融合局部和全局特征的多视角深度学习多功能酶预测.pdfVIP

中文科技期刊数据库（全文版）工程技术

融合局部和全局特征的多视角深度学习多功能酶预测

钟灵茜

江南大学人工智能与计算机学院，江苏无锡214122

摘要：多功能酶是一种特殊类型的酶，具有催化各种基本化学反应的能力。研究表明，多功能酶能够以不同形式

催化不同的化学反应，这使得多功能酶比普通的单功能酶更具有研究和使用价值。随着机器学习的发展，人们尝

试借助深度学习等计算方法来处理酶功能分类问题,本文提出了一种融合局部和全局特征的多视角深度学习多功

能酶分类预测模型mlCBiGCnet。在该方法中，使用卷积神经网络（CNN）和双向门控递归单元（BiGRU）组成的混

合网络对酶序列深度特征进行学习，其中CNN模块用于学习酶序列的深度局部特征，BiGRU模块用于学习深度全

局特征，并进一步融合为新的复合特征输入到全连接层，最后由多标签分类器得到多功能酶分类结果。此外，使

用图卷积网络学习酶EC类标签相关性深度特征，用以指导酶序列多视角深度特征的学习过程。在CNN-BiGRUs模

块中，利用多头注意力机制对提取的酶序列深度特征进行特征增强，以加速训练过程，提升模型性能。实验结果

表明，与现有方法相比，mlCBiGCnet在子集精度、Micro_F1_score等指标上都有了更好的表现。

关键词：深度学习；多功能酶分类；多视角深度特征学习；局部和全局特征；多标签分类

中图分类号：G63

0引言单功能酶或多功能酶。对于被预测为多功能酶的序列，

mlDEEPre将其分类为主要类别（EC编码第一位数）。

多功能酶是一类具有多个催化活性的酶，了解其

但现有多功能酶预测模型在进行特征学习时使用的大

功能最直接、准确的方法是通过实验技术，如酶分析

多是酶序列局部特征，如酶序列的蛋白质位置特异性

[1]。然而，进行实验需要大量的时间和人力，这可能

矩阵PSSM[7]等，在一定程度上忽视了酶序列全局特征，

无法应对新酶数量的快速增长。目前最流行的酶功能

针对该问题，本文使用多视角深度学习技术，提出了

标准化方法是EC编号系统[2]。随着近年来深度学习

一个融合局部和全局特征的多视角深度学习多功能酶

[3]的快速发展、在生物信息学中的大量应用以及酶数

预测模型mlCBiGCnet。

据库的不断完善，许多基于深度学习的算法被用于酶

本文所做工作的主要贡献如下：

功能预测。此外，多标签学习技术的出现和发展也为

（1）针对多功能酶分类预测问题，提出了一种新

多功能酶分类预测提供了算法基础。

的充分使用酶序列局部和全局特征的深度学习模型。

DEEPre分类器[4]根据EC编码的树状结构，在其

该模型对酶预测常用的三个特征：氨基酸One-Hot编

结构的每个节点都构建了一个深度学习模型。该模型

码、PSSM、功能域进行多视角局部和全局特征进行提

在酶特征选择上进行了创新，它使用了基于两种不同

取。同时，使用图卷积网络提取EC类标签的相关性特

类型的蛋白质原始序列特征：序列长度相关特征和序