N6-甲基腺嘌呤（m6A）是指在氮-6位的腺苷核苷酸的甲基化修飾,它在一系列生物過程中起重要作用,如剪接,mRNA傳輸,mRNA合成和翻譯過程等。隨著m6A位點高分辨率數據集的建立,很多研究方法已經可以成功預測序列中的m6A位點。然而傳統(tǒng)實驗方法識別m6A位點耗時且成本很高,并且用于鑒定N6-甲基腺嘌呤位點的許多常規(guī)計算方法受數據規(guī)模的限制。利用通過高通量測序方法,多種物種的百萬級m6A位點數據庫得以建立,給了我們一個構建利用大規(guī)模數據驅動為優(yōu)勢的深度學習方法預測模型的機會。本文主要研究內容包括:（1）介紹了兩個我們在識別m6a位點方面的前期研究工作,提出了基于多間隔核苷酸對位置特異性和支持向量機的機器學習預測模型和基于深度信念網絡提取高層次序列特征表示并與傳統(tǒng)特征結合識別m6a位點的預測模型。（2）引入四種RNA序列編碼模式。本文分別提出四種序列表示的方法,包括one-hot編碼和基于鄰近位點狀態(tài)編碼的特征,Embedding詞嵌入編碼的特征和利用NLP詞嵌入模型對基因序列進行遷移學習,將RNA序列分割成偽單詞以學習向量空間的特征表示。（3）通過4種具有不同超參數和網絡結構的一維CN... 

【文章頁數】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀以及存在的問題
        1.2.1 國內外研究現狀
        1.2.2 存在的問題
    1.3 本文主要工作
        1.3.1 文本研究內容
        1.3.2 本文章節(jié)結構
第2章 關鍵技術綜述
    2.1 表觀遺傳學研究
    2.2 高通量基因芯片技術
        2.2.1 基因芯片技術原理
        2.2.2 基因分析工具:
        2.2.3 基因芯片數據統(tǒng)計分析
    2.3 卷積神經網絡
        2.3.1 卷積操作
        2.3.2 池化層
        2.3.3 ReLU
        2.3.4 Dropout
    2.4 語言模型
        2.4.1 n-gram語言模型
        2.4.2 神經網絡語言模型
        2.4.3 循環(huán)神經網絡語言模型
第3章 兩個前期的相關研究工作
    3.1 前期工作使用的51 窗口長度的數據集
    3.2 基于多間隔核苷酸對位置特異性和支持向量機的工作
        3.2.1 多間隔核苷酸對位置特異性特征的提取
        3.2.2 對特征的降維和優(yōu)化
        3.2.3 支持向量機分類預測
    3.3 基于深度信念網絡的前期工作
        3.3.1 限制玻爾茲曼機
        3.3.2 深度信念網絡
        3.3.3 網絡參數優(yōu)化
        3.3.4 核苷酸組成特性分析
        3.3.5 抽象特性有效性分析和實驗對比
第4章 重編譯數據集的準備及特征構建
    4.1 重編譯數據集與數據預處理
        4.1.1 重編譯1001 窗口長度數據集
    4.2 序列編碼與特征提取
        4.2.1 One-hot特征
        4.2.2 Neighbor Site特征
        4.2.3 Embedding特征
        4.2.4 Gene2vec特征
第5章 網絡結構與參數優(yōu)化
    5.1 網絡結構
    5.2 參數優(yōu)化
第6章 實驗結果評估與展示
    6.1 實驗結果對比
    6.2 卷積核基于現有motif的比對
    6.3 在線預測平臺的構建
        6.3.1 預測提交
        6.3.2 數據集和補充文檔獲取
        6.3.3 Motif匹配結果展示
第7章 總結與展望
    7.1 本文工作總結
    7.2 未來工作展望
參考文獻
發(fā)表論文和參加科研情況說明
致謝



本文編號：3735176