本发明属于鲜味肽，尤其涉及基于图卷积神经网络对鲜味肽的筛选方法。
背景技术：
1、鲜味与酸、甜、苦、咸被共同列为日常生活中的基本味道，鲜味可以提供令人愉悦的味道并增强食品的整体适口性。目前发现的鲜味物质主要包括氨基酸、有机酸、核苷酸和肽类，其中鲜味肽因其来源天然安全、多种食物中天然存在的含量相对较高、口感特性优良、营养和功能性好而备受关注。发掘鲜味肽有助于促进天然成分的有效利用，减少对合成添加剂的依赖，促进美味和健康食品的创新，推动食品工业的可持续发展。
2、到目前为止，研究人员已报道了近200种不同来源的鲜味肽。酶水解、凝胶过滤色谱、反向高效液相色谱分离和质谱鉴定是发现鲜味肽的常用方法。虽然传统的鲜味肽筛选方法技术要求低、工艺相对成熟，但研究工作机械繁重、纯化设备昂贵、实验周期较长，并且筛选存在一定的运气成分，制约了鲜味肽的开发。与传统的肽制备鉴定方法相较，以计算机辅助分析等技术为代表的新型鲜味肽研究方法具有多重优点，包括鉴定范围更广、鉴定效率更高、鉴定结果准确可靠、设备要求低、减少了机械繁重的工作。机器学习和深度学习展现出在肽筛选中的潜力，如随机森林(rf)、支持向量机(svm)、人工神经网络(ann)、长短期记忆(lstm)、注意力(attention)、卷积神经网络(cnn)等。与经典的机器学习方法相较，深度学习的算法是通过对肽段进行特征提取，具有从原始输入数据中自动提取更高级别特征的潜力。但目前应用于鲜味肽筛选的深度学习算法仅停留在一维和二维类型数据提取特征并进行采样和分类，如氨基酸序列、图像等，因此，亟需一种可以对三维或者更高维度的鲜味肽图数据进行处理的方法。
技术实现思路
1、为解决上述技术问题，本发明提出了基于图卷积神经网络对鲜味肽的筛选方法，能够在已有的鲜味肽数据库中进行相似性搜索，寻找潜在的鲜味肽候选片段，扩大鲜味肽的筛选范围。
2、为实现上述目的，本发明提出了基于图卷积神经网络对鲜味肽的筛选方法，包括：
3、获取待筛选的肽数据；
4、将所述待筛选的肽数据输入到gcn模型，获取鲜味肽数据，其中，所述gcn模型由训练集完成训练，所述训练集为包含鲜味肽序列的数据。
5、可选的，所述包含鲜味肽序列的数据包括鲜味肽数据和非鲜味肽数据。
6、可选的，将所述待筛选的肽数据输入到gcn模型前还包括：构建初始gcn模型；
7、所述初始gcn模型包括：输入层、隐藏层和输出层；
8、所述隐藏层包括：图卷积层、图池化层和图收集层。
9、可选的，获取所述gcn模型包括：
10、设置所述初始gcn模型的超参数；
11、基于所述超参数，利用所述训练集对所述初始gcn模型进行训练，获取第一gcn模型；
12、对所述第一gcn模型进行评估，获取所述gcn模型。
13、可选的，所述超参数包括：训练迭代次数、卷积层数、优化模块、输入批次大小以及模型学习率。
14、可选的，对所述初始gcn模型进行训练包括：
15、将所述训练集作为初始向量输入到所述图卷积层，在所述图卷积层中加入所述初始向量中相邻节点信息，并在所述图池化层中更新所述相邻节点信息，获取密集向量；
16、利用所述图收集层对所述密集向量进行相加，获取肽段网络结构；
17、输出所述肽段网络结构，完成所述gcn模型的训练；
18、其中，相邻节点信息包括表分子量、自由基电子数、价电子数、分子的极性和电荷分布、分子表面积、电子云密度分布，并利用one-hot编码、node2vec编码和基于上述鲜味肽特征筛选结果的编码三种形式对其进行编码。
19、可选的，所述图卷积层和图收集层分别采用relu和tanh作为激活函数。
20、可选的，获取密集向量包括：利用多头自注意力机制对更新后的相邻节点进行加权分配，获取所述密集向量。
21、可选的，对所述第一gcn模型进行评估，获取所述gcn模型包括：
22、将测试集输入到所述第一gcn模型，获取输出结果；
23、利用评估指标对所述输出结果进行评估，获取评估结果；
24、若所述评估结果满足要求，则获取所述gcn模型，否则，调整所述训练集的参数，重新训练，直至获取所述gcn模型。
25、与现有技术相比，本发明具有如下优点和技术效果：
26、本发明利用经过训练后的gcn模型对鲜味肽进行筛选，输入待预测肽序列文件即可输出目标肽类型的预测结果，及其在特定生物活性或鲜味方面的表现；对新的未知肽序列进行分类并快速确定鲜味肽的类型；在已有的鲜味肽数据库中进行相似性搜索，寻找潜在的鲜味肽候选片段，扩大鲜味肽的筛选范围。
1.基于图卷积神经网络对鲜味肽的筛选方法，其特征在于，包括：
2.根据权利要求1所述的基于图卷积神经网络对鲜味肽的筛选方法，其特征在于，所述包含鲜味肽序列的数据包括鲜味肽数据和非鲜味肽数据。
3.根据权利要求1所述的基于图卷积神经网络对鲜味肽的筛选方法，其特征在于，将所述待筛选的肽数据输入到gcn模型前还包括：构建初始gcn模型；
4.根据权利要求3所述的基于图卷积神经网络对鲜味肽的筛选方法，其特征在于，获取所述gcn模型包括：
5.根据权利要求4所述的基于图卷积神经网络对鲜味肽的筛选方法，其特征在于，所述超参数包括：训练迭代次数、卷积层数、优化模块、输入批次大小以及模型学习率。
6.根据权利要求4所述的基于图卷积神经网络对鲜味肽的筛选方法，其特征在于，对所述初始gcn模型进行训练包括：
7.根据权利要求6所述的基于图卷积神经网络对鲜味肽的筛选方法，其特征在于，所述图卷积层和图收集层分别采用relu和tanh作为激活函数。
8.根据权利要求6所述的基于图卷积神经网络对鲜味肽的筛选方法，其特征在于，获取密集向量包括：利用多头自注意力机制对更新后的相邻节点进行加权分配，获取所述密集向量。
9.根据权利要求4所述的基于图卷积神经网络对鲜味肽的筛选方法，其特征在于，对所述第一gcn模型进行评估，获取所述gcn模型包括：
