lncRNA基因调控关系的分析与预测

发布时间：2021-01-12 10:19

　　研究表明,每种非编码RNA（ncRNA）不仅可以通过其靶基因起作用,而且可以彼此相互作用以作用影响于生物学性状,并且这种相互作用更常见。许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,提出了两个独立的模型来分析和预测lncRNA基因调控关系。第一个模型基于传统支持向量回归（SVR）,第二类模型基于深度集成学习。在第一个模型中,使用SVR研究了拟南芥miRNA和长非编码RNA（lncRNA）相互作用,模型可以识别出新的相互作用并分析在胁迫响应下的调节作用。构建并分析了miRNAmRNA,miRNA-lncRNA和miRNA-mRNA-lncRNA的互作网络。我们发现具有低序列号的miRNA,具有高序列号的靶向lncRNA和具有高序列号的miRNA靶向具有低序列号的lncRNA。实验结果表明miRNA-lncRNA之间存在调节关系。使用具有新基因表达机制的SVR预测新RNA靶标,并标注了胁迫响应相关功能。在第二个模型中,我们使用长短期记忆自动编码器（LSTM-AE）在相同的数据集上研究了miRNA-lncRNA序列的相互作用。实验结果表明,方法... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
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



本文编号：2972679