基于深度神经网络的长非编码RNA预测方法研究

论文摘要

随着高通量转录组测序技术的发展和应用,数以万计的新型RNA得以发现,特别是长非编码RNA（long non-coding RNA,lncRNA）。研究表明,哺乳动物基因组大部分能够被转录,但具有蛋白质编码功能的基因只占其中的1%～2%,而其余都是具有转录活性的非蛋白质编码基因,其转录物称为非编码RNA（noncoding RNA,ncRNA）。过去被认为是“噪音”基因的ncRNA因其复杂的生物功能引起生物学家的注意,ncRNA已成为近年来基因组研究的热点之一。其中,lncRNA的转录本长度一般大于200nt,其翻译能力缺失或者翻译能力较低,并能够广泛参与复杂的生物功能。由于当前技术水平的限制,只有少量lncRNA的功能机制被确定,如调控哺乳动物2号染色体基因表达的HOTAIR,以及主导X染色体灭活过程的Xist等。对lncRNA的准确识别是lncRNA注释和功能研究的基础。传统用于lncRNA预测的计算方法主要有 CPC（Coding-Potential Calculator）、CNCI（Coding-Non-Coding Index）和 CPAT（Coding-Potential Assessment Tool）等。CPC 选取的特征包括开放阅读框（Open Reading Frame,ORF）的长度和质量,采用支持向量机（Support Vector Machine,SVM）模型训练数据。CPC方法在lncRNA预测方面有一定的准确性和容错性,但其训练数据过分依赖蛋白质库的准确性和序列保守性。CNCI主要采用密码子特性作为训练特征,与其他方法相比,CNCI预测精度较低,且耗时较长。CPAT整合多个物种的特征用于逻辑回归（Logistic Regression,LR）模型训练,以达到更好的预测效果。鉴于当前lncRNA注释越来越完善及相关数据不断增加,本文提出通过深度神经网络（Deep Neural Network,DNN）训练lncRNA预测模型,并命名为lncRScan-DNN。与现有的预测方法相比,DNN是一种快速、准确且适用于分类的算法。lncRScan-DNN选取的特征包括k-mer信息、转录本长度、密码子长度（CDSlength）、密码子长度占比（CDSpercentage）、密码子序列得分（CDSscore）和终止密码子标准差（stopcodonstd）。阳性样本数据来自lncRNA数据库GENCODE与NONCODEv5,阴性样本数据来自mRNA数据库UCSC与zflncRNApedia。为了减轻模型过拟合的影响,采用十折交叉验证方法对训练结果进行训练。通过与传统方法（包括CPAT、CNCI和CPA2）进行比较分析,lncRScan-DNN 在特异性（sensitivity）、准确性（accuracy）、马修斯系数（Matthews correlation coefficient）和 receiver operating characteristic curve 曲线（ROC）等性能指标表现更好。另外,lncRScan-DNN还在包括人类、小鼠、大鼠、猪、鸡、斑马鱼、黑猩猩和线形虫8个物种数据上进行了测试和比较,且性能较好。本文提出的lncRScan-DNN方法借助于整合的特征集合和深度神经网络算法,取得了良好的lncRNA预测性能,可作为lcnRNA分析的重要基础。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景和意义
•   1.2 长非编码RNA预测研究现状
•   1.3 本文章节安排
• 第二章 长非编码RNA预测基础
•   2.1 RNA相关理论
•     2.1.1 基于生物功能的RNA分类
•     2.1.2 基于编码蛋白质能力的RNA分类
•   2.2 长非编码RNA相关理论及识别基础
•     2.2.1 长非编码RNA的定义
•     2.2.2 长非编码RNA的分类
•     2.2.3 长非编码RNA功能分析
•     2.2.4 长非编码RNA与人类疾病关系
•     2.2.5 长非编码RNA相关数据库介绍
•   2.3 长非编码RNA预测相关的实验方法
•     2.3.1 覆瓦式微阵列
•     2.3.2 cDNA文库和EST
•     2.3.3 染色质签名
•   2.4 长非编码RNA预测相关的计算方法
•     2.4.1 基于保守性策略的预测方法
•     2.4.2 基于机器学习的预测方法
•   2.5 本章小结
• 第三章 基于深度神经网络的长非编码RNA预测方法
•   3.1 长非编码RNA预测方法设计
•   3.2 训练集和测试集建立
•     3.2.1 转录本数据
•     3.2.2 转录本数据去冗余
•     3.2.3 特征数据去冗余
•   3.3 特征选择
•     3.3.1 转录本序列特征
•     3.3.2 ORF特征
•     3.3.3 二级结构特征
•     3.3.4 本文所选特征
•   3.4 模型构建
•     3.4.1 深度神经网络基础知识
•     3.4.2 本文深度神经网络构建
•   3.5 预测模型的软件实现
•   3.6 本章小结
• 第四章 实验结果及分析
•   4.1 实验结果分析
•   4.2 不同模型的物种交叉验证
•   4.3 人类模型补充实验
•   4.4 模型运行速度分析
•   4.5 本章小结
• 第五章 总结展望
•   5.1 论文工作总结
•   5.2 下一步研究工作
• 参考文献
• 致谢
• 研究生期间发表论文及参加项目情况

文章来源

类型: 硕士论文

作者: 刘珊珊

导师: 孙磊

关键词: 转录组测序,长非编码,编码蛋白质,深度神经网络

来源: 扬州大学

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: 扬州大学

分类号: Q811.4;TP183

DOI: 10.27441/d.cnki.gyzdu.2019.001657

总页数: 72

文件大小: 4555K

下载量: 43