本發明公開了一種基于信息融合和深度學習的原核生物乙?;稽c預測方法,涉及生物信息技術領域。所述預測方法引入多信息融合,從序列信息、物理化學信息、進化信息多方面對蛋白質序列進行特征編碼,充分反映乙?;稽c與非乙?;稽c蛋白質序列之間的差異性。Group Lasso對原始特診空間進行篩選和優化,保留識別乙?;稽c模型的重要特征,得到最佳特征子集,提高模型計算速度和質量。深度神經網絡通過層級學習最優特征子集生成具有判別力的特征,有效區分蛋白質序列中的乙?;稽c和非乙?;稽c,同時節約計算時間并且避免其它成本和相關限制,不僅能夠幫助深入了解乙?;肿訖C制,而且能為進行乙?;稽c識別相關實驗驗證提供有價值的參考信息。
聲明:
“基于信息融合和深度學習的原核生物乙?;稽c預測方法” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究,如用于商業用途,請聯系該技術所有人。
我是此專利(論文)的發明人(作者)