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：