研究表明,每種非編碼RNA（ncRNA）不僅可以通過其靶基因起作用,而且可以彼此相互作用以作用影響于生物學(xué)性狀,并且這種相互作用更常見。許多研究主要集中在微小RNA（miRNA）和信使RNA（mRNA）相互作用的分析上。本研究中,提出了兩個獨(dú)立的模型來分析和預(yù)測lncRNA基因調(diào)控關(guān)系。第一個模型基于傳統(tǒng)支持向量回歸（SVR）,第二類模型基于深度集成學(xué)習(xí)。在第一個模型中,使用SVR研究了擬南芥miRNA和長非編碼RNA（lncRNA）相互作用,模型可以識別出新的相互作用并分析在脅迫響應(yīng)下的調(diào)節(jié)作用。構(gòu)建并分析了miRNAmRNA,miRNA-lncRNA和miRNA-mRNA-lncRNA的互作網(wǎng)絡(luò)。我們發(fā)現(xiàn)具有低序列號的miRNA,具有高序列號的靶向lncRNA和具有高序列號的miRNA靶向具有低序列號的lncRNA。實驗結(jié)果表明miRNA-lncRNA之間存在調(diào)節(jié)關(guān)系。使用具有新基因表達(dá)機(jī)制的SVR預(yù)測新RNA靶標(biāo),并標(biāo)注了脅迫響應(yīng)相關(guān)功能。在第二個模型中,我們使用長短期記憶自動編碼器（LSTM-AE）在相同的數(shù)據(jù)集上研究了miRNA-lncRNA序列的相互作用。實驗結(jié)果表明,方法... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：48 頁

【學(xué)位級別】：碩士

【文章目錄】：
Abstract
摘要
1 Introduction
    1.1 Related Work and significance
    1.2 Domestic and Overseas Progress
    1.3 Research Content and methodology
    1.4 Objectives
    1.5 Key Problems solved
2 Methods for Predicting lncRNA-gene Regulatory Relationship
    2.1 SVR Based on Traditional SVM
        2.1.1 Target Prediction with psRNATarget and TAPIR
        2.1.2 RNAs Network Construction
        2.1.3 SVR
    2.2 LSTM-AE Based on Ensemble Deep Learning
        2.2.1 RNA Feature Encoding
        2.2.2 Dimensionality Reduction with Auto-Encoders
        2.2.3 Data Partitioning:Training,Validation,and Test Sets
        2.2.4 LSTM
        2.2.5 Stacked LSTM
3 Results
    3.1 SVR Based on Traditional SVM
        3.1.1 Network Analysis
        3.1.2 SVR Approach to Predict miRNA targeting lncRNA
        3.1.3 Identifying Regulatory Rules with Stress Response
    3.2 LSTM-AE Based on Ensemble Deep Learning
        3.2.1 Generating Negative Samples from the Positive Samples
        3.2.2 Evaluation of Performance
        3.2.3 LSTM-AE
    3.3 Comparison of Deep Learning LSTM-AE with Traditional SVR
Conclusion
References
Research Projects and Publications in Master Study
Acknowledgement



本文編號：2972679