基于深度学习的RBP结合位点预测模型研究

论文摘要

在生物信息学中,RNA结合蛋白（RBP）的结合位点分析一直是一项耗时又耗力的研究。随着大数据和人工智能的发展和生物基因组测序数据的完善,通过计算机对基因表达分析过程中产生的数据进行研究分析,找到其中的生物学规律,进而极大的降低了RNA结合蛋白的结合位点分析的难度。在人工智能快速发展的当前,许多科研工作者投入到了深度学习算法的应用与改进之中,基于深度学习的RNA结合蛋白的结合位点方面的研究近年来已是生物信息学中比较热门的研究课题之一。不同于以往对生物信息的处理方法和实验过程,本文主要通过卷积神经网络与循环神经网络相结合的深度学习算法对RNA结合蛋白的结合位点序列数据进行研究与分析,分析出RNA结合蛋白结合位点的序列与结构特性并预测RNA结合蛋白的结合位点。主要的研究内容主要包括以下两个方面:1.构建深度卷积网络CNN网络模型CRSDeep,通过模型分析RNA结合蛋白（RBP）数据,分析RNA结合蛋白的具体结合的基因序列位点与结构基序,并对实验结果进行相应的分析比对。2.将深度卷积神经网络CNN与循环神经网络RNN相结合的网络应用于RNA结合蛋白的基因序列数据,提出基因组序列预测模型GDeepsp对RNA结合蛋白的基因序列进行分析预测,并与原始数据进行相应的比对。本文利用生物信息中RBP相关数据集验证基于深度学习的RBP结合位点的预测模型研究的正确性,用CLIP-seq数据集中的序列数据集进行相应实验,并验证算法模型的准确性。本论文的研究成果大大缩短了生物信息学相关分析的实验成本和实验周期,并从大量RNA结合蛋白的数据中找到生物信息学科研工作者所需要的实验数据从而提供相应的支持。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•     1.2.1 深度学习研究现状
•     1.2.2 深度学习在RBP结合位点预测的应用现状
•   1.3 主要研究内容
•   1.4 论文组织结构
• 第二章 深度学习理论基础
•   2.1 卷积神经网络
•     2.1.1 卷积层
•     2.1.2 非线性层
•     2.1.3 池化层
•     2.1.4 全连接层
•   2.2 循环神经网络
•     2.2.1 RNN结构
•     2.2.2 RNN的传播过程
•     2.2.3 RNN的训练方法
•     2.2.4 LSTM网络
• 第三章 RBP结合位点的表示方法与预测评价标准
•   3.1 RBP结合位点的表示方法
•     3.1.1 位置-权重矩阵模型（PWM）表示法
•     3.1.2 序列logo表示法
•   3.2 RBP结合位点预测的评价标准
•     3.2.1 E-value
•     3.2.2 AUC
•   3.3 本章小结
• 第四章 基于CNN的 RBP结合位点基序分析
•   4.1 数据来源
•   4.2 算法理论与实现流程
•     4.2.1 卷积神经网络的优化
•     4.2.2 SGD算法及其变种
•     4.2.3 实现流程
•   4.3 实验结果分析
•   4.4 本章小结
• 第五章 基于CNN与 RNN的 RBP结合位点序列预测模型
•   5.1 预测模型的实现流程
•     5.1.1 双向LSTM的应用
•     5.1.2 RMSProp算法
•     5.1.3 Adam算法
•     5.1.4 模型的实现步骤
•   5.2 预测模型结果比对
•   5.3 本章小结
• 第六章 总结与展望
•   6.1 本文总结
•   6.2 未来工作的展望
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 李荣胜

导师: 胡荣静

关键词: 生物信息学,结合蛋白的结合位点,深度学习

来源: 兰州大学

年度: 2019

分类: 基础科学,信息科技

专业: 生物学,自动化技术

单位: 兰州大学

分类号: Q811.4;TP18

总页数: 60

文件大小: 3078K

下载量: 189