基于预训练模型，进行氨基酸序列编码，用于深度学习模型构建

本文主要是介绍基于预训练模型，进行氨基酸序列编码，用于深度学习模型构建，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本团队提供生物医学领域专业的AI（机器学习、深度学习）技术支持服务。如果您有需求，请扫描文末二维码关注我们。

在这里插入图片描述

在对氨基酸序列数据进行深度学习模型构建时，首先需要将字符形式的序列数据进行编码操作。最简单的当然是One-hot编码，但会引入稀疏性问题。这里提供一种基于预训练模型的编码方法，代码如下：

import os 
import pandas as pd 
import numpy as np 
from sentence_transformers import SentenceTransformer
import warningswarnings.filterwarnings('ignore')# 定义读取FASTA格式的氨基酸序列文件
def read_fasta(file_path):with open(file_path, 'r') as file:sequences = []sequence_names = []current_sequence = []for line in file:line = line.strip()if line.startswith('>'):if current_sequence:sequences.append(''.join(current_sequence))current_sequence = []sequence_names.append(line[1:])else:current_sequence.append(line)if current_sequence:sequences.append(''.join(current_sequence))# 返回两个list# 第一个为序列名，第二个为序列return sequence_names, sequences# 将自动下载预训练模型，如果失败，需要手动从网站下载。
# 网站地址：https://huggingface.co/monsoon-nlp/protein-matryoshka-embeddings
model = SentenceTransformer('monsoon-nlp/protein-matryoshka-embeddings')# 创建结果文件
outdir = 'embedding_results'
os.makedirs(outdir, exist_ok=True)
os.makedirs(f"{outdir}/SingleSeqEmbedding", exist_ok=True)# 读取氨基酸序列
sequence_names, sequences = read_fasta('proteinSquence-zheng.txt')
print(f"共读入了 {len(sequence_names)} 条氨基酸序列")# 将读入的序列转为CSV格式，并进行保存
df = pd.DataFrame({'seq_name': sequence_names,'sequence': sequences})
df.to_csv(f"{outdir}/sequences.csv", index=False)# 每条序列单独编码
for idx, sequence in enumerate(sequences):embedding = model.encode(sequence)np.save(f'{outdir}/SingleSeqEmbedding/embedding_{idx}.npy', embedding)# 所有序列编码为一个矩阵
embeddings = model.encode(sequences)
np.save(f'{outdir}/embeddings.npy', embeddings)print('编码后的序列维度为: ', embeddings.shape)