一种噪声自适应蛋白质骨架生成方法、装置、设备及介质与流程

本技术涉及计算生物学与生物信息处理交叉，特别涉及一种噪声自适应蛋白质骨架生成方法、装置、设备及介质。

背景技术：

1、蛋白质骨架是蛋白质三维结构的基本几何框架，符合几何规律的蛋白质骨架可为后续的氨基酸序列配置、候选结构筛选以及蛋白质功能设计提供基础支撑。由于蛋白质骨架包含大量相互关联的空间自由度，采用片段拼接、能量函数搜索或规则驱动的传统生成方案，需要在庞大的构象空间中反复搜索，结果容易受到片段库、初始构型和优化策略的限制。

2、随着生成式机器学习技术的发展，逐步加噪后学习逆向去噪的生成方案已经开始应用于蛋白质骨架构建。目前在利用扩散模型生成蛋白质骨架时，普遍将蛋白质骨架内部角作为生成对象，通过相邻骨架原子形成的二面角和键角描述残基之间的相对构型，生成完成后再依据内部角和键长恢复蛋白质骨架的三维坐标。但在利用扩散模型生成蛋白质骨架的过程中，现有方案仅在网络输入端将时步嵌入与序列嵌入相加，后续处理始终采用固定归一化和固定残差路径。而高噪声、中噪声和低噪声阶段的输入信噪比和待恢复结构信息本身存在差异，采用固定归一化和固定残差路径的处理方式，无法针对不同扩散阶段动态调节特征变换，最终会影响蛋白质骨架的生成质量。

3、因而现有技术还有待改进和提高。

技术实现思路

1、本技术要解决的技术问题在于，针对现有技术的不足，提供一种噪声自适应蛋白质骨架生成方法、装置、设备及介质。

2、为了解决上述技术问题，本技术第一方面提供了一种噪声自适应蛋白质骨架生成方法，其中，所述的噪声自适应蛋白质骨架生成方法具体包括：

3、根据预设长度构造注意力掩码，从周期噪声分布中采样初始内部角序列；

4、调用扩散模型对所述初始内部角序列进行去噪以得到内部角序列，并将所述内部角序列重建为蛋白质骨架，其中，所述扩散模型在每个时间步的去噪过程均包括：

5、对当前时间步的内部角序列中的每个角度向量进行周期特征扩展，以得到扩展角序列；

6、对当前时间步进行编码以生成时步条件向量；

7、将所述时步条件向量、注意力掩码以及扩展角序列输入扩散模型，利用所述扩散模型对所述扩展角序列进行去噪，以生成下一时间步的内部角序列。

8、所述的噪声自适应蛋白质骨架生成方法，其中，所述对当前时间步的内部角序列中的每个角度向量进行周期特征扩展，以得到扩展角序列具体包括：

9、对于当前时间步的内部角序列中的每个角度向量，获取所述角度向量中的各内部角的正弦项与余弦项；

10、将各内部角与各内部角的正弦项与余弦项进行拼接，或者是，将各内部角的正弦项与余弦项进行拼接，以确定各内部角的扩展特征；

11、将所述角度向量中的各内部角的扩展特征拼接为扩展角向量，以得到扩展角序列。

12、所述的噪声自适应蛋白质骨架生成方法，其中，所述利用所述扩散模型对所述扩展角序列进行去噪，以生成下一时间步的内部角序列具体包括：

13、将时步条件向量编码为自适应缩放偏移参数，所述自适应缩放偏移参数包括全局缩放偏移参数、局部缩放偏移参数和前馈缩放偏移参数；

14、基于全局缩放偏移参数和注意力掩码，利用全局注意力分支对扩展角序列进行处理以得到全局特征；

15、基于局部缩放偏移参数，利用局部混合分支对全局特征进行处理以得到混合特征；

16、基于前馈缩放偏移参数对混合特征执行前馈操作以得到下一层的隐藏特征，并基于最后一层输出的隐藏特征确定预测噪声；

17、基于预测噪声以及当前时间步的内部角序列确定下一个时间步的内部角序列。

18、所述的噪声自适应蛋白质骨架生成方法，其中，所述将时步条件向量编码为自适应缩放偏移参数具体包括：

19、通过激活函数将时步条件向量转换为非线性时间特征；

20、对所述非线性时间特征进行线性映射以得到一维参数向量；

21、将所述一维参数向量切分为全局缩放偏移参数、局部缩放偏移参数和前馈缩放偏移参数，以得到自适应缩放偏移参数。

22、所述的噪声自适应蛋白质骨架生成方法，其中，所述基于全局缩放偏移参数和注意力掩码，利用全局注意力分支对扩展角序列进行处理以得到全局特征具体包括：

23、对所述扩展角序列对应的隐藏特征进行归一化处理，以得到归一化特征；

24、基于所述全局缩放偏移参数中的全局缩放参数和全局偏移参数对所述归一化特征进行仿射变换，以得到自适应归一化特征；

25、基于所述自适应归一化特征和所述注意力掩码，通过多头注意力机制确定注意力特征；

26、基于所述全局缩放偏移参数中的全局门控参数对所述注意力特征进行门控调制，并将门控调制后的注意力特征与所述隐藏特征进行残差连接，以得到全局特征。

27、所述的噪声自适应蛋白质骨架生成方法，其中，所述基于局部缩放偏移参数，利用局部混合分支对全局特征进行处理以得到混合特征具体包括：

28、对所述扩展角序列对应的全局特征进行归一化处理，以得到归一化全局特征；

29、基于所述局部缩放偏移参数中的局部缩放参数和局部偏移参数对所述归一化全局特征进行仿射变换，以得到自适应归一化全局特征；

30、利用局部模块对所述自适应归一化全局特征进行处理以得到局部特征，其中，所述局部模块包含沿残基序列方向的深度卷积、非线性激活和逐点卷积；

31、基于所述局部缩放偏移参数中的局部门控参数对所述局部特征进行门控调制，并将门控调制后的局部特征与所述全局特征进行残差连接，以得到混合特征。

32、所述的噪声自适应蛋白质骨架生成方法，其中，在所述扩散模型的训练过程中，所述方法还包括：

33、为训练蛋白质骨架构建训练内部角序列，训练内部角序列包括蛋白质骨架中每个残基的角度向量，所述角度向量包括三个二面角和三个骨架键角；

34、对训练内部角序列实施周期约束的前向扩散，以构造噪声内部角序列集和真实噪声序列，所述噪声内部角序列集包括每个时间步的噪声内部角序列，所述真实噪声序列包括每个时间步的真实噪声；

35、在前向扩散的时间步序列中选取一个时间步，利用初始扩散模型对所述时间步对应的噪声内部角序列进行去噪处理，以得到预测噪声；

36、基于所述预测噪声和所述时间步的真实噪声对初始扩散模型进行训练，以得到扩散模型。

37、本技术第二方面提供了一种噪声自适应蛋白质骨架生成装置，其中，所述的噪声自适应蛋白质骨架生成装置具体包括：

38、构造模块，用于根据预设长度构造注意力掩码，从周期噪声分布中采样初始内部角序列；

39、调用模块，用于调用扩散模型对所述初始内部角序列进行去噪以得到内部角序列，并将所述内部角序列重建为蛋白质骨架，其中，所述扩散模型在每个时间步的去噪过程均包括：

40、对当前时间步的内部角序列中的每个角度向量进行周期特征扩展，以得到扩展角序列；

41、对当前时间步进行编码以生成时步条件向量；

42、将所述时步条件向量、注意力掩码以及扩展角序列输入扩散模型，利用所述扩散模型对所述扩展角序列进行去噪，以生成下一时间步的内部角序列。

43、本技术第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的噪声自适应蛋白质骨架生成方法中的步骤。

44、本技术第四方面提供了一种终端设备，其包括：处理器和存储器；

45、所述存储器上存储有可被所述处理器执行的计算机可读程序；

46、所述处理器执行所述计算机可读程序时实现如上任一所述的噪声自适应蛋白质骨架生成方法中的步骤。

47、有益效果：

48、1、本技术将每个时间步编码为时步条件向量，然后将该时步条件向量作为条件信息输入扩散模型，使得扩散模型依据时间步针对不同扩散阶段动态调节特征变换，提高了蛋白质骨架的生成质量。

49、2、本技术通过将全局自注意力、沿残基序列的一维深度卷积/逐点卷积和门控前馈网络组合为局部-全局角度去噪块，然后将该局部-全局角度去噪块作为扩散模型的去噪模块进行去噪处理，可以提高扩散模型的骨架角度建模能力，从而可以提高蛋白质骨架的生成质量。

50、3、本技术通过为内部角增加正弦和余弦特征，为几何上相邻但标量值分处和两侧的二面角增加连续的周期表征通道，有助于降低网络学习角度周期关系的难度。

51、4、本技术将自适应参数生成层进行零初始化，使新加入的残差分支在初始化时对主干特征扰动较小，随后再由数据驱动学习不同扩散阶段的分支贡献，有助于稳定深层去噪网络的优化过程。

52、5、本技术直接在对整体平移和旋转不敏感的内部角表示上扩散，并以确定性内部坐标算法重建三维骨架，不需要去噪网络本身具备复杂的三维刚体等变结构。