基于深度学习的S型棕榈酰化修饰位点和lncRNA识别方法研究

论文摘要

深度学习是一类以多层神经网络为特征的机器学习方法的统称。近年来,深度学习在图像识别、自然语言处理等领域已得到广泛应用。深度学习适于高样本量、高维度问题场景下的机器学习。在面向序列的生物信息学模型构建中,深度学习方法可通过对序列的初级编码,减少特征提取过程造成的信息损失。基于卷积神经网络,我们建立了通过肽段序列进行S型棕榈酰化修饰位点识别的预测工具DpPalm,我们在DpPalm中通过AAIndex1组合编码肽段序列。DpPalm在独立测试集上预测结果的AUC达到0.866。此外,我们基于双向长短时记忆-卷积混合网络建立了通过核酸序列进行lncRNA识别的预测工具Dp LNC。DpLNC在独立测试集上预测结果的AUC达到0.822。我们还建立了一个完全基于低通量实验验证的lncRNA综合数据库LIVE。我们使用LIVE中收录的新lnc RNA数据集,进一步验证了DpLNC的预测性能,预测敏感度达81.8%。LIVE中收录的数据涉及572种lncRNA,包含了来源于1045篇文献的1342个注释条目。本论文是深度学习在基于生物序列的信息学预测中的典型应用。本论文的研究成果不仅为S型棕榈酰化修饰位点的识别提供了有效工具,而且为lncRNA的识别建立了新的方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 S型棕榈酰化修饰位点鉴定
•     1.1.1 S型棕榈酰化简介
•     1.1.2 基于实验的S型棕榈酰化修饰位点鉴定
•     1.1.3 基于机器学习的S型棕榈酰化修饰位点识别
•   1.2 lnc RNA的鉴定与lnc RNA相关数据库
•     1.2.1 lnc RNA定义与特征
•     1.2.2 lnc RNA的分类
•     1.2.3 lnc RNA的功能
•     1.2.4 lnc RNA的信息学识别方法
•     1.2.5 lnc RNA相关数据库
•   1.3 深度学习
•     1.3.1 深度学习技术简介
•     1.3.2 深度学习框架Tensorflow
•   1.4 研究目的
•   1.5 本章小结
• 第二章 基于CNN的 S型棕榈酰化修饰位点识别算法Dp Palm
•   2.1 卷积神经网络
•   2.2 Dp Palm模型的设计与实现
•     2.2.1 数据集构建与序列编码方法
•     2.2.2 Dp Palm模型构建与训练
•   2.3 Dp Palm的性能评估和实例应用
•     2.3.1 Dp Palm的性能评估
•     2.3.2 Dp Palm的应用实例
•   2.4 本章小结
• 第三章 基于Bi LSTM-CNN混合网络的lnc RNA识别算法Dp LNC
•   3.1 长短时记忆网络
•   3.2 DpLNC模型的设计与实现
•     3.2.1 lnc RNA数据集构建与序列编码方法
•     3.2.2 DpLNC网络结构与训练
•   3.3 DpLNC的性能评估
•   3.4 本章小结
• 第四章 基于低通量实验验证的lnc RNA综合数据库LIVE
•   4.1 数据收集与数据标准化
•     4.1.1 基于Pubmed的文献收集
•     4.1.2 LIVE的数据收集与标准化
•   4.2 LIVE在线数据库的建设
•     4.2.1 LIVE的数据预处理
•     4.2.2 LIVE在线数据库的建设与结构
•   4.3 本章小结
• 结束语
• 致谢
• 参考文献
• 作者在学期间取得的学术成果
• 附录A DpPalm中筛选的5种AAIndex1 列表

文章来源

类型: 硕士论文

作者: 孙嘉琪

导师: 朱凌云,彭绍亮

关键词: 卷积神经网络,型棕榈酰化,双向长短时记忆网络,数据库

来源: 国防科技大学

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: 国防科技大学

分类号: TP18;Q811.4

DOI: 10.27052/d.cnki.gzjgu.2019.000193

总页数: 64

文件大小: 2164k

下载量: 1