基于U-net卷积神经网络的RNA二级结构预测研究

发布时间：2021-08-08 17:15

　　非编码RNA不能编码转录成蛋白质,但是在定位、复制、翻译、降解、调节和生物大分子的稳定性等方面却起着不可缺少的作用,这些作用通常和非编码RNA的结构密切相关,而目前实验方法测量RNA结构即困难,又昂贵,因此越来越多的研究者采用计算模拟的方法对RNA结构展开研究,RNA二级结构预测作为三级结构研究的基础,对基因组研究、药物设计等也有很大的作用。而今,随着机器学习、深度学习在人工智能、计算机视觉、图像处理、文本处理、语音识别等领域的广泛应用,许多研究者也开始尝试使用神经网络进行RNA二级结构预测研究。本文对已经在图像分割问题上取得了很好成绩的U-net卷积神经网络进行了改进,引进了focal loss函数作为神经网络的损失函数,有效解决了RNA二级结构预测研究中的正负样本不均衡问题。文中使用的训练集来自RNAstand数据库,包含1128条长度小于500nt的序列,测试集来自PDB数据库,去相似性后包含84条长度小于500nt的序列。保持神经网络结构和数据集不变,分别基于RNA序列的物理化学性质特征,提出了PC-Unet模型,取得的平均PPV为0.654,STY为0.667,MCC为0.6... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

-3RNA二级结构示例

割上取得了很好的成绩[59]。而 RNA 二级结构预测问题与图像分割问题有异曲同工之妙，故此我们借鉴了 Olaf Ronneberger 等人的网络模型，并进行了一些优化，使之在 RNA 二级结构预测上取得了很好的效果。改进后的 U-net 卷积神经网络模型结构共计有 59 层，除去输入层和输出层，可以分成 9 个模块，如图 3.1-1 所示。

【参考文献】：
博士论文
[1]核酸分子结构预测研究[D]. 王剑.华中科技大学 2017



本文编号：3330354