ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）２０２３年第３７卷第６期Ｖｏｌ．３７Ｎｏ．６２０２３收稿日期：２０２２－０９－０２基金项目：国家自然科学基金面上项目（１２１７１２１０）作者简介：闫路，女，硕士研究生，主要从事生物信息学研究，Ｅ⁃ｍａｉｌ：ｙａｎｌｕ＿ｑｕｓｔ＠１６３．ｃｏｍ；通信作者王明辉，博士，教授，主要从事科学计算和生物计算研究，Ｅ⁃ｍａｉｌ：ｍｈｗａｎｇ＠ｑｕｓｔ．ｅｄｕ．ｃｎ。本文引用格式：闫路，来佳丽，王明辉．多信息融合和自注意力识别新冠磷酸化位点［Ｊ］．重庆理工大学学报（自然科学），２０２３，３７（６）：２４２－２４８．Ｃｉｔａｔｉｏｎｆｏｒｍａｔ：ＹＡＮＬｕ，ＬＡＩＪｉａｌｉ，ＷＡＮＧＭｉｎｇｈｕｉ．Ｍｕｌｔｉ⁃ｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎａｎｄｓｅｌｆ⁃ａｔｔｅｎｔｉｏｎｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｐｈｏｓｐｈｏｒｙｌａｔｉｏｎｓｉｔｅｓｏｆＳＡＲＳ⁃ＣｏＶ⁃２［Ｊ］．ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ），２０２３，３７（６）：２４２－２４８．ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４－８４２５（ｚ）．２０２３．０６．０２８多信息融合和自注意力识别新冠磷酸化位点闫路，来佳丽，王明辉（青岛科技大学数理学院，山东青岛２６６０４２）摘要：由严重急性呼吸系统综合症冠状病毒２（ＳＡＲＳ⁃ＣｏＶ⁃２）引起的疾病正在威胁着人们的健康。识别磷酸化位点是理解感染新型冠状病毒的分子机制的重要步骤。由于实验方法的局限性，建立有效的预测模型是非常有必要的，由此提出一种新的新冠磷酸化位点预测模型Ｓｅｌｆ⁃ＤｅｅｐＩＰｓ。利用二肽组成（ＤＣ），增强氨基酸组成（ＥＡＡＣ），组成、转化和分布（ＣＴＤ），ＢＬＯ⁃ＳＵＭ６２四种特征提取方法将蛋白质序列信息转化为数字信息，并首尾相连融合这些特征，采用互信息方法去除冗余信息。利用ＢＩＬＳＴＭ和自注意力机制结合构建深度学习模型预测新冠磷酸化位点。利用五折交叉验证对模型进行检验。训练集的ＡＣＣ和ＡＵＣ值分别达到８３．６２％和９１．７０％，独立测试集的ＡＣＣ和ＡＵＣ值分别达到８２．５６％和９１．２３％。实验结果表明：Ｓｅｌｆ⁃Ｄｅｅｐ⁃ＩＰｓ方法能够有效识别新冠磷酸化位点。...
