一种基于多尺度交叉注意力模型的RNA修饰位点预测方法技术

本发明专利技术公开了一种基于多尺度交叉注意力模型的RNA修饰位点预测方法，涉及生物信息学RNA转录后修饰位点预测领域。包括：对包含N1‑

【技术实现步骤摘要】
一种基于多尺度交叉注意力模型的RNA修饰位点预测方法


[0001]本专利技术涉及生物信息学RNA转录后修饰位点预测领域，特别涉及一种基于多尺度交叉注意力模型的RNA中N1‑
甲基腺苷修饰位点预测方法。

技术介绍

[0002]研究表明，通过转录后RNA修饰的表观转录组调控对于所有种类的RNA都是必不可少的，所以，准确识别RNA修饰对于理解其目的和调控机制至关重要。
[0003]传统的RNA修饰位点识别实验方法相对复杂、费时、费力。机器学习方法已经应用于RNA序列特征提取和分类的计算过程中，可以更有效地补充实验方法。近年来，卷积神经网络(Convolutional Neural Networks,CNN)和长时记忆(Long short
‑
term memory,LSTM)由于在表征学习方面的强大功能，在修饰位点预测方面取得了显著的成就。
[0004]然而，卷积神经网络(CNN)可以从空间数据中学习局部响应，但不能学习序列相关性；长时记忆(LSTM)专门用于序列建模，可以同时访问上下文表示，但与CNN相比缺乏空间数据提取。由于以上原因，使用自然语言处理(Natural Language Processing,NLP)、其他深度学习(DeepLearn,DL)构建预测框架的动力十分强烈。
[0005]现有技术中，在构建预测框架时，使用注意力机制虽然可以关注到句子上下文的重要特征，但是单个注意力序列之间缺乏信息交互，难以描述复杂方面词的上下文关系；且没有充分联系上下文，加强文本中重要词汇对甲基化位点预测的影响。

技术实现思路

[0006]基于此，有必要针对上述技术问题，提供一种基于多尺度交叉注意力模型的RNA修饰位点预测方法。
[0007]本专利技术实施例提供一种基于多尺度交叉注意力模型的RNA修饰位点预测方法，包括：
[0008]对包含N1‑
甲基腺苷修饰位点的RNA碱基序列为正样本和不包含N1‑
甲基腺苷修饰位点的RNA碱基序列为负样本，每个样本取3组不同尺度的RNA碱基序列作为输入序列；
[0009]对3组输入序列均依次进行word2vec词嵌入编码和位置编码；
[0010]将编码后的3组序列编码模块中，获得特征序列；其中，所述编码模块包括：多个依次串联的编码块；所述编码块包括：一个多头交叉注意力层和一个前向反馈全连接层，且每层之间通过残差连接和标准化层；
[0011]将经过编码模块的输出结果求平均值，后经过全连接神经网络层和两分类器，预测人类物种RNA碱基序列中是否包含N1‑
甲基腺苷修饰位点。
[0012]进一步地，构建数据集；所述数据集包括：RNA碱基序列为正样本、RNA碱基序列为负样本和类别标签，且样本长度是41bp；输入序列设为序列a、序列b和序列c，其分别是长度为xbp、ybp、zbp不同尺度序列组成的集合；
[0013]所述数据集的训练集与测试集表示为：
[0014][0015]其中，y
n
∈{0,1},分别表示样本长度为xbp、ybp、zbp不同尺度的辅助序列，辅助序列是以序列中心为中心点左右截取不同尺度的序列。
[0016]进一步地，所述每个样本取3组不同尺度的RNA碱基序列作为输入序列，包括：
[0017]数据集中样本序列是以共同基序A为中心，前后取值窗口为大小不同的bp，以x1bp、y1bp、z1bp共3个不同为例，即每个m1A正样本/负样本由xbp、ybp、zbp组成，当样本序列在某些位置不存在碱基时，缺少碱基使用
‘‑’
字符填充；此处设x1＝10，y1＝15，z1＝20，因此，x＝21，y＝31，z＝41。
[0018]进一步地，所述word2vec词嵌入编码，具体包括：
[0019]利用大小为3个碱基的窗口，每次滑动1个碱基的形式，在每条样本序列上滑动，直到窗口碰到序列最末端时滑动结束，由此会获得105种不同的子序列和唯一的整数序列组成的字典；
[0020]针对不同尺度的样本序列，分别使用word2vec的CBOW模型编码RNA序列；对于41个碱基的样本，利用大小为3个碱基的窗口，每次滑动1个碱基的形式，在每条样本序列上滑动，直到窗口碰到序列最末端时滑动结束，由此，得到39个由3个碱基组成的子序列，使用word2vec的CBOW模型编码RNA序列，因此，每个子序列被转换成表征语义的词向量，再利用得到的词向量将RNA碱基序列中长度为41bp转换成39*100的矩阵，其中，39为预处理时词的个数，100为词向量维度。
[0021]进一步地，所述编码模块包括：3个依次串联编码块。
[0022]进一步地，所述编码模块包括：
[0023]模型输出的维度d
model
＝64，多头数h＝8，前向反馈网络维度d_ff＝256，暂时从网络中丢弃的概率为dropout＝0.1。
[0024]进一步地，所述多尺度交叉注意力层，包括：
[0025]序列a进行自注意力计算的同时，序列a分别与序列b、序列c进行交叉注意力计算，交叉注意力是指第一个序列用作查询query输入，另一个序列用做键key输入和值value输入，进行注意力计算；将3种注意力的输出结果加起来作为交叉注意力层的输出，实现多尺度交叉注意力层。
[0026]进一步地，所述多尺度交叉注意力层中的交叉注意力机制算法，包括：
[0027]多个相同维度不同尺度的独立序列，其中，第一个序列用作查询query输入，剩下序列分别与第一个序列进行注意力计算，即剩下序列在进行注意力计算时，用做键key输入和值value输入；其具体包括：
[0028]一个序列为序列a，另一个序列为序列b，序列a做查询输入，序列b中每个键与值对应；将序列a的查询与序列b的键之间先做矩阵相乘再做放缩，产生一个注意力得分；使用softmax函数对注意力得分做归一化处理，得到每个键的权重，将权重矩阵相乘序列b的值得到交互注意力输出，其对应的等式如下：
[0029][0030]其中，softmax的作用是对向量做归一化，即对相似度的归一化，得到了一个归一
化之后的权重矩阵，矩阵中，某个值的权重越大，表示相似度越高。Q
a
是序列a查询向量、K
b
是序列b键向量、V
b
是序列b值向量，d
k
为序列b键向量的维度大小，K
bT
为序列b键向量的转置；当输入序列为X时，首先使用线性投影将序列X转换成Q
x
、K
x
、V
x
,它们们都是从同样的输入序列X线性变换而来的，通过以下等式表示：
[0031]Q
x
＝XW
Q
[0032]K
x
＝XW
K
[0033]V
x
＝XW
V
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，包括：对包含N1‑
甲基腺苷修饰位点的RNA碱基序列为正样本和不包含N1‑
甲基腺苷修饰位点的RNA碱基序列为负样本，每个样本取3组不同尺度的RNA碱基序列作为输入序列；对3组输入序列均依次进行word2vec词嵌入编码和位置编码；将编码后的3组序列输入到编码模块中，获得特征矩阵；其中，所述编码模块包括：多个依次串联的编码块；所述编码块包括：一个多头交叉注意力层和一个前向反馈全连接层，且每层之间通过残差连接和标准化层；将经过编码模块的输出结果求平均值，后经过全连接神经网络层和两分类器，预测人类物种RNA碱基序列中是否包含N1‑
甲基腺苷修饰位点。2.如权利要求1所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，还包括：构建数据集；所述数据集包括：RNA碱基序列为正样本、RNA碱基序列为负样本和类别标签，且样本长度是41bp；输入序列设为序列a、序列b和序列c，其分别是长度为xbp、ybp、zbp不同尺度序列组成的集合；所述数据集的训练集与测试集表示为：其中，y
n
∈{0,1},分别表示样本长度为xbp、ybp、zbp不同尺度的辅助序列，辅助序列是以序列中心为中心点左右截取不同尺度的序列。3.如权利要求2所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，所述每个样本取3组不同尺度的RNA碱基序列作为输入序列，包括：数据集中样本序列是以共同基序A为中心，前后取值窗口为大小不同的bp，以x1bp、y1bp、z1bp共3个不同为例，即每个m1A正样本/负样本由xbp、ybp、zbp组成，当样本序列在某些位置不存在碱基时，缺少碱基使用
‘‑’
字符填充；此处设x1＝10，y1＝15，z1＝20，因此，x＝21，y＝31，z＝41。4.如权利要求1所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，所述word2vec词嵌入编码，具体包括：利用大小为3个碱基的窗口，每次滑动1个碱基的形式，在每条样本序列上滑动，直到窗口碰到序列最末端时滑动结束，由此会获得105种不同的子序列和唯一的整数序列组成的字典；针对不同尺度的样本序列，分别使用word2vec的CBOW模型编码RNA序列；对于41个碱基的样本，利用大小为3个碱基的窗口，每次滑动1个碱基的形式，在每条样本序列上滑动，直到窗口碰到序列最末端时滑动结束，由此，得到39个由3个碱基组成的子序列，使用word2vec的CBOW模型编码RNA序列，因此，每个子序列被转换成表征语义的词向量，再利用得到的词向量将RNA碱基序列中长度为41bp转换成39*100的矩阵，其中，39为预处理时词的个数，100为词向量维度。5.如权利要求1所述的基于多视角分类模型多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，所述编码模块包括：3个依次串联的编码块。6.如权利要求1所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在
于，所述编码模块包括：其输出的维度d
model
＝64，多头数h＝8，前向反馈网络维度d_ff＝256，暂时从网络中丢弃的概率为dropout＝0.1。7.如权利要求1所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，所述多尺度交叉注意力层，包括：序列a进行自注意力计算的同时，序列a分别与序列b、序列c进行交叉注意力计算，交叉注意力是指第一个序列用作查询query输入，另一个序列用做键key输入和值value输入，进行注意力计算；将3种注意力的输出结果加起来作为交叉注意力层的输出，实现多尺度交叉注意力层。8.如权利要求7所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，所述多尺度交叉注意力层中的交叉注意力机制算法，包括：多个相同维度不同尺度的独立序列，其中，第一个序列用作查询query输入，剩下序列分别与第一个序列进行注意力计算，即剩下序列在进行注意力计算时，用做键key输入和值value输入；其具体包括：一个序列为序列a，另一个序列为序列b，序列a做查询输入，序列b中每个键与值对应；将序列a的查询与序列b的键之间先做矩阵相乘再做放缩，产生一个注意力得分；使用softmax函数对注意力得分做归一化处理，得到每个键的权重，将权重矩阵相乘序列b的值得到交互注意力输出，其对应的等式如下：其中，softmax的作用是对向量做归一化，即对...

【专利技术属性】
技术研发人员：王鸿磊，张林，刘辉，张雪松，王栋，曾文亮，
申请(专利权)人：徐州工业职业技术学院，
类型：发明
国别省市：