一种原核启动子识别方法、系统及介质

摘要: 本发明属于生物信息学与人工智能交叉,特别涉及一种原核启动子识别方法、系统及介质。背景技术:1、原核启动子是rna聚合酶识别并结合的dna序列区域,是调控原核生物...
一种原核启动子识别方法、系统及介质

本发明属于生物信息学与人工智能交叉,特别涉及一种原核启动子识别方法、系统及介质。

背景技术:

1、原核启动子是rna聚合酶识别并结合的dna序列区域,是调控原核生物基因转录起始的核心元件。在原核启动子识别任务中,由于启动子内部存在-35盒、-10盒等具有特定生物学功能的核心元件,且这些元件之间的相对位置和组合关系直接影响转录效率,因此,在判别过程中同步利用这些核心元件的区域特征及其相互关系,对于提升识别结果的可靠性和可解释性具有重要意义。

2、目前,基于预训练dna语言模型的启动子识别方法已成为该领域的主流技术路线之一,例如tssnote-cyaprombert模型基于bert架构进行启动子预测,并通过注意力可视化展示模型对启动子关键功能区域的关注程度。然而,上述方法中的注意力机制主要作为通用特征提取手段由网络根据分类目标自动学习形成,其关注区域与启动子核心功能元件之间缺乏明确的对应约束,且该类可视化结果属于模型训练完成后的被动观察,难以验证其与最终分类决策之间的真实关联,导致在面向启动子核心元件的区域级结构化特征利用方面仍存在不足。

技术实现思路

1、本发明的目的在于提供一种原核启动子识别方法、系统及介质,通过区域注意力机制与证据分支的双重验证,结合空间语法约束,实现了对原核启动子的结构化可解释识别。

2、为解决上述技术问题,本发明的实施例提供了一种原核启动子识别方法,包括以下步骤:

3、获取待测dna序列的综合特征表示;

4、对综合特征表示进行区域聚焦处理,定位其中的-35盒区域、-10盒区域和转录因子结合位点区域,获得各区域的位置信息、注意力权重分布及区域上下文特征,并为所定位的各区域提取对应的证据强度向量;

5、根据位置信息的先后顺序确定-35盒区域和-10盒区域的顺序指示;根据位置信息确定-35盒区域与-10盒区域之间的距离,作为绝对距离;根据绝对距离确定距离合理性;根据-35盒区域和-10盒区域的注意力权重分布的峰值高度确定配对合理性;根据顺序指示、绝对距离、距离合理性和配对合理性,确定空间语法特征;

6、将空间语法特征、各区域上下文特征及证据强度向量进行融合,得到结构化融合特征;

7、根据结构化融合特征,识别待测dna序列中是否存在原核启动子。

8、在一些可选的实施例中,根据结构化融合特征识别待测dna序列中是否存在原核启动子的识别结果后,还包括:

9、根据综合特征表示,识别待测dna序列中是否存在原核启动子,作为第二识别结果;

10、将第二识别结果与基于结构化融合特征的识别结果进行融合,得到待测dna序列中是否存在原核启动子的最终识别结果。

11、在一些可选的实施例中,所述获取待测dna序列的综合特征表示,具体步骤如下:

12、获取目标基因组序列,以预设步长在目标基因组序列上滑动预设长度的窗口,将每个窗口对应的序列作为待测dna序列;

13、将待测dna序列按照6-mer词表进行分词,步长为1,转换为token序列;

14、将token序列输入预训练的dnabert模型,经嵌入层和12层transformer编码器处理后,提取全局上下文隐藏特征;

15、对全局上下文隐藏特征进行多尺度卷积局部特征增强,得到综合特征表示。

16、在一些可选的实施例中,所述多尺度卷积局部特征增强,具体步骤如下:

17、采用卷积核尺寸分别为1、3、5、9的四个并行一维卷积层对全局上下文隐藏特征进行卷积处理;

18、将四个卷积分支的输出在特征维度上拼接,经层归一化和线性映射后,与全局上下文隐藏特征逐元素相加,得到综合特征表示。

19、在一些可选的实施例中,所述对综合特征表示进行区域聚焦处理,具体步骤如下:

20、分别对综合特征表示进行-35盒区域聚焦、-10盒区域聚焦和转录因子结合位点区域聚焦,对应获得-35盒区域、-10盒区域和转录因子结合位点区域的位置信息、注意力权重分布及区域上下文特征;

21、其中,所述-35盒区域聚焦和所述-10盒区域聚焦分别通过如下方式实现:

22、获取查询向量与键向量的点积结果;

23、将点积结果加上可学习的位置偏置矩阵,得到修正后的注意力分数;

24、根据修正后的注意力分数确定注意力权重分布;

25、所述位置偏置矩阵用于使注意力权重在-35盒区域和-10盒区域对应的预设序列位置具有更高的先验概率。

26、在一些可选的实施例中,所述顺序指示为:若-35盒区域的位置信息位于-10盒区域的位置信息之前,则顺序指示取值为1,否则取值为0;所述绝对距离为-35盒区域的位置信息与-10盒区域的位置信息之差的绝对值;所述距离合理性为:若绝对距离在15~25bp之间则取值为1,否则取值为0;所述配对合理性为-35盒区域注意力权重分布的峰值高度与-10盒区域注意力权重分布的峰值高度的乘积。

27、在一些可选的实施例中,所述为所定位的各区域提取对应的证据强度向量,具体步骤如下:

28、从综合特征表示中分别提取启动子核心元件证据和转录因子结合位点证据,对应获得启动子核心元件证据强度向量和转录因子结合位点证据强度向量;

29、所述启动子核心元件证据和所述转录因子结合位点证据分别通过两层一维卷积后接sigmoid激活函数提取。

30、在一些可选的实施例中,所述将第二识别结果与基于结构化融合特征的识别结果进行融合,具体步骤如下:

31、将基于结构化融合特征的识别结果和第二识别结果按预设比例加权相加,其中基于结构化融合特征的识别结果的权重大于第二识别结果的权重;

32、将加权相加的结果经softmax函数映射为是否存在原核启动子的预测概率。

33、本发明的实施例还提供了一种计算机设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的原核启动子识别方法。

34、本发明的实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序由处理器运行时,能够执行上述的原核启动子识别方法。

35、本发明所提供的一种原核启动子识别方法,至少具有以下有益效果:

36、本发明通过将区域注意力机制、证据提取与空间语法关系统一融合为结构化的识别框架,使得启动子核心元件的区域特征及其相互关系不再作为通用模型训练后的被动观察结果,而是作为结构化的判别依据直接参与识别过程,从而在保持启动子识别判别能力的同时,增强了区域级特征与分类决策之间的关联可靠性和可解释性。

1.一种原核启动子识别方法,其特征在于,所述方法包括:

2.如权利要求1所述的原核启动子识别方法,其特征在于,根据结构化融合特征识别待测dna序列中是否存在原核启动子的识别结果后,还包括:

3.如权利要求1所述的原核启动子识别方法,其特征在于,所述获取待测dna序列的综合特征表示,具体步骤如下:

4.如权利要求3所述的原核启动子识别方法,其特征在于,所述多尺度卷积局部特征增强,具体步骤如下:

5.如权利要求1所述的原核启动子识别方法,其特征在于,所述对综合特征表示进行区域聚焦处理,具体步骤如下:

6.如权利要求1所述的原核启动子识别方法,其特征在于,所述顺序指示为:若-35盒区域的位置信息位于-10盒区域的位置信息之前,则顺序指示取值为1,否则取值为0;所述绝对距离为-35盒区域的位置信息与-10盒区域的位置信息之差的绝对值;所述距离合理性为:若绝对距离在15~25bp之间则取值为1,否则取值为0;所述配对合理性为-35盒区域注意力权重分布的峰值高度与-10盒区域注意力权重分布的峰值高度的乘积。

7.如权利要求1所述的原核启动子识别方法,其特征在于,所述为所定位的各区域提取对应的证据强度向量,具体步骤如下:

8.如权利要求2所述的原核启动子识别方法,其特征在于,所述将第二识别结果与基于结构化融合特征的识别结果进行融合,具体步骤如下:

9.一种计算机系统,其特征在于,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8中任一项所述的原核启动子识别方法。

10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序由处理器运行时,能够执行权利要求1至8所限定的任意一项所述的原核启动子识别方法。