲜芳 刘依锋 杜志勇 朱命冬 李启萌
• 来源期刊: 河南师范大学学报（自然科学版）
• 关键词: 深度双路卷积神经网络 蛋白质溶解性 G-gap二肽频率 预测模型
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 数学与计算机科学
• 页码范围: 31-39
• 页数: 9页
• 分类号: TP181
• 语种: 中文
• DOI: 10.16366/j.cnki.1000-2367.2021.02.005

摘要

蛋白质溶解性是生物信息学领域的重要研究课题,通过分析蛋白质溶解性数据,结合特征提取和深度学习技术,设计多种卷积神经网络预测蛋白质溶解性的模型.使用CD-HIT对蛋白质原始数据进行降噪,并利用G-gap对每个样本进行张量化处理,得到适用于卷积神经网络的特征数据,作为模型其中一路网络的输入;为提高模型预测精度,对每个样本利用SCRATCH工具提取6维序列特征和51维结构特征作为额外特征,作为模型的另一路网络输入.依据数据特点,通过对卷积层的串并联结构调整组合,设计4种不同网络模型,实现蛋白质溶解性预测.通过对比试验确定网络结构和参数,结果表明基于深度双路卷积神经网络DDcCNN(Deep Dual-channel Convolutional Neural Networks)的蛋白质溶解性预测模型整体性能最优,其预测精度、查全率、查准率、MCC(Matthews Correlation Coefficient)等性能指标分别达到76.31％、65.31％、75.05％、0.55.并通过与基于传统的深度神经网络、支持向量机、随机森林、决策树建立的预测模型以及现有的研究成果进行比较试验,证明了本研究设计的有效性.