基于深度学习的跨物种M6A修饰位点预测研究

论文摘要

RNA转录后修饰是对转录后的RNA进行加工的过程,在许多生命过程中发挥着重要作用。目前鉴定到的已有150余种转录后修饰,其中N6-甲基腺苷（N6-methyladenosine,m6A）是RNA转录后修饰中最为常见的一类,其广泛地存在于哺乳动物,酿酒酵母和拟南芥等物种中。M6A是一种可逆修饰,其调节着RNA的定位、转录、剪接和稳定性。此外其与肿瘤、肥胖症等疾病具有关联。因此,从RNA序列中精准地鉴定出m6A修饰位点,对基础研究和药物开发有着重大意义,是一项非常有意义的工作。传统的基于生化实验来识别m6A修饰位点的方法不仅耗时长、成本高,而且规模较小。近年来,研究人员开发出了多个基于机器学习的m6A修饰位点预测器,但是其都是面向单一物种且预测精度有限。因此,设计一种高精度的跨物种m6A修饰位点预测模型,是非常有必要的。本文对m6A修饰位点预测问题进行了研究,主要工作如下:（1）对基于RNA序列的m6A修饰位点预测问题进行研究,提出一种新型的RNA序列特征提取方法,即改进的核苷酸组成成分（Enhanced Nucleic Acid Composition,ENAC）。该方法利用滑动窗口的思想,分别计算滑动窗口中每种核苷酸出现的频率。此方法融合了序列的局部信息和全局信息,能够更好地表达修饰位点周围RNA序列的特征。基于此特征提取方法,构建了随机森林预测模型。实验结果表明,与常见的RNA序列特征提取方法相比,该方法能有效提高N6-甲基腺苷位点的预测性能。（2）将深度学习应用于m6A修饰位点预测,提出了基于单向门控循环单元（Unidirectional GRU-based RNN predictor,UGRU）和双向门控循环单元（Bidirectional Gated Recurrent Unit,BGRU）的m6A修饰位点预测模型。实验结果表明,BGRU预测模型在多物种上具有更好的预测结果。（3）通过逻辑回归的方法,融合基于深度学习的BGRU预测模型和基于ENAC方法的随机森林预测模型,构建了一个高精度的跨物种m6A修饰位点预测模型,BERMP方法。实验结果表明,在多个物种上,本文提出的BERMP方法在相同独立测试集上的预测性能都要优于现有的单物种m6A修饰位点预测方法。（4）对提出的BERMP方法提供了在线的预测服务平台,以便相关研究人员免费地使用（http://www.bioinfogo.org/bermp/）。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景及意义
•     1.1.1 生物信息学概述
• 6A修饰简介'>    1.1.2 M⁶A修饰简介
• 6A修饰位点鉴定的研究现状'>  1.2 M⁶A修饰位点鉴定的研究现状
•     1.2.1 基于实验的m6A修饰位点鉴定方法
•     1.2.2 基于计算模型的m6A修饰位点预测方法
•   1.3 本文研究工作
•   1.4 本文章节安排
• 第二章 机器学习与深度学习方法相关知识
•   2.1 常用机器学习方法
•     2.1.1 支持向量机
•     2.1.2 随机森林
•   2.2 常用深度学习方法
•     2.2.1 多层感知机
•     2.2.2 卷积神经网络
•     2.2.3 循环神经网络
•   2.3 深度学习优化方法
•   2.4 深度学习关键技术
•   2.5 本章小结
• 6A修饰位点预测方法'>第三章 基于ENAC方法的多物种m⁶A修饰位点预测方法
•   3.1 数据集
•   3.2 特征提取
•     3.2.1 伪核苷酸组成成分
•     3.2.2 K-间隔核苷酸对频率
•     3.2.3 K-mer核苷酸频率
•     3.2.4 改进的核苷酸组成成分
•   3.3 基于ENAC方法的随机森林预测模型构建与评价指标
•   3.4 实验结果与分析
•   3.5 本章小结
• 6A修饰位点预测方法'>第四章 基于深度学习的m⁶A修饰位点预测方法
•   4.1 基于门控循环单元的深度学习模型
•   4.2 实验结果与分析
•     4.2.1 UGRU和 BGRU模型性能评估
•     4.2.2 数据集大小对深度学习模型的性能影响
•     4.2.3 整合BGRU模型和基于ENAC方法的随机森林预测模型建立
•     4.2.4 与现有单物种预测器的比较
•   4.3 BERMP在线预测网站简介
•   4.4 本章小结
• 第五章 总结与展望
•   5.1 总结
•   5.2 展望
• 参考文献
• 攻读学位期间的研究成果
• 致谢

文章来源

类型: 硕士论文

作者: 黄宇

导师: 李磊

关键词: 生物信息学,深度学习,双向门控循环单元,甲基腺苷,随机森林

来源: 青岛大学

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: 青岛大学

分类号: Q811.4;TP18

DOI: 10.27262/d.cnki.gqdau.2019.001819

总页数: 55

文件大小: 4729K

下载量: 145