一种基于多模态自适应图对比学习的2′-O-甲基化位点预测方法技术

本发明专利技术涉及一种基于多模态自适应图对比学习的2′‑O‑甲基化位点预测方法，包括：获取RNA分子，基于RNA分子，构建多模态图；对多模态图进行局部图结构增强和节点特征编码，获取节点嵌入特征，将节点嵌入特征输入自适应注意力融合模型，获取2′‑O‑甲基化位点预测结果；自适应注意力融合模型利用第一训练集训练获得；其中，自适应注意力融合模型通过自适应注意力融合模块计算节点嵌入特征中每个节点在不同模态下的特定权重，利用特定权重融合节点特征，基于全连接层对融合后节点特征进行分类预测，获取2′‑O‑甲基化位点预测结果。本发明专利技术进一步优化2OM位点的预测效率，为相关研究提供更加可靠的工具。

【技术实现步骤摘要】

本专利技术涉及生物信息学与人工智能交叉，特别是涉及一种基于多模态自适应图对比学习的2′-o-甲基化位点预测方法。

技术介绍

1、2′-o-甲基化(2om)是rna分子中一种普遍存在的转录后修饰，广泛参与调控rna的稳定性、mrna剪接与翻译过程，同时对先天免疫反应也具有重要影响。研究表明，天然的2om修饰能够通过免疫沉默机制有效抑制人类单核细胞中促炎因子的分泌，这一发现为理解免疫调控提供了新的视角。

2、目前，已经开发了多种实验方法用于准确识别rna中的2′-o-甲基化(2om)位点，上述方法包括高氯酸(hclo4)水解、高碘酸氧化水解、色谱法以及质谱法。尽管这些实验方法在识别2om位点方面取得了一定的成效，但均普遍存在技术缺陷，如操作复杂、费时费力、需要昂贵的专业设备，并且可能会对rna样本造成损伤。此外，当rna样本量极少时，也会导致实验的操作难度增加，限制了在某些研究中的应用。

3、为克服上述局限性，基于深度测序的高通量技术相继被提出，例如nm-seq、ribometh-seq、2ome-seq、riboxi-seq和nm-s本文档来自技高网...

【技术保护点】

1.一种基于多模态自适应图对比学习的2′-O-甲基化位点预测方法，其特征在于，包括：

2.根据权利要求1所述的基于多模态自适应图对比学习的2′-O-甲基化位点预测方法，其特征在于，构建所述空间邻近图包括：

3.根据权利要求1所述的基于多模态自适应图对比学习的2′-O-甲基化位点预测方法，其特征在于，构建所述化学作用图包括：

4.根据权利要求1所述的基于多模态自适应图对比学习的2′-O-甲基化位点预测方法，其特征在于，构建所述动态力学图包括：

5.根据权利要求1所述的基于多模态自适应图对比学习的2′-O-甲基化位点预测方法，其特征在于，获取所...

【技术特征摘要】

1.一种基于多模态自适应图对比学习的2′-o-甲基化位点预测方法，其特征在于，包括：

2.根据权利要求1所述的基于多模态自适应图对比学习的2′-o-甲基化位点预测方法，其特征在于，构建所述空间邻近图包括：

3.根据权利要求1所述的基于多模态自适应图对比学习的2′-o-甲基化位点预测方法，其特征在于，构建所述化学作用图包括：

4.根据权利要求1所述的基于多模态自适应图对比学习的2′-o-甲基化位点预测方法，其特征在于，构建所述动态力学图包括：

5.根据权利要求1所述的基于多模态自适应图对比学习的2′-o-甲基化位点预测方法，其特征在于，获取所述节点嵌入特征包括：

6.根据权利要求5所述...

【专利技术属性】
技术研发人员：杨森，沈鹏，
申请(专利权)人：常州市第二人民医院，
类型：发明
国别省市：