基于多视角深度特征与多标签学习的RNA结合蛋白识别制造技术

本发明专利技术属于智能细胞生物识别领域，涉及基于多视角深度特征与多标签学习的RNA结合蛋白识别。该方法包括训练阶段和使用阶段两部分，训练阶段包括初始多视角数据构造、深度多视角特征提取模型和多标签分类器训练。初始多视角数据构造使用分子生物学原理和统计学原理将原始的RNA序列转换成氨基酸序列和二肽成分，获得氨基酸序列和二肽成分特征，然后和原始的RNA序列一起构建成初始多视角特征，为初始多视角特征构建模型。本发明专利技术基于最初的多视角数据，利用CNN进行深度学习来构造出深度多视角特征，相对于原始多视角特征，经过深度特征提取的多视角特征具有更小的数据维度和更高的分类效果。

【技术实现步骤摘要】
基于多视角深度特征与多标签学习的RNA结合蛋白识别
本专利技术属于智能细胞生物识别领域，涉及一种基于多视角深度特征与多标签学习的RNA结合蛋白识别。
技术介绍
RNA，全称核糖核酸，存在于生物细胞以及部分病毒、类病毒中的遗传信息载体之中，在生命体中主要起到调控编码基因表达的作用，同时也担任基因转录后合成蛋白质模板的角色，是生命体中不可缺少的成分。一条RNA想要顺利发挥其功能，一般需要借助RNA结合蛋白(RBP)进行介导，所以缺少某种RBP可能会导致某类RNA无法发挥其调控或翻译的功能，从而使生命体缺少某些重要蛋白质或某些蛋白质异常增殖，影响自身机能。RNA结合蛋白(RBP)是转录后事件的关键参与者，它们的RNA结合结构域的多功能性与结构灵活性使得RBP能够控制大量转录物的代谢。目前确定的人类RBP大约有1542种，占由细胞编码而成的所有蛋白质的7.5％。RBP几乎涉及转录后调控层的所有步骤，它们与其他蛋白质以及编码和非编码RNA建立高度动态的相互作用，产生称为核糖核蛋白复合物的功能单元，调节RNA剪切、多腺苷酸化、稳定性、定位、翻译和退本文档来自技高网...

【技术保护点】
1.基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特点在于：训练阶段的步骤为：/n第一步：使用one-hot编码技术将原始RNA序列编码为数值矩阵，作为初始RNA序列特征X

【技术特征摘要】
1.基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特点在于：训练阶段的步骤为：
第一步：使用one-hot编码技术将原始RNA序列编码为数值矩阵，作为初始RNA序列特征X1；
第二步：使用分子生物学原理将原始RNA序列转换成氨基酸序列，再用one-hot编码技术转化为数值矩阵，作为初始氨基酸序列特征X2；
第三步：使用统计学原理将氨基酸序列转化为二肽柱状数值矩阵，作为初始二肽成分特征X3；得到初步多视角数据集D＝{X1，X2，X3，y}；
第四步：利用X1，y对RNA序列深度特征提取网训练，取RNA视角深度特征提取使用的CNN网络架构的倒数第二层用做RNA序列深度特征
第五步：利用X2，y对氨基酸序列深度特征提取网络训练，取氨基酸视角深度特征提取使用的CNN网络架构的倒数第二层用做氨基酸序列深度特征
第六步：利用X3，y对二肽成分深度特征提取网络训练，取二肽视角深度特征提取使用的CNN网络架构的倒数第二层用做二肽成分深度特征
第七步：利用y对RNA视角CC多标签分类器模型训练；
第八步：利用y对氨基酸视角CC多标签分类器模型训练；
第九步：利用y对二肽视角CC多标签分类器模型训练；
第十步：对测试数据使用初始多视角特征构建模型构建初步多视角测试数据集
第十步：使用深度多视角特征提取模型得到深度多视角测试数据集
第十一步：使用训练好的CC多标签分类模块对多视角测试数据集进行预测，得到多视角初步结果
第十二步：使用投票机制对多视角初步结果进行决策。


2.如权利要求1所述的基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特征在于：所述第四步中的RNA视角深度特征提取使用的CNN网络架构，包括1个二维卷积层、1个池化层、1个扁平层、2个dropout层和2个全连接层；CNN网络架构第一层卷积层为101个4*10的卷积核，得到的101个1*2701的特征图；第二层池化层的池化长度为3，得到101个1*900的特征图；第三层为扁平层，得到1个1*90900的特征图；第四层为概率0.5的dropout层，得到1个1*90900的特征图；第五为全连接层，将1个1*90900的特征图转换成一个1*202的向量；第六层为概率0.5的dropout层，得到1个1*202的特征图；第五为全连接层，将1个1*202的特征图转换成一个1*68的向量。


3.如权利要求1或2所述的基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特征在于：所述第五步中的氨基酸视角深度特征提取使用的CNN网络架构，包括包括1个二维卷积层、1个池化层、1个扁平层、2个dropout层和2个全连接层；CNN网络架构第一层卷积层为101个20*10的卷积核，得到的101个1*2701的特征图；第二层池化层的池化长度为3，得到101个1*900的特征图；第三层为扁平层，得到1个1*90900的特征图；第四层为概率0.5的dropout层，得到1个1*90900的特征图；第五为全连接层，将1个1*90900的特征图转换成一个1*202的向量；第六层为概率0.5的dro...

【专利技术属性】
技术研发人员：邓赵红，杨海涛，吴敬，王蕾，王士同，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32