基于二級結構的MicroRNA識別.pdf

1、MicroRNA（miRNA）是一類具有調控功能的非編碼RNA，長度大約為20-24個核苷酸。它們對于轉錄和轉錄后基因的表達具有調控作用，并且參與多種疾病的生理過程，但是其具體作用機制尚不明確。因此對microRNA進行識別，對于生物學基礎研究和基于microRNA的治療方案的研究來說都具有非常重要的意義。在后基因時代，隨著RNA序列的雪崩式增長，對基于序列信息的microRNA識別的計算方法的研究需求變得愈發(fā)熱切。本課題對microR

2、NA的識別問題進行了深入的研究，主要從microRNA序列的二級結構序列信息的角度，提取有效特征，并結合機器學習方法、自然語言處理技術來構建預測模型，具體研究內容如下：
　　第一，提出偽二級結構狀態(tài)成分（Pseudo structure status composition，PseSSC）的概念，并將之應用到microRNA識別的問題上。它針對現有方法只考慮RNA一級結構序列信息的不足，提出融合RNA二級結構序列信息的改進方案，同

3、時結合RNA全局序列信息，來對RNA序列進行特征提取。通過這種特征提取方法，將RNA序列轉化為特征向量，之后采用支持向量機構建分類器識別microRNA。在基準數據集上的microRNA識別準確率達到了85.76％，優(yōu)于該領域現有的最優(yōu)方法。
　　第二，提出一種基于“二級結構距離狀態(tài)對”的預測方法miRNA-dis，針對PseSSC方法由于忽略不同二級結構狀態(tài)對的距離特性而導致的對microRNA序列信息刻畫不足的問題作出改進。在

4、基準數據集上的實驗結果顯示，miRNA-dis在預測精度（88.92%）與計算性能方面都優(yōu)于其他對比實驗方法。此外，特征權重分析也表明本課題提出的miRNA-dis方法，可以對microRNA序列的二級結構進行有效刻畫。為了結合二級結構全局序列信息與二級結構距離狀態(tài)對的優(yōu)點，進一步提出了基于“偽二級結構距離狀態(tài)對成分”的預測方法PseDPC。在基準數據集上的實驗結果顯示，PseDPC方法比只考慮了二級結構全局序列信息的PseSSC方法的

5、預測精度高1.93個百分點。
　　第三，提出一種基于“有間n元二級結構狀態(tài)組”（GSSC）的預測方法，針對傳統(tǒng)的n-gram方法為了包含更多的全局信息而采取較大的n時導致的向量稀疏問題，引入“間隔”的概念，從而緩解了基于n-gram的方法在n較大時，對噪音數據的干擾過于敏感的問題。為了提高計算效率以處理大批量的數據，本課題設計了一個優(yōu)化的核函數，并采取樹形數據結構以及一系列的近似策略來提高核函數的計算效率。在基準數據集上的實驗結果

6、顯示，該方法的預測精度為86.91%，AUC值為0.941，優(yōu)于該領域現有的最優(yōu)方法，并且比只考慮了RNA二級結構全局序列信息的PseSSC方法的預測精度高1.15個百分點。
　　第四，提出一種基于加權求和投票法策略的集成學習預測方法，通過整合上述4種方法的預測結果，對待測序列是否是microRNA做出綜合預測。為了分析以這4種方法作為基分類器進行集成學習的可行性，本課題通過設計實驗討論了這4種方法的互補性。在基準數據集上的實驗結