基于深度卷积神经网络识别可变剪接位点

论文摘要

可变剪接源于多外显子基因生成多个转录本的调控过程。随着高通量测序,尤其是RNA-seq的研究进展,剪接序列和剪接位点可以通过挖掘海量的测序数据进行预测。可变剪接现象拓宽了人们对基因结构和蛋白质亚型的知识。然而现有的短序列比对软件受到随机性比对的影响,产生很多假阳性剪接位点,干扰下游数据分析。本研究发现,可变剪接位点周边序列的结构特征可被深度学习模型提取,并利用深度卷积神经网络识别剪接位点。本研究的模型具有识别率高、计算速度快,模型泛化能力强、鲁棒性高等优势。

论文目录

• 1 结果与分析
•   1.1 深度学习模型结构、训练参数设置及训练结果
•   1.2 深度卷积神经网络与现有模型的性能比较
•   1.3 深度卷积神经网络模型的泛化能力及鲁棒性验证
• 2 讨论
• 3 材料与方法
•   3.1 序列数据的表征
•   3.2 深度卷积神经网络模型
•   3.3 代码实现
•   3.4 模型的性能评定
• 作者贡献

文章来源

类型: 期刊论文

作者: 张雨晨,杨立桃,王灿华

关键词: 深度学习,可变剪接,卷积神经网络,高通量测序

来源: 基因组学与应用生物学 2019年11期

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,自动化技术

单位: 上海交通大学生命科学技术学院

基金: 转基因作物新品种培育重大专项(2016ZX08012-003)资助

分类号: Q811.4;TP183

DOI: 10.13417/j.gab.038.004986

页码: 4986-4991

总页数: 6

文件大小: 479K

下载量: 130