一种基于自注意力卷积的核糖核酸-蛋白质位点识别方法

技术特征：
1.一种基于自注意力卷积的核糖核酸-蛋白质位点识别方法，其特征在于：该方法的执行步骤如下，步骤1、从相关公开数据集库或相关公开数据网站获取rbp结合位点序列数据；步骤2、预处理数据集，利用独热编码对数据进行重新编码，作为模型的输入数据；步骤3、将处理好的训练集数据输入到模型当中，利用损失函数和反向传播算法自更新模型参数；步骤4、通过设置的好的早停法，获取最优模型并保存该模型；整体完成后利用测试集进行测试。2.根据权利要求1所述的一种基于自注意力卷积的核糖核酸-蛋白质位点识别方法，其特征在于：步骤1的实现过程如下：从公开数据库或公开数据网站下载公共数据集完毕后，将数据集分为正类数据集与负类数据集，正类表示经过生物实验验证为核糖核酸-蛋白质rbp结合位点序列，负类则是从非该位点的序列中随机抽取的序列，保证负类数据集与正类数据集数据量相同。3.根据权利要求1所述的一种基于自注意力卷积的核糖核酸-蛋白质位点识别方法，其特征在于：步骤2的实现过程如下：对数据进行预处理，将长度不等的rbp序列同规划成长度为500的序列；针对过长的序列进行剪裁，对长度不足的序列用无意义占位符n在该条序列后补充，并将待操作数据通过独热编码的方式编码成向量化数据；rna序列包含四种碱基，分别为：a腺嘌呤、g鸟嘌呤、c胞嘧啶和u尿嘧啶，这四种碱基，加上无效占位符n，即有五种字符需要编码，其分别对应编码向量：[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1]和[0,0,0,0]；对编码后的数据按4：1的比例进行训练集、测试集划分。4.根据权利要求1所述的一种基于自注意力卷积的核糖核酸-蛋白质位点识别方法，其特征在于：步骤3的实现过程如下：根据步骤2获得好的编码数据，输入进网络之中进行训练学习；该网络是由三层特征提取层；每层的特征提取层首先是由多头自注意力机制mha和卷积神经网络cnn组成的特征提取模块，随后是激活函数层，激活函数为tanh，和最大池化层，并配合dropout方法；经过特征提取层后会形成高维特征向量，该向量会经过一层扁平层后进入由两层全连接层组成的分类器中；第一层的全连接层输出维度为512，第二层输出维度2，即最终识别是或不是的概率大小，并依据此概率进行分类判别；为降低过拟合的影响，同样会配合着dropout方法。5.根据权利要求1所述的一种基于自注意力卷积的核糖核酸-蛋白质位点识别方法，其特征在于：步骤4的实现过程如下：利用训练数据集配合着交叉熵算法对模型进行训练，完成模型参数自更新；完成一次正向传播与反向传播为一次epoch；epoch设置为80；随后利用早停法，当数据在验证集上获得的效果不在上升超过10次epoch后就会停止训练；验证集是按10％的比例从训练集中划分种出来的；获取到最优模型后，利用测试集数据测试获取到模型效果；训练集和测试集是从原始正负类数据集中划分出来的，训练集与测试集的比例为4：1。

技术总结
本发明公开了一种基于自注意力卷积的核糖核酸-蛋白质位点识别方法，从相关公开数据集库或相关公开数据网站获取RBP结合位点序列数据；预处理数据集，利用独热编码对数据进行重新编码，作为模型的输入数据将处理好的训练集数据输入到模型当中，利用损失函数和反向传播算法自更新模型参数。通过设置的好的早停法，获取最优模型并保存该模型。整体完成后利用测试集进行测试。本发明通过多头自注意力机制捕获全局特征，有效的弥补卷积方法只能关注局部特征的问题，在有效降低模型参数量的同时仍可保持模型整体分析效果。仍可保持模型整体分析效果。仍可保持模型整体分析效果。


技术研发人员：刘博 张冀东 王志晗 武嘉慧
受保护的技术使用者：北京工业大学
技术研发日：2021.12.31
技术公布日：2022/5/10