一种基于大型预训练模型的新型抗菌肽设计方法与流程

1.本发明涉及一种基于大型预训练模型的新型抗菌肽设计方法，属于生物信息学和人工智能的交叉领域。


背景技术：

2.以循环神经网络、transformers、预训练模型和迁移学习为代表的人工智能自然语言处理技术在多种自然语言分析任务中取得了突破性的进展，例如对话机器人，语音识别，感情色彩分析，文本挖掘等。而在生物学领域，蛋白质与自然语言在某种程度上由很高的相似性：
①
自然语言的基本组成单位是单词(或字母，汉字)，蛋白质的基本组成单位是氨基酸残基；
②
具体某个单词在一个句子里的出现是由上下文决定的；同理，某种氨基酸残基的出现也是为了根据蛋白质序列的上下文来实现蛋白质的局部结构和功能性质。因此，很多成熟的自然语言处理技术正在被应用于蛋白质的建模。
3.公共数据库中数百万条自然界中的蛋白质数据为大型预训练模型提供了数据支持。不同架构的大型预训练模型可以实现不同蛋白质建模目的，特别是蛋白质生成和特征提取。最前沿的大型蛋白质语言模型可以随机生成跟自然界中蛋白质理化性质非常相似的人工序列，但如果使用者想要特定功能的蛋白质序列，则需在已有数据的基础上对其进行微调，微调后生成的序列将有更大可能性是使用者所需蛋白质序列，但是如何对这些候选序列进行筛选仍然没有太多优异的方法。基于大型预训练模型的特征提取方法，可以将每条蛋白质序列上的每个氨基酸残基转化成特定长度的数值向量，该向量里的数值取决于这个残基的类型以及序列的上下文。许多学术界证据已表明这种基于大型预训练模型的特征提取方法显著优于传统的one-hot-encoding编码方法。
4.抗菌肽是具有抗菌效果的短链多肽(亦可理解为短链蛋白质)。相比于小分子的抗生素，抗菌肽有多种优势，包括更常见的广谱性，更多样化的来源，免疫调节作用等等。因此，抗菌肽给对抗“超级细菌”提供了新的突破口，来迎接全球新型抗生素枯竭的挑战。
5.目前学术界提出了有多种通过人工智能生成抗菌肽的方法，比如最前沿的现有技术是das等人于2021年发表的论文(das,payel,et al."accelerated antimicrobial discovery via deep generative models and molecular dynamics simulations."nature biomedical engineering 5.6(2021):613-623.)。但该文章中给出的方案是短肽生成模型，因而生成出来的序列无法全面体现蛋白质语言的“语法”，也即氨基酸残基间的功能和结构关系；而且其在训练模型时，是以生成模型的隐藏层为特征，训练多个多肽的理化性质和毒理性质模型，然后依靠这多个预测模型来筛选候选序列，因此其筛选条件较为复杂，需要设置多个判别器，而且在对蛋白质进行特征提取时，提取特征精度也有待于进一步的提高。


技术实现要素：

6.为了解决目前存在的问题，本发明提供了一种基于大型预训练模型的新型抗菌肽
设计方法，所述方法包括：
7.步骤1，获取训练样本；其中，以已知抗菌肽的序列作为正样本，无抗菌效果的短链多肽序列作为负样本，且保证正负样本中氨基酸出现频率以及长度高度相似；
8.步骤2，以protgpt2作为蛋白质生成模型，并采用深度卷积神经网络作为判别器以构成大型预训练模型prottrans prott5-xl-uniref50；
9.步骤3，对蛋白质生成模型protgpt2进行微调，并利用微调后的模型生成预定数量的多肽，记为微调过生成的多肽；利用微调前的蛋白质生成模型protgpt2生成预定数量的多肽，记为未微调过生成的多肽；
10.步骤4，对所述训练样本、微调过生成的多肽以及未微调过生成的多肽利用大型预训练模型prottrans prott5-xl-uniref50进行特征提取；
11.步骤5，利用已进行特征提取的正样本和负样本序列训练所述判别器；
12.步骤6，利用训练好的判别器预测步骤3中得到的微调过生成的多肽，根据预测值筛选出最有可能是抗菌肽的候选序列；
13.步骤7，根据候选序列化学合成得到新型抗菌肽。
14.可选的，所述深度卷积神经网络的先后层级包括：输入层，3
×
3的卷基层，2
×
2的最大值抓取层，3
×
3的卷基层，2
×
2的最大值抓取层，扁平化层，三层全连接层，以及输出层；
15.所述深度神经网络由python里的keras工具包实现，优化器为adam，损失函数为binary crossentropy，评价方式为准确度，特征x为所述步骤4提取到的特征，标签y为正负样本里的是/否抗菌肽。
16.可选的，所述步骤1中正负样本中氨基酸出现频率以及长度高度相似指：
17.正负样本中包含同样数量氨基酸的多肽的数量对应相同。
18.可选的，所述步骤3中对蛋白质生成模型protgpt2进行微调，包括：
19.利用python编程语言里的transformers工具包里的脚本文件run_clm.py对蛋白质生成模型protgpt2进行微调。
20.可选的，所述步骤3中利用蛋白质生成模型protgpt2生成多肽的过程利用python编程语言里的transformers工具包里的pipeline函数，起始序列为空白，设置最大生成长度为20，最小长度为6，其他参数设为默认。
21.可选的，所述步骤4中对所述训练样本、微调过生成的多肽以及未微调过生成的多肽利用大型预训练模型prottrans prott5-xl-uniref50进行特征提取，包括：
22.用python编程语言里的transformers工具包里的t5tokenizer.from_pretrained函数设置字符转化器，用tft5encodermodel.from_pretrained函数设置特征提取器；
23.特征提取器对多肽的最大提取长度设为50；
24.利用字符转换器将多肽序列转化成数字字符串，再用特征提取器将这些数字字符串转化成n
×
l
×
1024的阵列，其中，n为序列数量，l为最大序列长度50，1024为单个氨基酸残基的向量表示长度；
25.将提取到的特征作为所述深度神经网络的输入。
26.可选的，所述步骤5中利用已进行特征提取的正样本和负样本序列训练所述判别器时，将训练样本以9:1方式分割为训练集和验证集；最大训练轮数设置为75，并用keras里
的earlystopping函数设置提早退出机制，耐心值设置为6，即如果六轮训练内损失值没有降低，那么将提早结束训练。
27.可选的，所述步骤6中根据预测值筛选出最有可能是抗菌肽的候选序列，包括：
28.当生成的多肽序列对应的抗菌肽概率》0.95时，将其作为候选序列。
29.本发明有益效果是：
30.(1)相对于现有技术中das等人的方法需要从头训练一个短肽生成模型，本技术方法直接利用更大规模的预训练生成式模型protgpt2(ferruz,noelia,steffen schmidt,and birte"protgpt2 is a deep unsupervised language model for protein design."nature communications 13.1(2022):4348.)，生成出来的序列更能体现蛋白质语言的“语法”(氨基酸残基间的功能和结构关系)，且protgpt2预训练所采用的gpt2(generative pre-trained transformers-2)架构已经被证明在自然语言处理领域表现优异。
31.(2)对于模型生成出来的候选序列筛选，现有技术中das等人的方法需要以生成模型的隐藏层为特征，训练多个多肽的理化性质和毒理性质模型，然后依靠这多个预测模型来筛选候选序列；而本技术方法只需训练一个抗菌肽判别器模型，简化了筛选条件。
32.(3)另外，由于该判别器模型是利用另一个大型预训练蛋白质模型prottrans(elnaggar,ahmed,et al."prottrans:toward understanding the language of life through self-supervised learning."ieee transactions on pattern analysis and machine intelligence 44.10(2021):7112-7127.)来对蛋白质进行特征提取，因而取得较高准确率。
附图说明
33.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
34.图1是本发明一个实施例提供的基于大型预训练模型的新型抗菌肽设计方法流程图；
35.图2是本发明一个实施例提供的大型预训练模型中判别器架构示意图。
36.图3是采用本发明方法预测和随机生成的抗菌肽的对受试菌株生长的测试结果仿真图；其中，受测的药品浓度设定为60μm，等体积的dmso作为阴性对照，所有条件均测试三次生物学重复。其中a为受试菌株金黄色葡萄球菌s.gdmcc 1.221，b为受试菌株短小芽孢杆菌b.pumilus gdmcc 1.225，c为受试菌株枯草芽孢杆菌b.subtilis gdmcc 1.222，d为受试菌株藤黄微球菌k.rhizophila gdmcc 1.226，e为受试菌株e.coli gdmcc 1.335，f为受试菌株e.coli dh5
ɑ
。
具体实施方式
37.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
38.下述实施例所用的多肽购于南京金斯瑞生物科技有限公司。其中多肽的生产方法采用固相多肽合成法，合成纯度为40～70％的粗肽用于抑菌实验，为了计算方便，所有粗肽的纯度被设定为50％。粗肽经进一步高效液相色谱纯化，获得纯度超过90％的高纯度多肽，用于mic实验。所有合成的多肽分子质量均经过质谱鉴定。
39.下述实施例所用的测试菌株，其中，金黄色葡萄球菌staphylococcus aureus gdmcc 1.221、短小芽孢杆菌bacillus pumilus gdmcc 1.225、枯草芽孢杆菌bacillus subtilis gdmcc 1.222、藤黄微球菌kocuria rhizophila gdmcc 1.226和大肠杆菌escherichia coli gdmcc 1.335均购于广东省微生物菌种保藏中心(guangdong microbial culture collection center，gdmcc)，这些均可用于抗生素效价测试。菌株e.coli dh5
ɑ
为实验室常用菌株，为实验室自主保存。
40.实施例一：
41.本实施例提供一种基于大型预训练模型的新型抗菌肽设计方法，参见图1，所述方法包括：
42.1)配置python及其工具包的运行环境。
43.硬件需求为nvdia a100(80g)显卡，操作系统为linux ubuntu 22.04；先安装python环境管理软件anaconda和版本控制程序git。然后用anaconda安装python 3.8版本，并且建立并激活专属该方法的python环境。然后，用python工具包管理命令pip来安装跟机器学习相关的工具包，包括flax，pandas，datasets，evaluate，scikit-learn。用anaconda安装深度学习框架pytorch相关的工具包，包括pytorch，torchvision，torchaudio，pytorch-cuda。用anaconda安装深度学习框架keras和tensorflow-gpu。最后用pip安装自然语言处理工具包，包括sentencepiece和transformers。
44.2)从抗微生物多肽数据库(satpdb)中获得已知的抗细菌肽(以下简称抗菌肽)的序列(作为正样本)。从蛋白质公共数据库(uniprot-swissprot)中获取短链多肽序列(作为负样本)及其注释。
45.为避免负样本中混入具有抑菌作用的多肽，剔除多肽注释中包含有特定关键字(“antimic*”，“defensive”，“antibac*”，“toxic*”)的多肽。
46.3)为保证后续多肽实验合成的可行性和控制成本，剔除正负样本中含有非天然蛋白质氨基酸的多肽，并将正负样本限制在50个氨基酸残基以内。
47.4)为避免正负样本间有系统性的长度或氨基酸出现频率的偏差，从而“欺骗”了判别器，在收集负样本序列过程中，高度模仿正样本的氨基酸出现频率以及长度，使得最终的正负样本数量一样。数据收集完成后，以9:1的比例随机分割成训练集和测试集。
48.所述高度模仿正样本的氨基酸出现频率以及长度，即保证正负样本中包含同样数量氨基酸的多肽的数量对应相同，比如，正样本有10个6-aa(6个氨基酸)长度的多肽，15个8-aa长度的多肽；那么负样本也对应包含有10个6-aa长度的多肽，15个8-aa长度的多肽。
49.对于氨基酸出现频率，本技术统计了自然界中抗菌肽的每种氨基酸的出现频率，比如精氨酸0.06，赖氨酸0.11，胱氨酸0.09，那么本技术在生成负样本的过程中，将各种氨基酸出现的概率也按照上述统计结果进行生成。
50.5)随机生成一组阴性对照，并且出于上述原因，也高度模仿正样本的氨基酸出现频率以及长度。
51.6)用git获取github上的transformers项目目录。
52.用已知抗菌肽序列微调蛋白质生成模型(protgpt2，如图1所示)，微调的脚本文件为transformers目录里的run_clm.py，模型来源为protgpt2，超参数设为默认值。
53.7)用微调过的生成模型生成一批多肽(如图1所示，称为“微调过生成的多肽”)，生成过程利用了python编程语言里的transformers工具包里的pipeline函数，模型来源为protgpt2，起始序列为空白，设置最大生成长度为20，最小长度为6，其他参数设为默认。
54.8)用未微调过的生成模型生成一批多肽(称为“未微调过生成的多肽”)，模型来源为上述步骤产生的微调过的模型，其他设置同上。
55.9)对所有序列(正样本，负样本，阴性对照，微调过生成的多肽，未微调过生成的多肽)进行特征提取(embedding，如图1所示)。
56.具体方法为，用python编程语言里的transformers工具包里的t5tokenizer.from_pretrained函数设置字符转化器，用tft5encodermodel.from_pretrained函数设置特征提取器，字符转化器和特征提取器的模型来源均为"rostlab/prot_t5_xl_uniref50"。特征提取器对多肽的最大提取长度设为50。接下来，先用字符转换器将多肽序列转化成数字字符串(token)，再用特征提取器将这些数字字符串转化成n
×
l
×
1024的阵列(n为序列数量，l为最大序列长度50，1024为单个氨基酸残基的向量表示长度)，作为后续神经网络的输入。
57.10)用已作特征提取的正样本和负样本序列训练一个判别器，该判别器的架构为深度卷积神经网络(如图2所示)，神经网络的先后层级为：输入层，3
×
3的卷基层(conv2d)，2
×
2的最大值抓取层(maxpooling)，3
×
3的卷基层(conv2d)，2
×
2的最大值抓取层(maxpooling)，扁平化层(flatten)，全连接层(共三层，均为512个节点)，以及输出节点。
58.该神经网络由python里的keras工具包实现，优化器为adam(learning rate为0.001)，损失函数为binary crossentropy，评价方式为准确度(accuracy)，特征(x)为上述步骤(embedding)提取的特征，标签(y)为正负样本里的是/否抗菌肽。
59.11)用keras模型对象里的fit函数对x和y进行神经网络的训练。训练过程中，将训练集以9:1方式分割训练集和验证集。最大训练轮数(epoch)设置为75，并用keras里的earlystopping函数设置提早退出机制，耐心值(patience)设置为6，即如果六轮训练内损失值没有降低，那么将提早结束训练。
60.12)用事先预留的测试集对训练好的判别器进行测试，评估准确度(用keras模型对象里的evaluate函数)。随后对随机阴性对照和未微调过生成的多肽也进行预测(用keras模型对象里的predict函数)，来评估生成模型微调前后的改变，以供参考。
61.13)用训练好的判别器来预测这些生成出来的候选多肽，根据预测值(抗菌肽概率》0.95)来筛选候选多肽，并随机挑选24条候选序列，编号依次为“amp1
”‑‑“
amp24”，以供实验验证。另外，按照“amp1
”‑‑“
amp24”的长度分布及氨基酸分布，随机生成一组多肽序列作为阴性对照，编号依次为“rp1
”‑‑“
rp10”。
62.实施例二
63.细菌培养过程包括：
64.从新鲜的平板中挑取单菌落接种于lb液体培养基中，置于摇床，37℃，200rpm.培养过夜。过夜的菌液按1：100的比例接种于新鲜的lb培养基中，培养4～5h至对数生长期
(od600 0.4～0.6)。对数期的菌液用lb培养基稀释至od600＝0.1后，继续稀释1000倍，并分装于96孔板中，每孔100μl，用于抑菌实验和mic实验。
65.实施例三
66.本实施例基于实施例二培养出的细菌进行抑菌实验，包括：
67.将根据实施例一筛选出的多肽序列合成得到的粗肽溶解于二甲亚砜(dmso)至3mm的浓度，配制成多肽母液。
68.在含有稀释好的菌液的96孔板中，每孔添加4μl粗肽母液，用新鲜的lb培养基补充至200μl的总体积，使得受测的多肽浓度为60μm。等体积的dmso作为阴性对照，200μl新鲜的lb培养基作为空白对照。
69.加完样后，用封口膜把96孔板的盖子封好，至于高速震荡培养箱中，37℃，500r.p.m.培养11～12h。
70.每个条件均做三个生物学重复。
71.培养结束用，酶标仪检测各孔的od600，并扣除空白对照的od600。
72.经验证，在测试条件下，仿真结果如下表1和图3所示：
73.amp3、amp6、amp13、amp14、amp16、amp19、amp23和rp4可完全抑制菌株gdmcc 1.221的生长，
74.amp12和amp15可部分抑制该菌的生长，预测的多肽阳性率为37.5％(9/24)，高于随机生成多肽的阳性率10％(1/10)；
75.amp3、amp6、amp8、amp13、amp14、amp16、amp19、amp23和rp4可完全抑制菌株gdmcc 1.225的生长，
76.amp4、amp5、amp7、amp12、amp15和amp18可部分抑制该菌的生长，预测的多肽阳性率为58.3％(14/24)，高于随机生成多肽的阳性率10％(1/10)；
77.amp3、amp6、amp8、amp13、amp14、amp16、amp19和amp23可完全抑制菌株gdmcc 1.222的生长；
78.amp1、amp4、amp5、amp10、amp12、amp15、amp17、amp18、amp20、amp21，rp1、rp2、rp3、rp4和rp6可部分抑制该菌的生长，预测的多肽阳性率为78.3％(18/24)，高于随机生成多肽的阳性率50％(5/10)；
79.amp3、amp6、amp8、amp13、amp16、amp19、amp23和rp4可完全抑制菌株gdmcc 1.226的生长；
80.amp24，rp6、rp7和rp8可部分抑制该菌的生长，预测的多肽阳性率为29.2％(7/24)，与随机生成多肽的阳性率30％(3/10)接近；
81.amp3、amp6、amp13、amp19和amp23可完全抑制菌株gdmcc 1.335的生长，所有的随机多肽均对菌株gdmcc 1.335无抑制作用，预测的多肽阳性率20.8％(5/24)，
82.远高于随机生成多肽的阳性率0％(5/10)；
83.amp3、amp6、amp13、amp19、amp23、amp24和rp4可完全抑制菌株dh5
ɑ
的生长，预测的多肽阳性率为25％(6/24)，高于随机生成多肽的阳性率10％(1/10)(图2和图3)。
84.表1：采用本发明方法预测和随机生成的抗菌肽的氨基酸序列、长度、预测抗菌效率、多肽的相对分子质量，以及其抑菌效果
[0085][0086]
注：受测的药品浓度设定为60μm，等体积的dmso作为阴性对照，所有条件均测试三次生物学重复。其中amp表示本方法所预测的多肽，rp表示随机生成的多肽。“+++”表示完全抑制生长，"+"表示与对照相比有抑制效果，但不是完全抑制，"-"表示无抑制。
[0087]
实施例四
[0088]
本实施例基于实施例二培养出的细菌进行mic实验，包括：
[0089]
高纯度多肽样品溶解于dmso中至6mm配制成母液，并采用二倍梯度稀释的方法用dmso稀释成8个梯度。
[0090]
在含有稀释好的菌液的96孔板中，每孔添加4μl样品，用新鲜的lb培养基补充至200μl的总体积，使得受测的多肽终浓度分别为120μm、60μm、30μm、15μm、7.5μm、3.75μm、1.875μm和0.9375μm。
[0091]
加完样后，将96孔板至于高速震荡培养箱中，37℃，500r.p.m.培养16～18h。
[0092]
每个条件均做三个生物学重复。
[0093]
培养结束后，观察孔内细菌生长情况，在无细菌生长的孔内所含最低抗菌药物浓度即为最低抑菌浓度。
[0094]
如下表2所示，经验证，除amp19对部分菌株的mic大于120μm外，amp3、6、13和23的mic均在3.75μm到120μm之间，证明这些抗菌肽具有广谱性，具有极大的使用价值，在开发制备抗菌剂方面具有较好的应用。
[0095]
表2：mic实验结果
[0096]
[0097]
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
[0098]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于大型预训练模型的新型抗菌肽设计方法，其特征在于，所述方法包括：步骤1，获取训练样本；其中，以已知抗菌肽的序列作为正样本，无抗菌效果的短链多肽序列作为负样本，且保证正负样本中氨基酸出现频率以及长度高度相似；步骤2，以protgpt2作为蛋白质生成模型，并采用深度卷积神经网络作为判别器以构成大型预训练模型prottrans prott5-xl-uniref50；步骤3，对蛋白质生成模型protgpt2进行微调，并利用微调后的模型生成预定数量的多肽，记为微调过生成的多肽；利用微调前的蛋白质生成模型protgpt2生成预定数量的多肽，记为未微调过生成的多肽；步骤4，对所述训练样本、微调过生成的多肽以及未微调过生成的多肽利用利用大型预训练模型prottrans prott5-xl-uniref50进行特征提取，；步骤5，利用已进行特征提取的正样本和负样本序列训练所述判别器；步骤6，利用训练好的判别器预测步骤3中得到的微调过生成的多肽，根据预测值筛选出最有可能是抗菌肽的候选序列；步骤7，根据候选序列化学合成得到新型抗菌肽。2.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络的先后层级包括：输入层，3
×
3的卷基层，2
×
2的最大值抓取层，3
×
3的卷基层，2
×
2的最大值抓取层，扁平化层，三层全连接层，以及输出层；所述深度神经网络由python里的keras工具包实现，优化器为adam，损失函数为binary crossentropy，评价方式为准确度，特征x为所述步骤4提取到的特征，标签y为正负样本里的是/否抗菌肽。3.根据权利要求2所述的方法，其特征在于，所述步骤1中正负样本中氨基酸出现频率以及长度高度相似指：正负样本中包含同样数量氨基酸的多肽的数量对应相同。4.根据权利要求3所述的方法，其特征在于，所述步骤3中对蛋白质生成模型protgpt2进行微调，包括：利用python编程语言里的transformers工具包里的脚本文件run_clm.py对蛋白质生成模型protgpt2进行微调。5.根据权利要求4所述的方法，其特征在于，所述步骤3中利用蛋白质生成模型protgpt2生成多肽的过程利用python编程语言里的transformers工具包里的pipeline函数，起始序列为空白，设置最大生成长度为20，最小长度为6，其他参数设为默认。6.根据权利要求5所述的方法，其特征在于，所述步骤4中对所述训练样本、微调过生成的多肽以及未微调过生成的多肽进行特征提取，包括：用python编程语言里的transformers工具包里的t5tokenizer.from_pretrained函数设置字符转化器，用tft5encodermodel.from_pretrained函数设置特征提取器；特征提取器对多肽的最大提取长度设为50；利用字符转换器将多肽序列转化成数字字符串，再用特征提取器将这些数字字符串转化成n
×
l
×
1024的阵列，其中，n为序列数量，l为最大序列长度50，1024为单个氨基酸残基的向量表示长度；将提取到的特征作为所述深度神经网络的输入。
7.根据权利要求6所述的方法，其特征在于，所述步骤5中利用已进行特征提取的正样本和负样本序列训练所述判别器时，将训练样本以9:1方式分割为训练集和验证集；最大训练轮数设置为75，并用keras里的earlystopping函数设置提早退出机制，耐心值设置为6，即如果六轮训练内损失值没有降低，则提早结束训练。8.根据权利要求7所述的方法，其特征在于，所述步骤6中根据预测值筛选出最有可能是抗菌肽的候选序列，包括：当生成的多肽序列对应的抗菌肽概率>0.95时，将其作为候选序列。

技术总结
本发明公开了一种基于大型预训练模型的新型抗菌肽设计方法，属于生物信息学和人工智能的交叉领域。所述方法利用更大规模的预训练生成式模型ProtGPT2生成新型抗菌肽，生成出来的序列更能体现蛋白质中氨基酸残基间的功能和结构关系，且利用另一个大型预训练蛋白质模型来对蛋白质进行特征提取，在进行特征提取时，先用字符转换器将多肽序列转化成数字字符串，再用特征提取器将这些数字字符串转化成N


技术研发人员：曾梓硕 许薷方 罗小舟
受保护的技术使用者：森瑞斯生物科技（深圳）有限公司
技术研发日：2023.06.20
技术公布日：2023/9/12