非編碼RNA之間相互調(diào)控機制在很多動植物生命活動中發(fā)揮著重要作用,如細胞生長、分化和增殖。目前,在動物和人類疾病方面,miRNA與lncRNA互作關(guān)系的研究相對較多,它為動物和人類疾病的診治提供新的解決方案,而在植物方面的研究相對較少,因此,植物miRNA與lncRNA互作關(guān)系的研究既能深入分析基因間生物學(xué)功能,又可為植物遺傳育種提供新思路。傳統(tǒng)方法有生物鑒定和特征工程方法,但生物鑒定代價高、周期長,且不能大批量同時鑒定;特征工程則涉及過多人工干預(yù)且提取過程繁雜。因此,利用深度學(xué)習(xí)方法預(yù)測植物非編碼RNA有無互作關(guān)系具有巨大優(yōu)勢。本文提出一種引入注意力機制的多尺度CNN和BiLSTM的植物非編碼RNA互作關(guān)系預(yù)測模型(MCMPLA),其利用多尺度CNN和多池化操作豐富特征多樣性,并借助BiLSTM解決信息長期依賴缺失問題,同時引入注意力機制來獲取關(guān)鍵特征實現(xiàn)高效準確預(yù)測互作關(guān)系的目的。首先,在負集上進行聚類欠采樣處理以保證正負集均衡;為保存相鄰核苷酸之間的依賴聯(lián)系,對序列進行k-mers編碼;然后,利用多尺度卷積核和多池化操作的CNN代替單尺度情況,以此提取不同長度的主題特征,從而豐富...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容及結(jié)構(gòu)
2 ncRNA相互作用預(yù)測相關(guān)技術(shù)
    2.1 相互作用預(yù)測中的深度學(xué)習(xí)技術(shù)
        2.1.1 MSCGRU預(yù)測模型
        2.1.2 HOCNN網(wǎng)絡(luò)架構(gòu)
    2.2 miRNA-lncRNA相互作用預(yù)測工具與方法
        2.2.1 RNAHybrid預(yù)測工具
        2.2.2 CBiLSTM分類模型
        2.2.3 CIRNN分類模型
    2.3 本章小結(jié)
3 基于特征工程的miRNA-lncRNA相互作用預(yù)測模型
    3.1 數(shù)據(jù)集預(yù)處理
        3.1.1 數(shù)據(jù)集來源
        3.1.2 數(shù)據(jù)集構(gòu)建及預(yù)處理
    3.2 基于特征工程的預(yù)測模型構(gòu)建
        3.2.1 特征提取
        3.2.2 特征選擇算法
        3.2.3 機器學(xué)習(xí)算法
    3.3 實驗結(jié)果和分析
        3.3.1 交叉驗證
        3.3.2 性能評價指標
        3.3.3 基于不同特征選擇方法的分類性能
        3.3.4 基于不同機器學(xué)習(xí)方法的分類性能
    3.5 本章小結(jié)
4 多尺度CNN-BiLSTM的相互作用預(yù)測模型
    4.1 數(shù)據(jù)集處理及編碼
        4.1.1 數(shù)據(jù)集預(yù)處理
        4.1.2 編碼方式
    4.2 基于注意力機制的多尺度CNN-BiLSTM集成模型
        4.2.1 嵌入階段
        4.2.2 多尺度卷積池化階段
        4.2.3 BiLSTM階段
        4.2.4 注意力機制階段
        4.2.5 MCMPLA模型架構(gòu)
    4.3 不同架構(gòu)下的深度學(xué)習(xí)模型
        4.3.1 不同架構(gòu)下的多尺度CNN
        4.3.2 多尺度CNN與 BiLSTM的集成模型
        4.3.3 多尺度CNN與 Attention的集成模型
    4.4 實驗結(jié)果和分析
        4.4.1 不同k-mers編碼方式的性能比較
        4.4.2 不同編碼方式的性能比較
        4.4.3 多卷積和多池化對模型的改善效果
        4.4.4 BiLSTM和 Attention對模型的改善效果
        4.4.5 MCMPLA與特征工程及現(xiàn)有方法的比較
    4.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號：3890873