本技术属于机器学习和数据挖掘领域，尤其涉及一种预测蛋白质间相互作用的方法、装置、设备及介质。
背景技术：
1、物种存在多种多样的蛋白质，人们对生命活动的理解往往离不开蛋白质间的相互作用，通过传统的生物实验方法难以完全确定物种所有的蛋白质间相互作用、然而，可以通过计算机设计来对物种的所有的蛋白质间相互作用来进行全预测。因此，如何通过计算机设计来高效且准确地预测出蛋白质间缺失的相互作用成为了业界日益关注的问题。
2、近年来，许多学者提出了用于预测缺失蛋白质间相互作用的算法，其中，使用基于神经网络(neural network,nn)的ppi网络低秩学习模型可以进行缺失值的有效预测。然而，这种方法没有充分考虑到蛋白质间相互作用的对称性和非负性，使得它们在ppi网络上的预测性能受限。有学者使用基于对称非负矩阵分解(symmetric nonnegative matrixfactorization,snmf)的ppi网络低秩学习模型来进行缺失值的预测。然而，面对如此高度不完备数据，它们训练所需的预填充操作会导致不必要的时间成本和信息损失。
3、另一方面，有学者使用基于对称非负隐特征(symmetric nonnegative latentfactor,snlf)的ppi网络低秩学习模型来进行缺失值的预测。然而，基于snlf的ppi网络低秩学习模型仍存在如下局限性：1)训练过程中模型的收敛曲线存在震荡部分，且震荡幅度较大，意味着模型在局部最优处寻优的能力较弱，容易错过局部最优解；2)收敛速度慢。由于用于求解学习模型的算法源于增量梯度下降算法，所以模型训练过程中容易陷需要迭代许多轮才能达到收敛状态。
技术实现思路
1、针对于现有技术中对缺失蛋白质间相互作用预测过程中寻找最优解的能力较弱，且收敛速度较慢的问题，本技术实施例提供了一种预测蛋白质间相互作用的方法、装置、设备及介质，以减少模型在预测过程中的曲线震荡，并减少模型的迭代次数，以便更快更准确的确定蛋白质间的相互作用。
2、第一方面，本技术实施例提供了一种预测蛋白质间相互作用的方法，包括：
3、获取初始蛋白质间相互作用数据，根据初始蛋白质间相互作用数据构建不完备对称矩阵r；
4、构建动态偏置嵌入的对称非负隐特征模型并进行参数初始化；
5、对对称非负隐特征模型进行迭代优化，得到优化后的非负隐特征矩阵；
6、根据优化后的非负隐特征矩阵计算缺失蛋白质间的相互作用预测值。
7、在第一方面的一种可能的实现方式中，获取初始蛋白质间相互作用数据，根据初始蛋白质间相互作用数据构建不完备对称矩阵r，包括：
8、根据初始蛋白质间相互作用数据，构建蛋白质间相互作用网络，蛋白质间相互作用网络包括蛋白质集合和已知的蛋白质间相互作用的置信度；
9、根据蛋白质集合和已知的蛋白质间相互作用的置信度，构建不完备对称矩阵r。
10、进一步的，构建动态偏置嵌入的对称非负隐特征模型并进行参数初始化，包括：
11、构建特征矩阵p，偏置矩阵b和权重矩阵w；
12、根据不完备对称矩阵构建目标函数ε：
13、
14、s.t.i,j∈{1,2,...,|n|},d∈{1,2,...,d},f∈{1,2,...,f}:
15、pi,d≥0,pj,d≥0,bi,f≥0,bj,f≥0,wi,f＝{0,1},wj,f＝{0,1}.
16、
17、其中，ri,j是矩阵r的第i行第j列的元素，λ是矩阵r中已知的蛋白质间相互作用的置信度的集合，pi,d是矩阵p的第i行第d列的元素，pj,d是矩阵p的第j行第d列的元素，bi,f是矩阵b的第i行第f列的元素，bj,f是矩阵b的第j行第f列的元素，wi,f是矩阵w的第i行第f列的元素，wj,f是矩阵w的第j行第f列的元素，|n|为矩阵r的列数，d为矩阵p的列数，f为矩阵b或矩阵w的列数；
18、初始化目标函数中用于预测蛋白质间相互作用的相关参数。
19、进一步的，初始化目标函数中用于预测的相关参数，包括：
20、将特征矩阵p和偏置矩阵b中的元素初始化为(0,1)之间的实数；
21、根据偏置矩阵b中的元素，对权重矩阵w进行初始化，权重矩阵w的初始化规则为：
22、
23、其中，表示初始化完毕的bi,f，表示初始化完毕的wi,f，θ是一个预设的超参数值，取值范围为(0,1)之间的实数。
24、进一步的，对对称非负隐特征模型进行迭代优化，得到优化后的非负隐特征矩阵，包括：
25、对特征矩阵p、偏置矩阵b和权重矩阵w进行迭代更新，当更新轮数t为1时，更新公式如下：
26、
27、其中，表示经过第一轮更新后的pi,d，表示初始化完毕的pi,d，表示初始化完毕的pj,d，表示经过第一轮更新后的bi,f。λ(i)为λ集合中行标为i的元素集合；
28、当更新轮数t≥2时，更新公式如下：
29、
30、其中，表示经过t轮更新后的pi,d，表示经过(t-1)轮更新后的pi,d，表示经过(t-1)轮更新后的pj,d，表示经过(t-2)轮更新后的pj,d，表示经过t轮更新后的bi,f，表示经过(t-1)轮更新后的bi,f，表示经过(t-2)轮更新后的bi,f，表示经过(t-1)轮更新后的wi,f，γ表示用于模型训练加速的动量系数；
31、当更新轮数t≥1时，每更新完一轮偏置矩阵b后，就需要通过如下规则来更新一次权重矩阵w：
32、
33、进一步的，根据优化后的非负隐特征矩阵和不完备对称矩阵r计算缺失蛋白质间的相互作用预测值，包括：
34、将非负隐特征矩阵与该矩阵的转置矩阵相乘得到一个与所述不完备对称矩阵r相同结构的矩阵r_hat。根据r_hat可以得到r中缺失值的预测值。
35、第二方面，本技术实施例提供了一种预测蛋白质间相互作用的装置，包括：
36、数据转换模块，用于获取初始蛋白质间相互作用数据，并根据初始蛋白质间相互作用数据构建不完备对称矩阵；
37、模型初始化模块，用于构建动态偏置嵌入的对称非负隐特征模型并进行参数初始化；
38、模型训练模块，对对称非负隐特征模型进行迭代优化，得到优化后的非负隐特征矩阵；
39、预测模块，用于根据优化后的非负隐特征矩阵和不完备对称矩阵计算缺失蛋白质间的相互作用预测值。
40、进一步的，模型初始化模块包括矩阵构建模块、目标函数构建模块和初始化模块，其中，
41、矩阵构建模块，用于构建特征矩阵，偏置矩阵和权重矩阵；
42、目标函数构建模块，用于根据不完备对称矩阵、特征矩阵、偏置矩阵和权重矩阵构建目标函数；
43、初始化模块，用于初始化目标函数中用于预测蛋白质间相互作用的相关参数。
44、第三方面，本技术实施例提供了一种终端设备，包括：
45、存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，计算机指令被处理器运行时，完成上述任一方法的步骤。
46、第四方面，本技术实施例提供了一种计算机可读存储介质，包括：一种计算机可读存储介质，其上存储有计算机指令，计算机指令被处理器运行时，完成上述任一方法的步骤。
47、本技术实施例与现有技术相比存在的有益效果是：
48、在生物学中，蛋白质间的相互作用是细胞内部各种生物学过程的基础，对于细胞的信号传导、代谢调节等具有重要作用。本技术通过动态偏置嵌入的对称非负隐特征模型中不同的参数矩阵来描述蛋白质间的作用关系，能够有效处理稀疏数据，尤其适用于大规模数据集中存在大量缺失值的情况，提高了预测系统对数据的利用效率。同时本技术通过动态参数更新机制，模型可以自适应地调整参数，更好地适应数据的变化，提高了模型的鲁棒性和收敛速度。
1.一种预测蛋白质间相互作用的方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述获取初始蛋白质间相互作用数据，根据所述初始蛋白质间相互作用数据构建不完备对称矩阵r，包括：
3.如权利要求1所述的方法，其特征在于，所述构建动态偏置嵌入的对称非负隐特征模型并进行参数初始化，包括：
4.如权利要求3所述的方法，其特征在于，所述初始化所述目标函数中用于预测的相关参数，包括：
5.如权利要求4所述的方法，其特征在于，所述对所述对称非负隐特征模型进行迭代优化，得到优化后的非负隐特征矩阵，包括：
6.如权利要求1所述的方法，其特征在于，根据所述优化后的非负隐特征矩阵计算缺失蛋白质间的相互作用预测值，包括：
7.一种预测蛋白质间相互作用的装置，其特征在于，包括：
8.如权利要求7所述的装置，其特征在于，所述模型初始化模块包括矩阵构建模块、目标函数构建模块和初始化模块，其中，
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
