diff --git a/GPS 5.0M.py b/GPS 5.0M.py index 5ee0ba8..0fba191 100644 --- a/GPS 5.0M.py +++ b/GPS 5.0M.py @@ -7,7 +7,7 @@ from pathlib import Path def trainning(): length = 30 - fold = 10 + fold = 10 # 交叉验证的折数 if not Path('POS.txt').exists(): raise FileNotFoundError("POS.txt or NEG.txt not found.") f1 = open(r"POS.txt", "r") @@ -32,7 +32,7 @@ def trainning(): total = 0.0 for j in range(len(l_scores[i])): total += l_scores[i][j] - raw_scores.append(total) # 展平所有打分 + raw_scores.append(total) # 展平所有打分 可以直接用于排序、筛选或者特征归一化 X = np.array(l_scores) # 所有评分 Y = np.array(l_type) # 所有正负列表的标签 PEP = np.array(l_peps) # 原始丙酰化肽段的原始字符串 @@ -96,53 +96,68 @@ def newAAScore(AAscores, l_aas, AAs, MM_coef): def getWeightScoreType(pos, neg, matrix, AAs,length): - scores = [] # scores 是一个二维列表，用于存储每个位置上的氨基酸得分。 + ''' + 这个函数计算每个肽段的得分向量，其中每个位置的得分是基于 BLOSUM62 矩阵和位置权重。 + 获取位置权重确定 PWD 矩阵 + 参数解释： + pos: 正样本长度61氨基酸的set集合 + neg: 负样本长度61氨基酸的set集合 + matrix: 62*62的矩阵，用于计算每个氨基酸对位置的权重，即AAscores + AAs: 24个氨基酸的列表，用于索引矩阵 + length: 肽段的长度，用于确定打分矩阵的行数，即打分矩阵的行数等于肽段的长度*2+1 + return: l_scores, l_type,l_peps + l_scores: 二维列表，存储每个肽段的打分向量，打分向量是长度为61的列表，每个位置上的打分是该位置上所有氨基酸的打分之和。 + l_type: 二维列表，存储肽段的标签，1表示正样本，0表示负样本。 + l_peps: 二维列表，存储肽段的原始字符串。 + ''' + scores = [] # scores 是一个二维列表，用于存储正样本每个位置上的氨基酸得分矩阵。 for i in range(length*2+1): # 61 = 30+1+30 pos_score = [] - for j in range(len(AAs)): - aa1 = AAs[j] - score = 0.0 - for oth in pos: - aa2 = oth[i:i + 1] - aas = aa1 + "_" + aa2 - aas2 = aa2 + "_" + aa1 + for j in range(len(AAs)): # 遍历每种氨基酸 + aa1 = AAs[j] # 当前氨基酸 + score = 0.0 # 初始化得分为 0 + for oth in pos: # 遍历所有正样本 + aa2 = oth[i:i + 1] # 正样本中当前位置的氨基酸 + aas = aa1 + "_" + aa2 # 生成氨基酸对的键 + aas2 = aa2 + "_" + aa1 # 反向氨基酸对的键 if aas in matrix: - score += matrix[aas] + score += matrix[aas] # 替代矩阵中的相似性得分 else: score += matrix[aas2] - pos_score.append(score) + pos_score.append(score) # 将得分加入当前位置的氨基酸列表 scores.append(pos_score) - l_scores = [] # l_scores 是一个二维列表，用于存储每个肽段的得分向量。 + l_scores = [] # l_scores 是一个二维列表，用于存储每个肽段的得分向量。对每个肽段，最终形成一个长度为 61 的向量. l_type = [] l_peps = [] for pep in pos: score = [] - for i in range(len(pep)): # range(0,61) - aa = pep[i:i + 1] - index = AAs.index(aa) - aascore = (scores[i][index] - matrix[aa + "_" + aa]) / (len(pos) - 1) # 减去自身样本的影响，使用样本均值 - score.append(aascore) - l_scores.append(score) - l_type.append(1) - l_peps.append(pep) + for i in range(len(pep)): # 遍历肽段的每个位置 + aa = pep[i:i + 1] # 当前肽段在位置 i 的氨基酸 + index = AAs.index(aa) # 获取氨基酸在 AAs 列表中的索引 + aascore = (scores[i][index] - matrix[aa + "_" + aa]) / (len(pos) - 1) # 计算平均得分 + score.append(aascore) # 加入当前肽段的位置得分 + l_scores.append(score) # 将该肽段的打分向量加入到结果列表 + l_type.append(1) # 标签为 1，表示正样本 + l_peps.append(pep) # 保存肽段的原始字符串 # num = 0 for pep in neg: score = [] for i in range(len(pep)): - aa = pep[i:i + 1] - index = AAs.index(aa) - aascore = scores[i][index] / len(pos) # 负样本本身就是噪音并不需要调整自身影响。 - score.append(aascore) - l_scores.append(score) - l_type.append(0) - l_peps.append(pep) + aa = pep[i:i + 1] # 当前肽段在位置 i 的氨基酸 + index = AAs.index(aa) # 获取氨基酸在 AAs 列表中的索引 + aascore = scores[i][index] / len(pos) # 直接取正样本的平均得分 # 负样本本身就是噪音并不需要调整自身影响。 + score.append(aascore) # 加入当前肽段的位置得分 + l_scores.append(score) # 将该肽段的打分向量加入到结果列表 + l_type.append(0) # 标签为 0，表示负样本 + l_peps.append(pep) # 保存肽段的原始字符串 - return l_scores, l_type,l_peps + return l_scores, l_type,l_peps # 返回含有正负样本的打分向量，打分向量是长度为61的列表，每个位置上的打分是该位置上所有氨基酸的打分之和。 def getMMScoreType(pos, neg, matrix, weights, l_aas, AAs,length): + # 这个函数计算每个肽段的得分向量，其中每个位置的得分是基于氨基酸对的评分矩阵和位置权重。SMO 矩阵权重 """ 参数解释： @@ -188,16 +203,16 @@ def getMMScoreType(pos, neg, matrix, weights, l_aas, AAs,length): score_neg = [] for j in range(len(AAs)): aa1 = AAs[j] - score = [] - for z in range(len(l_aas)): - score.append(0.0) + score = [] # 是一个长度为 300 的列表，用来保存每个氨基酸对在当前位置的得分。 + for z in range(len(l_aas)): # 遍历所有氨基酸对 (a, b) + score.append(0.0) # 初始化每个氨基酸对的得分 for oth in pos: aa2 = oth[i:i + 1] aas1 = aa1 + "_" + aa2 aas2 = aa2 + "_" + aa1 if aas1 in l_aas: index = l_aas.index(aas1) - score[index] += matrix[aas1] * weights[i] + score[index] += matrix[aas1] * weights[i] # 计算 (a, b) 对应位置 j 的得分 elif aas2 in l_aas: index = l_aas.index(aas2) score[index] += matrix[aas2] * weights[i] @@ -360,6 +375,8 @@ def logistic_GPS(X: bytearray, Y: bytearray,PEP,type,turn): 肽段数据，形状为 (n_samples,)，表示每个样本的肽段序列。虽然在 logistic_GPS 函数中没有直接使用 PEP，但它可能在后续的处理中被用到，例如在 writeParameter_WW 或 writeParameter_MM 函数中。 主要功能是执行逻辑回归训练，特别是交叉验证选择最佳正则化参数 C，并根据此参数训练逻辑回归模型，返回权重系数和 AUC 分数。 + turn: 训练轮次，用于动态调整正则化参数 C 的值。 + return list_coef: list of float 权重系数，形状为 (n_features,)，表示每个特征的权重。用于加权评分。 @@ -378,18 +395,26 @@ def logistic_GPS(X: bytearray, Y: bytearray,PEP,type,turn): 重点在于结合氨基酸对的评分矩阵和位置权重，进一步优化模型的性能。 通常用于后续的训练阶段，通过矩阵乘法进一步调整权重，提高模型的准确性。 ''' - solverchose = 'sag' + solverchose = 'sag' # 选择求解器 clscv = LogisticRegressionCV(max_iter=10000, cv=10, solver=solverchose,scoring='roc_auc') # LogisticRegressionCV 的目标是通过最大化AUC交叉验证找到最佳的 C 值 - clscv.fit(X, Y) + ''' + max_iter=10000: 设置最大迭代次数。 + cv=10: 使用 10 折交叉验证。 + solver='sag': 使用随机平均梯度下降求解器。 + scoring='roc_auc': 使用 ROC AUC 作为评分标准。 + ''' + clscv.fit(X, Y) # PWD 权重优化：通过逻辑回归计算每个位置的权重 Wj #regularization = clscv.C_[0] regularization = clscv.C_[0] * (10**(-turn)) # 动态调整C的值，通过10^turn 来调整正则化的强度。 print("C=" + str(regularization)) + # 使用最佳正则化参数训练逻辑回归模型 cls = LogisticRegression(max_iter=10000,solver=solverchose,C=regularization) cls.fit(X, Y) - list_coef = cls.coef_[0] + # 获取权重系数和 AUC 分数: + list_coef = cls.coef_[0] # 权重Wj，反映每个位置在区分正负样本时的重要性，用于后续加权特征计算。 predict_prob_x = cls.predict_proba(X) predict_x = predict_prob_x[:, 1] - auc = roc_auc_score(Y,np.array(predict_x)) + auc = roc_auc_score(Y,np.array(predict_x)) # 通过 ROC 曲线评估模型性能，对应论文中的交叉验证 AUC 分数计算。 print("AUC:" + str(auc)) return list_coef,auc diff --git a/MAML.py b/MAML.py index 29ee6bb..0300abe 100644 --- a/MAML.py +++ b/MAML.py @@ -15,8 +15,8 @@ def fetshot(): length = 30 nfold = 5 - f1 = open(r"functionsite.txt", "r") - f2 = open(r"POS.txt", "r") + f1 = open(r"demo/functionsite", "r") + f2 = open(r"demo/POS.txt", "r") funcinf = set() for line in f1.readlines(): site = line.strip() @@ -45,7 +45,7 @@ def fetshot(): print(len(neg)) AAscores, l_aas, weight_coef, AAs = \ - WeightAndMatrix("traningout_best.txt") + WeightAndMatrix("demo/traningout_best.txt") l_scores, l_type, peps = getMMScoreType(pos, new_neg, AAscores, weight_coef, l_aas, AAs, length) raw_scores = [] for i in range(len(l_scores)): diff --git a/README.md b/README.md index 72ef71a..a57cd77 100644 --- a/README.md +++ b/README.md @@ -35,5 +35,10 @@ Dr. Luoying Zhang: zhangluoying@hust.edu.cn Chenwei Wang: wangchenwei@hust.edu.cn Ke Shui: shuike@hust.edu.cn +## env + +```shell +conda install -c conda-forge -y keras==2.4.3 numpy scikit-learn pandas +``` diff --git a/Tools.py b/Tools.py index c5c4735..77fc1bc 100644 --- a/Tools.py +++ b/Tools.py @@ -2,11 +2,14 @@ import numpy as np def blosum62(): f1 = open("BLOSUM62","r") l_AAS = [] - AAs = [] + AAs = [] # 取BLOSUM62第一列 scores = {} for line in f1.readlines(): + print('line:',line) sp = line.split() + print('sp:',sp) aa = sp[0] + print('aa:',aa) AAs.append(aa) num = 0 f1 = open("BLOSUM62","r")