本发明属于纳米酶预测，特别涉及一种基于深度学习预测纳米酶的方法及系统。
背景技术：
1、纳米酶是具有酶催化特性的纳米材料，与天然酶不同，纳米酶对不同的温度和ph条件表现出相对较高的稳定性和耐受性。结合纳米材料的内在特性，纳米酶在生物传感、抗菌、环境污染、疾病治疗等领域具有广泛的应用潜力。然而，纳米酶的粒子-性质关系是复杂的，其活性受到许多因素的影响，包括粒子的大小、形状、表面性质等。
2、在现有技术方案中，一种使用机器学习算法理解粒子-性质关系的数据驱动方法在纳米酶的分类和定量预测中表现出效果。该方法能够处理纳米酶的高稳定性和耐受性，并且该方法在生物传感、抗菌、环境污染、疾病治疗等领域具有应用潜力。该方法通过机器学习来揭示纳米酶特征与类酶性能之间隐藏的关系，以促进具有优先功能的纳米酶的预测和开发。此外，该技术还包括开发基于dnn的全连接模型，用于分类和定量预测纳米材料的酶样活性。为了建立模型，将提取的数据经过数字化处理后，手工分为内部因素和外部因素。对于预测纳米酶，这些因素首先作为独立变量被填充到输入模块中。
3、然而，这种现有的技术方案也存在一些问题，如合成具有所需特性的纳米酶通常需要通过试错和直觉和经验来决定，这是费时、费力和资源密集型的。此外，纳米酶的复杂性和多样性也使得预测和开发工作变得更加复杂。
技术实现思路
1、针对上述问题，本发明的目的是解决上述问题，提出一种基于深度学习预测纳米酶的方法及系统，利用机器学习算法来理解粒子-性质关系，允许对纳米酶表现出的类酶活性进行分类和定量预测。这种方法的精度高，能有效节省合成纳米酶所需要的时间和资源，显著提升纳米酶的开发效率。
2、本发明的第一个目的在于提供一种基于深度学习预测纳米酶的方法，包括：
3、基于获取的包含纳米酶基础属性的数据，构建纳米酶属性数据库；
4、基于纳米酶属性数据库，用机器学习模型构建纳米酶初步预测模型；
5、基于纳米酶初步预测模型、叶斯优化法和随机梯度提升，得纳米酶预测模型；
6、基于纳米酶预测模型，获得纳米酶类型和/或活性。
7、在本发明实施例中，所述纳米酶基础属性包括纳米酶的种类、活性、结构、形状、尺寸、稳定性和环境条件，平均电负性，平均电荷密度，平均氧化还原电位，纳米酶维度的“单一体积”参数。
8、在本发明实施例中，所述基于获取的包含纳米酶基础属性的数据，构建纳米酶属性数据库，包括：
9、以纳米酶基础属性为关键词，进行第一次检索；
10、对第一次检索所得的数据进行影响因子排序；
11、筛选影响因子排序在前的数据，得一次筛选数据；
12、用chatgpt对一次筛选数据进行提取，得提取数据；
13、根据纳米酶基础属性对提取数据进行复核，得复核数据；
14、将复核数据以csv文件格式存储，得纳米酶属性数据库。
15、在本发明实施例中，所述以纳米酶基础属性为关键词，在第一次检索中，存在纳米酶基础属性中有缺失的属性关键词时，对第一次检索所得的论文进行填补空缺，所述填补空缺的方法，包括：
16、以缺少的纳米酶属性为关键词，进行第二次检索；
17、对第二次检索所得的论文数据，进行判断；
18、基于判断的结果，将第二次检索所得的数据补充到纳米酶属性数据库中；
19、和/或，
20、用knn算法填补纳米酶属性数据库。
21、在本发明实施例中，所述机器学习模型包括线性回归、决策树、支持向量回归、梯度提升回归、人工神经网络和随机森林回归。
22、在本发明实施例中，所述纳米酶预测模型包括纳米酶adaboost模型和纳米酶gbr模型。
23、在本发明实施例中，所述基于纳米酶初步预测模型、叶斯优化法和随机梯度提升，得纳米酶预测模型，包括：
24、基于叶斯优化法对纳米酶初步预测模型进行超参数调整，得纳米酶adaboost模型；
25、基于纳米酶属性数据库，用数据元分析和相关矩阵算法，对参数进行选择；
26、基于决定系数和平均绝对误差的比较，选择提升梯度；
27、进行梯度提升回归，得纳米酶gbr模型。
28、本发明的第二个目的在于提供一种基于深度学习预测纳米酶的系统，包括：
29、数据库构建模块用于基于获取的包含纳米酶基础属性的数据，构建纳米酶属性数据库；
30、初步构建模块用于基于纳米酶属性数据库，用机器学习模型构建纳米酶初步预测模型；
31、优化提升模块用于基于纳米酶初步预测模型、叶斯优化法和随机梯度提升，得纳米酶预测模型；
32、预测模块用于基于纳米酶预测模型，获得纳米酶类型和/或活性。
33、在本发明实施例中，所述数据库构建模块包括专业检索子模块、排序子模块、一次筛选子模块、提取子模块、复核子模块和存储子模块；
34、专业检索子模块用于以纳米酶基础属性为关键词，进行第一次检索；
35、排序子模块用于对第一次检索所得的数据进行影响因子排序；
36、一次筛选子模块用于筛选影响因子排序在前的数据，得一次筛选数据；
37、提取子模块用于用chatgpt对一次筛选数据进行提取，得提取数据；
38、复核子模块用于根据纳米酶基础属性对提取数据进行复核，得复核数据；
39、存储子模块用于将复核数据以csv文件格式存储，得纳米酶属性数据库。
40、在本发明实施例中，所述数据库构建模块还包括填补空缺子模块；
41、填补空缺子模块用于以缺少的纳米酶属性为关键词，进行第二次检索；对第二次检索所得的论文数据，进行判断；基于判断的结果，将第二次检索所得的数据补充到纳米酶属性数据库中；
42、和/或，
43、用于用knn算法填补纳米酶属性数据库。
44、本发明的有益的效果：
45、本发明提供的一种基于深度学习预测纳米酶的方法及系统，在构建纳米酶属性数据库时，采用了多次关键词检索，以及用knn算法填补缺失的属性关键词，保证纳米酶属性数据库的完整性和全面性，其次，本发明对检索所得数据进行了影响用因子排序、chatgpt提取和复核处理，进一步提高了所得纳米酶属性数据库的数据质量；
46、在预测模型构建时，采用了机器学习模型构建纳米酶初步预测模型，并对所得的初步预测模型进行了提升和优化，获得的两种纳米酶预测模型——纳米酶adaboost模型和纳米酶gbr模型，其中，通过贝叶斯优化方法对模型参数进行调优，以提高模型的预测准确性，实现了纳米酶的类型预测和活性预测，特别是活性(km、vmax、kcat和ic50等参数)预测，提高纳米酶的合成效率和准确度。
47、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
1.一种基于深度学习预测纳米酶的方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习预测纳米酶的方法，其特征在于，所述纳米酶基础属性包括纳米酶的种类、活性、结构、形状、尺寸、稳定性和环境条件，平均电负性，平均电荷密度，平均氧化还原电位，纳米酶维度的“单一体积”参数。
3.根据权利要求1所述的一种基于深度学习预测纳米酶的方法，其特征在于，所述基于获取的包含纳米酶基础属性的数据，构建纳米酶属性数据库，包括：
4.根据权利要求3所述的一种基于深度学习预测纳米酶的方法，其特征在于，所述以纳米酶基础属性为关键词，在第一次检索中，存在纳米酶基础属性中有缺失的属性关键词时，对第一次检索所得的论文进行填补空缺，所述填补空缺的方法，包括：
5.根据权利要求1所述的一种基于深度学习预测纳米酶的方法，其特征在于，所述机器学习模型包括线性回归、决策树、支持向量回归、梯度提升回归、人工神经网络和随机森林回归。
6.根据权利要求1-5任一所述的一种基于深度学习预测纳米酶的方法，其特征在于，所述纳米酶预测模型包括纳米酶adaboost模型和纳米酶gbr模型。
7.根据权利要求6所述的一种基于深度学习预测纳米酶的方法，其特征在于，所述基于纳米酶初步预测模型、叶斯优化法和随机梯度提升，得纳米酶预测模型，包括：
8.一种基于深度学习预测纳米酶的系统，其特征在于，包括：
9.根据权利要求8所述的一种基于深度学习预测纳米酶的系统，其特征在于，所述数据库构建模块包括专业检索子模块、排序子模块、一次筛选子模块、提取子模块、复核子模块和存储子模块；
10.根据权利要求9所述的一种基于深度学习预测纳米酶的系统，其特征在于，所述数据库构建模块还包括填补空缺子模块；
