简介：一份基于Python的蛋白质二级结构预测毕业设计资源，面向计算机、人工智能、自动化等专业的在校学生、老师及企业员工，可用于毕业设计、课程设计、作业或项目初期演示，也适合新手学习进阶。资源共35个文件，包含5个Python源代码、模型文件h5、训练数据npy、说明文档md、前端模板html、配置文件及多张png/jpg效果图，其中图片类占16个，可用于成果展示与文档插图；压缩包仅6.6MB，目录结构清晰便于定位。目前已有225人学习下载。项目代码均经过运行测试，答辩平均分达94.5分。核心模块如main.py、app.py、net.py、mytools.py覆盖数据加载、模型构建、训练评估与Web展示全流程，配套循环神经网络预测蛋白质二级结构.md和README.md，提供环境依赖requirements.txt与预训练模型saved_model.h5，并内置train.npy/test.npy数据集，便于直接运行、二次开发及论文写作参考。
1. 蛋白质二级结构预测：毕设选它，是因为门槛和上限都刚好
拿到“蛋白质二级结构预测”这个题目时，很多人的第一反应是去背氨基酸、补生物化学。但真正动手后会发现，它本质上是把一条氨基酸序列逐残基映射为三种结构状态——H（α螺旋）、E（β折叠）、C（无规卷曲）——的序列标注任务，和中文分词、命名实体识别是同一类问题。用 Python 实现这件事，既有生物信息学背景可讲，又有特征工程、机器学习模型、深度学习模型和论文写作的空间，特别适合毕业设计：下限是随机森林拿 Q3 精度，上限是 BiLSTM 加注意力机制冲公开数据集 SOTA。这套“源代码+文档说明+论文”的组合拳，正是许多本科生和研究生的真实选择。这篇笔记我会从数据、特征、基线模型到深度学习完整过一遍，并把我自己踩过的坑同步给你。
2. 数据集与特征：从 FASTA 到 PSSM，先搞清模型吃什么
2.1 公开数据集怎么选：RS126、CB513、PDB 与 DSSP 标签
蛋白质二级结构预测的公开数据集，常见的有 RS126、CB513、PDB 的子集（比如 PDB25），以及更晚一些的 CASP 数据集。RS126 是 126 条非冗余蛋白质，CB513 是 513 条，规模都不大，适合做基线实验。标签通常来自 DSSP 程序对三维结构的自动判定：它把每个残基按照氢键模式归为 H、B、E、G、I、T、S 等八类。实际做预测时，大家一般把八类合并成三类：H（α螺旋，包含 H、G、I）、E（β折叠片，包含 E、B）、C（无规卷曲/其他，包含 T、S 等）。我一般用 CB513 做训练，RS126 做独立测试——这比随机划分更“干净”，也更容易在论文里写清楚。
原始 FASTA 文件只含有氨基酸序列，不含结构标签，所以必须要有一个带标签的匹配文件。常见做法是去 RCSB PDB 下载结构文件，或者直接使用已经被预处理过的数据集文件。毕设文档里一定要写明你的标签来源：是 DSSP、STRIDE，还是蛋白质数据库（PDB）文件里的 HELIX/SHEET 记录。因为同一个蛋白质，DSSP 和 STRIDE 给出的二级结构有细微差异，答辩时老师大概率会问这一点。
2.2 构造输入特征：序列编码、窗口滑动与 PSSM 归一化
模型吃的不是序列本身，而是“特征向量”。最早的做法是把 20 种氨基酸做 one-hot 编码，每个残基变成一个 20 维向量，然后取一个窗口（比如前后各 6 个残基，共 13 个位置），把窗口内所有残基的向量拼起来。这个窗口对预测中心残基的结构很有用，因为二级结构的形成受局部序列影响很大。
但真正让精度上一个台阶的是 PSSM（位置特异性得分矩阵，Position-Specific Scoring Matrix）。PSSM 由 PSI-BLAST 对同源序列多序列比对生成，每一个残基位置有 20 个数，表示这个位置突变成每种氨基酸的对数似然比。PSSM 相当于把“进化信息”塞进了特征，二级结构预测里它比单纯序列 one-hot 强很多。你可以在 NCBI 上运行 PSI-BLAST，也可以找到预生成的 PSSM 文件。代码里读取 PSSM 后通常要做一个归一化：把原始得分缩放到 [0,1] 或 [-1,1]，避免不同蛋白质之间得分尺度不一致。
2.3 数据划分的隐蔽陷阱：同源序列泄漏
这里是最容易翻车的地方。如果训练集和测试集里有同源序列（序列相似度超过 70%），模型会靠记住“同一家族序列”的结构来刷分，Q3 能高出五到十个百分点。这本身就是数据泄漏。我在第一次跑实验时就吃过亏，后来一律按序列相似度去冗余：用 CD-HIT 或 PDB 提供的 PDB25 子集，保证训练与测试的序列一致性低于 25%。如果有条件，直接使用现成的非冗余 benchmark 数据集，并在论文里写明去同源策略。
# 读取 FASTA 文件和对应的 DSSP 标签，示例代码（精简结构） def read_fasta(fasta_path): seqs, names = [], [] with open(fasta_path, 'r') as f: curr_name, curr_seq = '', [] for line in f: line = line.strip() if line.startswith('>'): if curr_name: seqs.append(''.join(curr_seq)) names.append(curr_name) curr_name = line[1:] curr_seq = [] else: curr_seq.append(line) if curr_name: seqs.append(''.join(curr_seq)) names.append(curr_name) return names, seqs这段代码负责把 FASTA 文件切分成序列名和氨基酸序列。逻辑很简单：遇到>开头的行就切换当前序列名，其余行累积为序列。这里有一个容易踩的坑——FASTA 文件里的序列可能被切成多行，所以不能只读一行就当作序列，必须用列表累积再 join。参数方面，fasta_path是输入路径，返回的seqs用于后续特征矩阵构建。
3. 用 Python 实现一个可跑的基线：随机森林与 SVM 滑窗特征
3.1 特征工程代码：把 FASTA 变成滑窗矩阵
先做一个完整的流程：输入一条蛋白质序列，输出一个形状为(L, window*20)或(L, window*40)的矩阵，其中 L 是序列长度。我一般做两组特征拼接：PSSM 的 20 维 + 氨基酸 one-hot 的 20 维，窗口取 15，这样每个残基对应的维度是 15×40=600 维。如果你没有 PSSM，可以先用 one-hot 顶着，后面再加。
import numpy as np # 20 种氨基酸的标准字母表顺序，很多公开数据集沿用这个约定 AMINO_ACIDS = "ACDEFGHIKLMNPQRSTVWY" AA_TO_IDX = {aa: i for i, aa in enumerate(AMINO_ACIDS)} def onehot_sequence(seq): n = len(seq) mat = np.zeros((n, 20), dtype=np.float32) for i, aa in enumerate(seq): if aa in AA_TO_IDX: mat[i, AA_TO_IDX[aa]] = 1.0 return mat def sliding_window_features(seq, pssm, window=15): half = window // 2 n = len(seq) onehot = onehot_sequence(seq) # 若 pssm 是 None，则退化为纯 one-hot 特征 if pssm is None: pssm = np.zeros((n, 20), dtype=np.float32) # 首尾补零，保证窗口不越界 onehot_pad = np.vstack([np.zeros((half, 20)), onehot, np.zeros((half, 20))]) pssm_pad = np.vstack([np.zeros((half, 20)), pssm, np.zeros((half, 20))]) feats = [] for i in range(n): w_oh = onehot_pad[i:i+window].reshape(-1) w_pssm = pssm_pad[i:i+window].reshape(-1) feats.append(np.concatenate([w_oh, w_pssm])) return np.stack(feats)这里的sliding_window_features返回每个残基的特征行。参数window=15是我常用的值——研究里普遍认为 9 到 15 对二级结构预测足够，太大会把噪声带进来，太小会丢失远端上下文。代码里的补零操作很重要，它保证序列首尾残基也有完整的窗口长度。pssm矩阵必须是(L,20)，否则会在vstack时直接报错。如果你用 PSI-BLAST 输出的原始文本，最好先解析成 numpy 数组再做归一化。
3.2 训练随机森林与 SVM：从源码到参数设置
特征矩阵有了，标签也要做三分类编码。标签文件里每个残基对应一个H/E/C字符，把它转成 0/1/2 即可。然后直接丢给 sklearn。随机森林训练快、不容易过拟合，SVM 在中小数据集上精度更好，但要对特征做标准化。
from sklearn.ensemble import RandomForestClassifier from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler from sklearn.metrics import accuracy_score, precision_recall_fscore_support # X_train 形状 (样本数, 600)，y_train 是 0/1/2 数组 def train_baseline(X_train, y_train, X_test, y_test, model_type='rf'): if model_type == 'rf': model = RandomForestClassifier( n_estimators=300, max_depth=20, min_samples_leaf=5, n_jobs=-1, random_state=42 ) else: scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) model = SVC(C=10, gamma='scale', class_weight='balanced', kernel='rbf') model.fit(X_train, y_train) y_pred = model.predict(X_test) acc = accuracy_score(y_test, y_pred) prec, rec, f1, _ = precision_recall_fscore_support( y_test, y_pred, average=None, labels=[0, 1, 2] ) return model, acc, prec, rec, f1随机森林的max_depth限制在 20，min_samples_leaf设为 5，这是为了让模型不至于对训练集逐残基硬记。SVM 里C=10是经验值，C 太大容易过拟合，太小则欠拟合；class_weight='balanced'是为了应对 C 类样本通常偏多的情况。这里有个细节：SVM 对特征尺度敏感，尤其是 PSSM 的数值范围和 one-hot 不一致，所以必须先StandardScaler()。随机森林不要求标准化。
3.3 评估指标：Q3 准确率、每类精度与 Matthews 相关系数
生物信息学论文里最常写的是 Q3，即三分类的总体准确率。但只看 Q3 会被类别不平衡骗了——如果 C 类占 40% 以上，模型全都输出 C 也能有 40% 的 Q3。所以你至少还要报告每个类别的 precision、recall、F1，以及 Matthews 相关系数（MCC）。MCC 取值范围 [-1,1]，0 表示随机猜测，0.3 以上在二级结构预测里就算可用基线。
我的习惯是把测试结果按残基级别打乱后计算，而不是按蛋白质级别聚合。因为有些序列特别长，会贡献大量残基，影响统计权重。另外要记住：二级结构预测评估的是“残基分类”，不是“整条序列对不对”。
4. 深度学习版本：BiLSTM 与注意力，毕设论文的加分项
4.1 为什么滑窗核方法到顶了，序列模型能继续提升
滑窗的特征是局部固定窗口，看不到超过 15 个残基的长程相互作用。而蛋白质二级结构的形成虽然主要受局部序列影响，但某些 β 折叠需要远端片段配对，这时长距离依赖很关键。LSTM 天然适合变长序列，双向 LSTM（BiLSTM）能同时利用左右两端的上下文。用 PyTorch 实现一个把 one-hot 或 PSSM 作为输入、逐残基输出三分类概率的网络，结构大概三到四层深，参数量不大，单卡训练十几分钟，非常适合毕设。
4.2 BiLSTM 模型结构与 PyTorch 代码
import torch import torch.nn as nn class BiLSTMClassifier(nn.Module): def __init__(self, input_dim=40, hidden_dim=128, num_layers=2, n_classes=3): super().__init__() self.lstm = nn.LSTM( input_size=input_dim, hidden_size=hidden_dim, num_layers=num_layers, batch_first=True, bidirectional=True, dropout=0.3 if num_layers > 1 else 0 ) # 双向 LSTM 的输出维度是 hidden_dim*2 self.classifier = nn.Sequential( nn.Linear(hidden_dim * 2, 128), nn.ReLU(), nn.Dropout(0.3), nn.Linear(128, n_classes) ) def forward(self, x): # x: (batch, seq_len, input_dim) out, _ = self.lstm(x) out = self.classifier(out) return out输入x是滑窗之前的逐残基特征矩阵，形状(batch, seq_len, input_dim)。这里input_dim=40表示 20 维 PSSM 加上 20 维 one-hot。如果不使用 PSSM，input_dim 设置为 20 即可。hidden_dim=128是我跑过比较稳的隐层大小，过大会让训练变慢且未必提升；num_layers=2可以用更深的循环网络捕获复杂依赖。构建完模型后，损失函数用交叉熵，并传入类别权重。
4.3 训练参数与收敛判断：学习率、早停、类别不平衡
from torch.utils.data import DataLoader, Dataset class SequenceDataset(Dataset): def __init__(self, features, labels): self.features = torch.from_numpy(features).float() self.labels = torch.from_numpy(labels).long() def __len__(self): return len(self.labels) def __getitem__(self, idx): return self.features[idx], self.labels[idx] # 类别权重：按训练集各类别频率的倒数计算，缓解不平衡 def compute_class_weights(labels): labels = np.asarray(labels) counts = np.bincount(labels, minlength=3).astype(np.float32) weights = 1.0 / (counts + 1e-6) weights = weights / weights.sum() * 3.0 return torch.from_numpy(weights).float() weights = compute_class_weights(y_train) loss_fn = nn.CrossEntropyLoss(weight=weights) optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)这里最关键的参数是lr=1e-3。我试过从 5e-4 到 1e-2，太高会让 loss 振荡，太低收敛很慢。另一个关键是早停：每个 epoch 后在验证集上算 Q3，连续 5 个 epoch 不再提升就把学习率降到原来的 0.1，再等 5 个 epoch 还不上涨就停。Batch size 我用 64。处理蛋白质序列时要注意 padding 的问题，但如果你按整条序列切好固定长度（比如截断为 512）就不需要 mask。毕设阶段不用做得太复杂。
5. 毕设避坑/常见问题排查：从数据到答辩的 5 条血泪经验
5.1 残基编号错位：预测结果比真实序列短一截
现象：预测输出每个残基一个类别，但画图时发现序列尾部少了一段，或者预测结果和 DSSP 标签错开。
原因：PSSM 文件可能缺失序列首尾的残基，或者 FASTA 序列里有空格、终止符，导致长度对不上。
解决：解析 PSSM 时统一按 FASTA 序列长度为准，逐残基对齐。写一个断言len(pssm) == len(seq)，不相等就直接抛出异常。别用“先读 PSSM 再读 FASTA”的顺序，会让错误积压。我在代码里加了一个校验函数，只要出现长度不一致就停止，再回头修数据源。
5.2 PSSM 文件格式解析出错：空行、注释行与边界空格
现象：有人用网上脚本读取 PSI-BLAST 输出的.pssm文件，报ValueError或者矩阵全为 0。
原因：PSSM 文件里有大量空行，表头也带版本号，且每行的末尾可能有空格；而网上常见解析脚本是按固定列宽切割的，换行符不同会直接解析失败。
解决：不要用 split 按空格切，先过滤空行和#开头行，再按固定宽度切片。最好是把第 2 到第 21 列抓出来做整数得分。如果你重新跑了 PSI-BLAST，记得检查-outfmt参数，老版本和 5.0 以后的输出格式有差异。解析完成后打印三行看数值范围，能有效避免“全 0”这种黑匣子问题。
5.3 类别不平衡导致模型只输出 H 类
现象：训练完所有残基都预测成 H 或 C，E（β折叠）几乎不出现。Q3 看起来还过得去，但 E 的召回率接近 0。
原因：数据集中 H 和 C 占比远超 E，常规交叉熵会对出现多的类别给更多梯度，模型学成“多数类分类器”。
解决：两种办法同时用——损失函数加类别权重；训练数据里对 E 类做简单过采样（复制 E 类样本）。另外，评估时不要只看 Q3，必须打印每个类别的 F1。我在写文档说明时会建议用户以“加权平均 F1”作为调参依据，因为公版数据集公布的所有 SOTA 都同时对各类别 F1 有要求。
5.4 评估时用了未去重同源序列，准确率虚高
现象：测试集 Q3 高达 82%，但论文里别人同数据集只有 75%。开心得可疑。
原因：测试集里很多序列与训练集同源，模型实际上记住了家族特征，而非学到通用的结构规律。
解决：训练前对整批序列统一去冗余。如果没有 CD-HIT，至少要把测试集中与训练集序列相似度超过 70% 的序列剔除。更稳妥的做法是采用 benchmark 的非冗余划分，并在论文里写清楚“所有序列聚类到 25% 相似度，测试集未参与训练”。如果你被答辩老师质疑结果虚高，这一条几乎是必问的。
5.5 答辩被问“你用的哪种二级结构定义”：DSSP 还是 PDB
现象：幻灯片只写了“二级结构预测”，没写标签定义。老师问你的 H 是 α 螺旋和 310-螺旋一起算，还是单算 DSSP 的 H 类型，现场卡住。
原因：不同工具类别定义不同：DSSP 里 α螺旋是 H，310-螺旋是 G，而 PDB 的 HELIX 记录会把 3-10 螺旋也归为螺旋。合并策略不同会影响结果。
解决：在文档说明里明确写“标签来自 DSSP，八类合并为三类：H=[H,G,I], E=[E,B], C=[T,S,-]”。并在论文的数据来源小节画一个映射表。答辩时这句话三秒钟讲清楚，老师会觉得你严谨。
6. 进阶：把预测结果可视化并写进论文，模型可解释性的一个小技巧
毕设项目做到这里，光有 Q3 数字已经不够出彩了。我建议你花半天时间给预测结果生成一个纵向对比图：每一行是一条蛋白质序列，用三种颜色表示预测的 H/E/C，下面一行是 DSSP 真实标签。这种图放在论文“结果与讨论”里，一眼就能看出来模型在长 β 折叠片段上的短板。具体实现很简单：用 matplotlib 的imshow画一个(2, L)的矩阵，颜色映射用自定义三色。你也可以把 BiLSTM 输出的 softmax 概率画成高度图，查看模型对残基预测的置信度——这是从“黑匣子”到“可解释”最直观的呈现。
另一个技巧是 attention 权重可视化。如果你在 BiLSTM 后面加一个简单的注意力层，把注意力分数输出到测试集某个片段上，然后用红色到蓝色的渐变展示每个位置的注意力度，能在答辩时讲出“模型在做调参时倾向于关注这个片段”这类有洞察的结论。这种定性分析不需要严谨的显著性检验，但能证明你不是只会调包。
我还习惯在代码仓库里放一个results/目录，把每个模型的 Q3、各类别 F1、MCC 以 CSV 格式记录，文档说明的最后一章直接引用这些表格。这样一来，无论将来改特征还是换模型，都能回来对比。这个习惯帮我省了无数次临时重跑实验的时间。最后说一句实在话：毕设不是要做出 SOTA，你只要把数据预处理、模型对比和坑点讲清楚，就已经值得一个不错的分数。希望帮到你。
本文还有配套的精品资源，点击获取
