(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211352672.X (22)申请日 2022.11.01 (71)申请人 山东大学 地址 264209 山 东省威海市环翠区文化西 路180号 (72)发明人 柳军涛　周婉芸　刘雨菲　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 李琳 (51)Int.Cl. G06V 40/12(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/40(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度神经网络的抗癌肽和抗菌肽 预测方法及系统 (57)摘要 本发明公开的一种基于深度神经网络的抗 癌肽和抗菌肽预测方法及系统， 属于肽识别技术 领域， 包括： 获取肽序列； 提取肽序列的指纹信 息、 进化信息和理化性质信息； 通过指纹信息、 进 化信息和理化性质信息和训练好的肽序列识别 模型， 获得肽识别结果， 其中， 肽序列识别模型包 括第一特征提取网络、 第二特征提取网络和第三 特征提取网络， 第一特征提取网络从指纹信息中 提取指纹特征， 第二特征提取网络从进化信息中 提取进化特征， 第三特征提取网络从理化性质信 息中提取理化性质特征， 将指纹特征、 进化特征 和理化性质特征进行融合， 获得融合信息， 对融 合信息进行识别， 获得肽识别结果。 提高了肽识 别结果的准确性。 权利要求书2页 说明书9页 附图2页 CN 115512396 A 2022.12.23 CN 115512396 A 1.一种基于深度神经网络的抗癌肽和抗菌肽预测方法， 其特 征在于， 包括： 获取肽序列； 确定肽序列中每种氨基酸的理化 性质； 提取肽序列的进化信息， 并根据氨基酸的理化性质， 提取肽序列的指纹信息和 理化性 质信息； 通过指纹信息、 进化信息和 理化性质信息和训练好的肽序列识别模型， 获得肽识别结 果， 其中， 肽序列识别模型包括第一特征提取网络、 第二特征提取网络和第三特征提取网 络， 第一特征提取网络从指纹信息中提取指纹特征， 第二特征提取网络从进化信息中提取 进化特征， 第三特征提取网络从理化性质信息中提取理化性质特征， 将指纹特征、 进化特征 和理化性质特征进行融合， 获得融合信息， 对融合信息进行识别， 获得肽识别结果。 2.如权利要求1所述的一种基于深度神经网络的抗癌肽和抗菌肽预测方法， 其特征在 于， 根据氨基酸的理化 性质构建肽的CGR曲线； 将CGR曲线划分为多个子块， 并确定相邻子块 边界上的点； 将划分块后的CGR曲线进行旋转， 获得旋转后子块及相邻子块边界上的点旋转后的对 应点； 计算相邻 两个边界上的点的欧式距离及相邻 两个旋转后的对应点的欧式距离， 构 成距 离矩阵； 提取各距离矩阵的主特 征值， 形成肽序列指纹信息 。 3.如权利要求1所述的一种基于深度神经网络的抗癌肽和抗菌肽预测方法， 其特征在 于， 通过构造肽序列的P SSM矩阵表示肽序列的进化信息 。 4.如权利要求1所述的一种基于深度神经网络的抗癌肽和抗菌肽预测方法， 其特征在 于， 将理化性质数据库中的所有理化性质进 行聚类， 并提取每个聚类中最具代表性的性质， 作为氨基酸的代 表理化性质； 从肽序列每种氨基酸的理化性质中提取氨基酸的代表理化性质， 获得肽序列的理化性 质信息。 5.如权利要求1所述的一种基于深度神经网络的抗癌肽和抗菌肽预测方法， 其特征在 于， 第一特征提取网络采用多通道卷积神经网络， 并在多通道卷积神经网络中添加 通道注 意力机制； 第二特征提取网络采用双向长短记 忆网络； 第三特征提取网络采用多头自注意力网络 。 6.如权利要求1所述的一种基于深度神经网络的抗癌肽和抗菌肽预测方法， 其特征在 于， 在将指纹信息、 进化信息和理化性质信息输入训练好的肽序列 识别模型前， 将肽序列的 进化信息和理化 性质信息的长度进行统一。 7.如权利要求1所述的一种基于深度神经网络的抗癌肽和抗菌肽预测方法， 其特征在 于， 获取训练好的肽序列识别模型的过程 为： 获取每次训练用的训练集和验证集， 通过每次训练用的训练集和验证集对构建的肽序 列识别模型进行训练； 其中， 从本次训练用的验证集中选取最后设定轮数的训练过程中模型预测错误次数超 过设定错误次数 的样本， 形成筛选后验证集； 从本次训练用的训练集中选取在最后设定轮权　利　要　求　书 1/2 页 2 CN 115512396 A 2数的训练过程中都准确完成分类的样本， 形成筛选后训练集； 从筛选后验证集中选取样本 形成验证集待交换样本集， 从筛选后训练集中选取样本形成训练集待交换样本集， 将本次 训练用的验证集中的验证集待交换样本集与本次训练用的训练集中的训练集待交换样本 集进行交换， 形成新的验证集和训练集， 作为下一次训练用的验证集和训练集； 通过最后 一次训练用的训练集和验证集对构建的肽序列识别模型进行训练， 训练完成 后， 获得训练好的肽序列识别模型。 8.一种基于深度神经网络的抗癌肽和抗菌肽预测系统， 其特 征在于， 包括： 数据获取模块， 用于获取肽序列； 信息提取模块， 用于提取肽序列的进化信 息， 确定肽序列中每种氨基酸的理化性质， 并 根据氨基酸的理化 性质， 提取肽序列的指纹信息和理化 性质信息； 识别模块， 用于通过指纹信息、 进化信 息和理化性质信 息和训练好的肽序列识别模型， 获得肽识别结果， 其中， 肽序列 识别模型包括第一特征提取网络、 第二特征提取网络和第三 特征提取网络， 第一特征提取网络从指纹信息中提取指纹特征， 第二特征提取网络从进化 信息中提取进化特征， 第三特征提取网络从理化性质信息中提取理化性质特征， 将指纹特 征、 进化特征和理化性质特征进行融合， 获得融合信息， 对融合信息进行识别， 获得肽识别 结果。 9.一种电子设备， 其特征在于， 包括存储器和处理器以及存储在存储器上并在处理器 上运行的计算机指 令， 所述计算机指 令被处理器运行时， 完成权利要求 1‑7任一项所述的一 种基于深度神经网络的抗癌肽和抗菌肽预测方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 用于存储计算机指令， 所述计算机指令被 处理器执行时， 完成权利要求1 ‑7任一项所述的一种基于深度神经网络的抗癌肽和抗菌肽 预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115512396 A 3