lncRNA基因调控关系的分析与预测

论文摘要

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LSTM-AE比基于SVR的模型具有更好的性能,准确度分别为99.87%和97.13%。这些模型可以准确地预测miRNA-lncRNA相互作用,并为未来基因组研究奠定了基础。将集成学习应用于生物学研究,考虑到RNA序列的多样性,该方法对于异质数据具有较好的效果,为相关研究提供了借鉴作用。

论文目录

• 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

文章来源

类型: 硕士论文

作者: Ismalia Bouba

导师: Meng Jun

关键词: 相互作用,序列,调控网络,自动编码器

来源: 大连理工大学

年度: 2019

分类: 基础科学,信息科技

专业: 生物学,生物学,自动化技术

单位: 大连理工大学

基金: the National Natural Science Foundation of China(No. 61872055)

分类号: Q943.2;TP181

DOI: 10.26991/d.cnki.gdllu.2019.001711

总页数: 48

文件大小: 2697K

下载量: 48