基于深度学习的识别关键蛋白质框架-DeepEP
(还未补全内容)
结构
•特征提取模块:使用node2vec技术来自动学习PPI网络中每个蛋白的稠密向量,获取生物网络的语义和拓扑特征。然后,将基因表达谱视作为图片,使用多尺度CNN来提取特征,再使用池化层递减维度。最后将各个组件(node2vec、多重CNN和池化层)连接在一起作为分类模块的输入。
•分类模块:分类模块由一个全连接层和一个输出层组成。ReLU函数作为全连接层的激活函数。在全连接层之后,另一个用softmax函数作为激活函数的全连接层作为输出层来最后预测蛋白质。

采样方法
为了解决不平衡学习问题,采用了一种低计算成本的抽样方法。随机分成K个批次,这样每个批次中都会有关键蛋白质和非关键蛋白质,可以可以确保结果在训练过程中不偏向于任一类别

结果评估


具体实现




node2vec部分:

结果:

本文系作者 @rinbn 原创发布在 噓だ。未经许可,禁止转载。