所属的技术人员知道，本发明可以实现为系统、方法或计算机程序产品，因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
背景技术：
1、信号肽是一类短链多肽分子，它们在生物体内起到信号传递的作用。信号肽通常由20-30个氨基酸组成，通过在细胞间或细胞内进行扩散或传递信号。信号肽在生理调节、细胞通信以及生物过程的调控中起着重要的作用。信号肽的结构和序列非常多样化，不同的信号肽可以触发不同的细胞反应和生理过程。信号肽是指导新合成的蛋白质从细胞质移动到内质网进行转录-翻译复合体的关键因素，这个过程对于蛋白质的正确折叠和修饰是必要的。与信号肽相关的分泌蛋白、细胞膜蛋白等和大部分药物靶点的研发息息相关。
2、信号肽在维持生理平衡、调节细胞功能等方面发挥着重要作用。研究信号肽可以为开发新型治疗药物提供理论依据和实验基础，对于心血管、消化、神经等多种疾病的治疗具有广泛应用前景。对信号肽的研究可以为疾病治疗和药物开发提供重要的理论支持和实验基础。例如，可能可以通过调控信号肽来控制蛋白质的合成、修饰和折叠，从而达到治疗某些疾病的目的。同时，信号肽也可能成为药物研发中的新靶点，帮助开发出更具针对性的药物。
3、目前人们针对信号肽生成任务主要使用经典机器学习的方法，而结合量子计算的量子援助的条件生成对抗神经网络的信号肽生成任务尚未涉及。
4、现有的技术使用经典计算机上的机器学习模型对信号肽进行学习和生成。采用经典神经网络，对信号肽结构信息进行学习和生成，需要有较复杂的神经网络模型的设计以及超参数的调整技巧，且用于训练需要的数据量较大。经典计算机使用经典比特进行计算，与量子计算机使用的量子比特有比较大的区别。在相同比特情况下量子计算机由于其巨大的希尔伯特空间能处理并产生更多的数据，且经典计算的随机性并非完全随机，而量子计算机基于其纠缠和叠加特性在测量时具有完全随机的特性。
技术实现思路
1、本发明所要解决的技术问题是针对现有技术的不足，具体提供了一种基于量子援助的条件生成对抗神经网络的信号肽生成方法，具体如下：
2、1)第一方面，本发明提供一种基于量子援助的条件生成对抗神经网络的信号肽生成方法，具体技术方案如下：
3、s1、根据信号肽数据库，得到量子随机噪声；
4、s2、将信号肽类别标签信息和量子随机噪声输入经典生成神经网络，生成假的信号肽的数据特征，假的信号肽的数据特征的维度与真实信号肽的数据特征的维度相同；
5、s3、将假的信号肽的数据特征和假的信号肽对应的类别标签信息输入经典判别神经网络中，得到第一预测结果，将真实的信号肽的数据特征和真实的信号肽对应的类别标签信息输入经典判别神经网络中，得到第二预测结果；
6、s4、将第一预测结果和第二预测结果组合成用于训练经典判别神经网络的第一损失函数，根据第一损失函数更新经典判别神经网络的参数；
7、s5、当更新经典判别神经网络的参数的次数达到预设次数阈值后，将假的信号肽特征信息和假的信号肽特征信息对应的类别标签信息输入当前的经典判别神经网络中，得到预测结果，根据预测结果构建用于训练经典生成神经网络的第二损失函数，根据第二损失函数更新经典生成神经网络的参数，使当前的经典判别神经网络将假的信号肽特征信息判别为真；
8、s6、返回执行s1，直至最新得到的经典判别神经网络不能判断出输入的是否为生成的假的信号肽特征信息；
9、s7、利用最新得到的经典生成神经网络，结合量子随机噪声，生成信号肽的数据特征。
10、本发明提供的一种基于量子援助的条件生成对抗神经网络的信号肽生成方法的有益效果如下：
11、采用基于量子力学基本原理的全新的计算模式即量子计算，能够保证生成的信号肽的数据特征的质量，可以采用真实的量子计算机，并利用真实的量子计算机的巨大的希尔伯特空间和完全随机性，而且，可以生成不同类别如细菌和病毒特性的信号肽的数据特征。
12、在上述方案的基础上，本发明的一种基于量子援助的条件生成对抗神经网络的信号肽生成方法还可以做如下改进。
13、进一步，根据信号肽数据库，得到量子随机噪声，包括：
14、对信号肽数据库进行预处理，得到用于表征真实信号肽的特征信息；
15、根据表征真实信号肽的特征信息，构造量子电路；
16、测量量子电路中的所有量子比特，得到测量结果，将测量结果作为量子随机噪声。
17、进一步，根据表征真实信号肽的特征信息，构造量子电路，包括：根据表征真实信号肽的特征信息的大小，确定量子比特数，根据量子比特数构造量子电路。
18、进一步，根据第二损失函数更新经典生成神经网络的参数之前，还包括：固定当前的经典判别神经网络的参数。
19、2)第二方面，本发明还提供一种基于量子援助的条件生成对抗神经网络的信号肽生成系统，具体技术方案如下：
20、包括：量子随机噪声获取模块、训练模块和信号肽数据特征生成模块；
21、量子随机噪声获取模块用于：根据信号肽数据库，得到量子随机噪声；
22、训练模块用于：将信号肽类别标签信息和量子随机噪声输入经典生成神经网络，生成假的信号肽的数据特征，假的信号肽的数据特征的维度与真实信号肽的数据特征的维度相同；将假的信号肽的数据特征和假的信号肽对应的类别标签信息输入经典判别神经网络中，得到第一预测结果，将真实的信号肽的数据特征和真实的信号肽对应的类别标签信息输入经典判别神经网络中，得到第二预测结果；将第一预测结果和第二预测结果组合成用于训练经典判别神经网络的第一损失函数，根据第一损失函数更新经典判别神经网络的参数；当更新经典判别神经网络的参数的次数达到预设次数阈值后，将假的信号肽特征信息和假的信号肽特征信息对应的类别标签信息输入当前的经典判别神经网络中，得到预测结果，根据预测结果构建用于训练经典生成神经网络的第二损失函数，根据第二损失函数更新经典生成神经网络的参数，使当前的经典判别神经网络将假的信号肽特征信息判别为真，重新调用量子随机噪声获取模块，直至最新得到的经典判别神经网络不能判断出输入的是否为生成的假的信号肽特征信息；
23、信号肽数据特征生成模块用于：利用最新得到的经典生成神经网络，结合量子随机噪声，生成信号肽的数据特征。
24、在上述方案的基础上，本发明的一种基于量子援助的条件生成对抗神经网络的信号肽生成系统还可以做如下改进。
25、进一步，量子随机噪声获取模块具体用于：
26、对信号肽数据库进行预处理，得到用于表征真实信号肽的特征信息；
27、根据表征真实信号肽的特征信息，构造量子电路；
28、测量量子电路中的所有量子比特，得到测量结果，将测量结果作为量子随机噪声。
29、进一步，量子随机噪声获取模块还具体用于：根据表征真实信号肽的特征信息的大小，确定量子比特数，根据量子比特数构造量子电路。
30、进一步，训练模块还具体用于：在根据第二损失函数更新经典生成神经网络的参数之前，固定当前的经典判别神经网络的参数。
31、3)第三方面，本发明还提供一种计算机设备，计算机设备包括处理器，处理器与存储器耦合，存储器中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机设备实现上述任一项基于量子援助的条件生成对抗神经网络的信号肽生成方法。
32、4)第四方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机实现上述任一项基于量子援助的条件生成对抗神经网络的信号肽生成方法。
33、需要说明的是，本发明的第二方面至第四方面的技术方案及对应的可能的实现方式所取得的有益效果，可以参见上述对第一方面及其对应的可能的实现方式的技术效果，此处不再赘述。
1.一种基于量子援助的条件生成对抗神经网络的信号肽生成方法，其特征在于，包括：
2.根据权利要求1所述的一种基于量子援助的条件生成对抗神经网络的信号肽生成方法，其特征在于，根据信号肽数据库，得到量子随机噪声，包括：
3.根据权利要求2所述的一种基于量子援助的条件生成对抗神经网络的信号肽生成方法，其特征在于，根据表征真实信号肽的特征信息，构造量子电路，包括：根据表征真实信号肽的特征信息的大小，确定量子比特数，根据量子比特数构造量子电路。
4.根据权利要求3所述的一种基于量子援助的条件生成对抗神经网络的信号肽生成方法，其特征在于，根据所述第二损失函数更新所述经典生成神经网络的参数之前，还包括：固定所述当前的经典判别神经网络的参数。
5.一种基于量子援助的条件生成对抗神经网络的信号肽生成系统，其特征在于，包括：量子随机噪声获取模块、训练模块和信号肽数据特征生成模块；
6.根据权利要求5所述的一种基于量子援助的条件生成对抗神经网络的信号肽生成系统，其特征在于，所述量子随机噪声获取模块具体用于：
7.根据权利要求6所述的一种基于量子援助的条件生成对抗神经网络的信号肽生成系统，其特征在于，所述量子随机噪声获取模块还具体用于：根据表征真实信号肽的特征信息的大小，确定量子比特数，根据量子比特数构造量子电路。
8.根据权利要求5所述的一种基于量子援助的条件生成对抗神经网络的信号肽生成系统，其特征在于，所述训练模块还具体用于：在根据所述第二损失函数更新所述经典生成神经网络的参数之前，固定所述当前的经典判别神经网络的参数。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器与存储器耦合，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以使所述计算机设备实现如权利要求1至4任一项权利要求所述的一种基于量子援助的条件生成对抗神经网络的信号肽生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使计算机实现如权利要求1至4任一项权利要求所述的一种基于量子援助的条件生成对抗神经网络的信号肽生成方法。
