蛋白质是一种重要的大分子,在生物体内发挥着催化转运等基础又关键的作用。针对蛋白质分子功能的研究对于医疗与制药行业有着不可估量的影响,而研究显示,蛋白质的功能在很大程度上由它的结构决定。因此蛋白质结构的研究在很长时间内都是人们攻坚的焦点。随着测序技术的发展,蛋白质序列信息不断增长,相应的蛋白质结构信息则由于生物实验方式的困难与昂贵增长缓慢。因此,如何从蛋白质的氨基酸序列出发预测它的折叠结构成为了一个重要的问题。随着计算机科学的发展和生物数据的增长,生物信息学这一交叉学科逐渐在这类问题的解决中崭露头角,通过计算机科学的方式从序列出发预测蛋白质的结构成为了一个热门的研究领域,给使用生物实验搜索蛋白质结构的方式提供了强大的助力。而蛋白质氨基酸关联图的预测问题是从序列出发预测蛋白质结构流程中的一个关键环节,一个好的氨基酸关联图预测结果能够大大提高结构搜索的正确率。本文针对基于深度卷积神经网络的蛋白质氨基酸关联图预测问题进行了研究。搭建了学习测试需要的数据集。基于简洁的卷积神经网络实现预测以提升蛋白质氨基酸关联图预测的效率。基于权重交叉熵解决正负样本不平衡的问题。探讨网络感受野的重要性并通过空洞卷积提升了蛋白质氨基酸关联图预测的性能。提出了一种基于迭代的预测框架进一步提升了性能。具体来说,本文的研究主要包括以下内容:1.针对蛋白质氨基酸关联图预测领域公开数据缺少的情况,以国际蛋白质结构数据库PDB为来源建立了一个包含9995蛋白质的学习数据集。其中每一个蛋白质的数据包含了7种不同的特征,包括结构特征和物理化学特征等。另外,除了两个领域内通用测试集外,本文还组建了一个包含207个蛋白质的独立测试集用于测试算法性能。2.针对大多数传统蛋白质氨基酸关联图预测算法逐残基对预测这种效率低下的做法,本文提出了一种基于卷积神经网络的蛋白质氨基酸关联图预测算法,该算法流程简洁,预测效率高。以残差网络为基础,在结构设计时引入多种考虑来适应蛋白质氨基酸关联图预测问题的需求,包括输入尺寸不定和显存需求量大等。实现的端到端算法可以同时对一个蛋白质的所有残基对进行预测。3.针对蛋白质氨基酸关联图预测问题中明显的正负样本不平衡问题,本文提出了一种新的权重交叉熵来解决这个问题。由于本文的算法同时预测一个蛋白质内的所有残基对,损失函数的权重通过一种预计算的掩模形式的权重矩阵来赋予。最终可以达到算法不偏重负样本和大蛋白质的效果。4.针对模型由于感受野不够导致大蛋白质氨基酸关联图预测效果不佳的问题,本文引入了空洞卷积以增大网络感受野,进一步提升了蛋白质氨基酸关联图预测性能。在基于卷积神经网络的预测算法中,网络的感受野大小决定了在预测一个残基对时考虑的周边信息的多少,因此大感受野在蛋白质氨基酸关联图预测中有着重要的作用。而基于空洞卷积的算法在不增加模型复杂度和保持特征图尺寸的条件下获得了更大的感受野。5.在上述预测模型的基础上,本文提出了一种迭代的思想以进一步提升预测性能。将新的二维预测矩阵加入输入特征能够提高单模型的预测精度。受这一点的启发,将自身单模型的预测矩阵重复利用,以迭代的形式提升最终的预测精度。最后,本文比较了两种集成学习的方式,并使用平均法提升了整体框架的预测效果。