科创中国
一种卷积神经网络预测蛋白质溶解性方法
发布时间: 2026-08-23
基本信息
合作方式：
技术转让
成果类型：
发明专利
行业领域：
新一代信息技术产业
成果介绍
本发明公开了一种基于卷积神经网络与集成学习策略的蛋白质溶解性预测方法，属于生物信息学领域。该方法首先将蛋白质的一级序列转换为20×20的二肽频率矩阵，以此作为输入特征，无需依赖外部工具提取二级结构或理化性质。随后，通过构建多个独立的卷积神经网络子模型进行并行训练，并引入一个二级分类器对各子模型的预测结果进行集成融合，最终输出蛋白质是否可溶的二分类结果。本发明通过端到端的深度学习架构与集成策略，有效避免了传统机器学习方法在大型数据集上的过拟合问题，显著提高了预测精度与泛化能力，为重组蛋白生产、药物制剂开发及蛋白质工程设计提供了高效、低成本的计算筛选工具。
成果亮点
本发明的核心亮点在于首次将卷积神经网络（CNN）与集成学习策略创新性地融合于蛋白质溶解性预测任务，通过将蛋白质一级序列直接编码为20×20的二肽频率矩阵作为输入，彻底摆脱了对传统特征工程和外部结构预测工具的依赖，实现了端到端的精准预测。同时，创新设计的多子模型并行训练与二级分类器集成架构，不仅有效克服了传统支持向量机等方法在大规模数据上的过拟合瓶颈，还显著提升了预测精度和泛化鲁棒性，为工业酶筛选、抗体可开发性评估及重组蛋白药物的早期研发提供了高效、低成本且极具实用价值的计算利器。
团队介绍
本发明由河南师范大学与河南工学院跨校科研团队联合完成，核心成员包括王鲜芳、刘依锋、杜志勇、朱命冬、李启萌等。团队依托河南师范大学计算机与信息工程学院在生物信息学领域的长期积累——该学院在王伟、孙林等骨干教师带领下，已在深度学习与生物大数据交叉方向取得系列成果，主持多项国家自然科学基金项目并发表多篇高水平论文；同时结合河南工学院在计算机科学与技术、自动控制等应用学科的技术优势。成员学术背景覆盖计算机应用、模式识别与生物信息学，擅长将深度学习架构（如卷积神经网络）与生物序列特征提取方法创新融合，在蛋白质功能预测、基因表达数据分析等方向具有丰富的研究经验
成果资料
下载app