一种基于深度学习的蛋白质隐式结合位点的预测方法及其应用

本发明涉及一种基于深度学习的蛋白质隐式结合位点的预测方法。该方法包括四个阶段：数据采集、特征工程、模型训练和验证应用。首先，从蛋白质数据库获取初始数据并进行数据筛选和序列冗余度消除，标准化处理PDB结构文件，生成样本；然后，构建包含基础蛋白特征和进化保守特征的复合特征空间；接着，通过层次化特征转换和集成特征选择方法实现特征降维，构建模型；最后，验证应用表明该方法在954个非冗余蛋白质结构上获得99.44％的预测准确率，ROC‑AUC和PR‑AUC均达到0.9998，且与BioLiP数据库重叠率为44.4％。本发明能够准确识别潜在药物结合位点，尤其对难成药靶点表现出良好的泛化能力，具有重要的应用前景。