基于对比学习的蛋白质序列与结构双模态预测方法及系统

本发明涉及生物信息学与人工智能交叉，具体的是基于对比学习的蛋白质序列与结构双模态预测方法及系统。

背景技术：

1、目前，已经开发了多种实验方法用于准确识别蛋白质中的分子识别特征（morfs）位点，这些方法包括高氯酸（hclo4）水解、高碘酸氧化水解、色谱法以及质谱分析等。尽管这些实验方法在识别 morfs 位点方面取得了一定成果，但普遍存在操作复杂、周期较长、实验成本高、对设备依赖性强等问题，并且在实验过程中可能对蛋白质样本造成结构破坏。此外，当样本量有限或目标蛋白难以提取时，这些实验方法的可操作性与重复性显著下降，从而限制了其在大规模功能筛选中的应用。

2、近年来出现了基于深度测序的高通量计算技术，例如结合转录组测序与结构注释的方法，可在更大规模上推断潜在的 morfs 位点。现有方法未有通过基于对比学习框架以及infonce跨模态对比损失显式拉近同一样本序列与结构表示的距离、推开不同样本的表示的处理方式，导致模态分布不匹配导致融合不稳定的问题，最终使得预测精度有限。

技术实现思路

1、为解决上述背景技术中提到的不足，本发明的目的在于提供基于对比学习的蛋白质序列与结构双模态预测方法及系统。

2、第一方面，本发明的目的可以通过以下技术方案实现：基于对比学习的蛋白质序列与结构双模态预测方法，方法包括以下步骤：

3、获取蛋白质序列数据以及蛋白质结构数据，将蛋白质序列数据以及蛋白质结构数据输入至预先训练的双模态深度对比学习模型内，分别进行序列模态特征提取和结构模态特征提取，得到残基级序列表示及残基级结构表示；

4、其中，双模态深度对比学习模型的双模态包括序列模态和结构模态，双模态深度对比学习模型基于分类损失与跨模态对比损失进行加权的损失函数进行训练；

5、通过双模态深度对比学习模型将残基级序列表示及残基级结构表示通过交叉注意力机制进行跨模态交互，得到聚合后的残基级特征表示，并对聚合后的残基级特征表示进行预测，得到蛋白质预测结果。

6、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述双模态深度对比学习模型的序列模态的处理过程，包括：

7、通过序列分支的prott5和esm-2作为蛋白质序列数据的双流特征提取模型，得到第一嵌入序列特征和第二嵌入序列特征；

8、通过将第一嵌入序列特征和第二嵌入序列特征输入双卷积注意力融合模块进行特征融合，得到融合序列特征；

9、将融合序列特征输入由多个自注意力块组成的transformer进行上下文建模，得到残基级序列表示。

10、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述双卷积注意力融合模块通过互补的卷积与注意力机制，自适应地聚合局部和全局上下文信息，从而将第一嵌入序列特征和第二嵌入序列特征的嵌入表示进行整合。

11、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述双模态深度对比学习模型的结构模态的处理过程，包括：

12、通过将蛋白质序列通过alphafold2预测三维结构，并以cα原子坐标作为空间锚点，通过8å的截断距离定义边集，生成残基级几何图，

13、将残基级几何图通过边感知图神经网络编码器进行几何与拓扑特征提取，包括空间距离、二面角和plddt置信度分数，

14、将特征输出进行拼接，并通过线性层融合得到残基级结构表示。

15、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述边感知图神经网络编码器包括gcn、gineconv和transformerconv，

16、其中，gcn分支使用边权重执行距离衰减的邻域聚合，gineconv和transformerconv分支将边属性显式纳入消息计算，将连续距离扩展为多维可学习形式，transformerconv利用注意力机制在局部邻域内自适应地强调具有信息量的结构连接，最终得出三个分支的特征输出。

17、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述残基级几何图结构生成的计算过程，如下：

18、将每个片段表示为边感知几何图：

19、

20、其中表示残基节点集，表示由空间邻近性诱导的边集，为节点特征矩阵，为边权重集，为边属性集；

21、在节点定义上，每个氨基酸残基被视为一个节点，其c原子坐标用作空间锚点，基于欧氏距离构建半径图：对于任意残基对，计算：

22、

23、当且仅当时引入边，其中截断距离设为å；

24、将距离被映射为高斯衰减的边权重：

25、

26、将标量距离被扩展为k维径向基函数（rbf）嵌入：

27、

28、其中在内均匀分布，由中心间距决定。

29、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述损失函数内，分类损失采用焦点损失，跨模态对比损失采用infonce函数。

30、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述损失函数的训练目标如下：

31、

32、其中是平衡监督学习和跨模态对齐的权重系数，为总损失，为分类损失，为跨模态对比损失。

33、第二方面，为了达到上述目的，本发明公开了基于对比学习的蛋白质序列与结构双模态预测系统，包括：

34、数据处理模块，用于获取蛋白质序列数据以及蛋白质结构数据，将蛋白质序列数据以及蛋白质结构数据输入至预先训练的双模态深度对比学习模型内，分别进行序列模态特征提取和结构模态特征提取，得到残基级序列表示及残基级结构表示；

35、其中，双模态深度对比学习模型的双模态包括序列模态和结构模态，双模态深度对比学习模型基于分类损失与跨模态对比损失进行加权的损失函数进行训练；

36、预测输出模块，用于通过双模态深度对比学习模型将残基级序列表示及残基级结构表示通过交叉注意力机制进行跨模态交互，得到聚合后的残基级特征表示，并对聚合后的残基级特征表示进行预测，得到蛋白质预测结果。

37、本发明的有益效果：

38、本发明通过构建了主从协同的非对称双分支架构，以模拟“序列—结构—功能”的生物学范式：主分支依托预训练语言模型提取深层序列特征，从分支结合 alphafold2 生成的三维结构信息与分层图神经网络提取拓扑结构特征，通过双卷积注意力融合模块dcaf 融合 prott5 与 esm-2 的多源序列嵌入特征，实现全局与局部信息的协同建模，在跨模态特征交互方面引入卷积增强交叉注意力模块，通过对比学习增强序列与结构模态的一致性，实现关键残基区域的高效信息聚合，引入对比学习与传统损失的联合优化策略，使模型在正负样本极度不平衡的条件下仍能保持稳定训练，增强了morfs识别的鲁棒性与泛化能力，从而提升 morfs 位点预测的准确性。

1.基于对比学习的蛋白质序列与结构双模态预测方法，其特征在于，方法包括以下步骤：

2.根据权利要求1所述的基于对比学习的蛋白质序列与结构双模态预测方法，其特征在于，所述双模态深度对比学习模型的序列模态的处理过程，包括：

3.根据权利要求2所述的基于对比学习的蛋白质序列与结构双模态预测方法，其特征在于，所述双卷积注意力融合模块通过互补的卷积与注意力机制，自适应地聚合局部和全局上下文信息，从而将第一嵌入序列特征和第二嵌入序列特征的嵌入表示进行整合。

4.根据权利要求3所述的基于对比学习的蛋白质序列与结构双模态预测方法，其特征在于，所述双模态深度对比学习模型的结构模态的处理过程，包括：

5.根据权利要求4所述的基于对比学习的蛋白质序列与结构双模态预测方法，其特征在于，所述边感知图神经网络编码器包括gcn、gineconv和transformerconv，

6.根据权利要求5所述的基于对比学习的蛋白质序列与结构双模态预测方法，其特征在于，所述残基级几何图结构生成的计算过程，如下：

7.根据权利要求1所述的基于对比学习的蛋白质序列与结构双模态预测方法，其特征在于，所述损失函数内，分类损失采用焦点损失，跨模态对比损失采用infonce函数。

8.根据权利要求7所述的基于对比学习的蛋白质序列与结构双模态预测方法，其特征在于，所述损失函数的训练目标如下：

9.基于对比学习的蛋白质序列与结构双模态预测系统，采用了权利要求1至8中任一项所述的基于对比学习的蛋白质序列与结构双模态预测方法，其特征在于，包括：

10.一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述存储器中存储有能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了权利要求1至8中任一项所述的基于对比学习的蛋白质序列与结构双模态预测方法。