[发明专利]基于Xgboost的全基因组RNA二级结构预测方法

权利要求书

1.基于Xgboost的全基因组RNA二级结构预测方法，其特征在于，包括步骤：

获取RNA序列和所述RNA序列中碱基位点配对的可能性值；

配对的可能性值高的碱基及其上下游一定长度的碱基结合形成的序列片段作为正样本；配对的可能性值低的碱基及其上下游一定长度的碱基结合形成的序列片段作为负样本，所述正样本、负样本组合成样本数据集；

将样本数据集划分为训练集和测试集，将所述训练集和测试集加载至基于Xgboost算法建立的机器学习模型，对机器学习模型进行训练与测试；

利用训练与测试后的机器学习模型进行RNA二级结构的预测。

2.根据权利要求1所述的基于Xgboost的全基因组RNA二级结构预测方法，其特征在于，配对的可能性值高的碱基及其上下游一定长度的碱基结合形成的序列片段作为正样本；配对的可能性值低的碱基及其上下游一定长度的碱基结合形成的序列片段作为负样本的步骤包括：

通过独热编码的方式对RNA序列编码；

编码后的所述RNA序列中碱基位点配对的可能性值从高到低排序，筛选出前a个碱基作为配对的可能性值高的碱基，筛选出后b个碱基作为配对的可能性值低的碱基；

可能性值高的碱基与其上游的长度为c的碱基序列、下游的长度为c的碱基序列组成序列片段，序列片段作为正样本并赋予标签“1”；

可能性值低的碱基与其上游的长度为d的碱基序列、上游的长度为d的碱基序列组成序列片段，序列片段作为负样本并赋予标签“0”。

3.根据权利要求2所述的基于Xgboost的全基因组RNA二级结构预测方法，其特征在于，所述a＝b。

4.根据权利要求2所述的基于Xgboost的全基因组RNA二级结构预测方法，其特征在于，通过独热编码的方式对RNA序列编码的步骤包括：

RNA序列由腺嘌呤A、尿嘧啶U、鸟嘌呤G、胞嘧啶C四种碱基构成；

对四种碱基进行编码，具体为：RNA序列中的腺嘌呤A＝(1,0,0,0)，尿嘧啶U＝(0,1,0,0)，胞嘧啶C＝(0,0,1,0)，鸟嘌呤G＝(0,0,0,1)，RNA序列的开头与结尾缺少碱基的部分以(0,0,0,0)作为补长。

5.根据权利要求1所述的基于Xgboost的全基因组RNA二级结构预测方法，其特征在于，将所述训练集和测试集加载至基于Xgboost算法建立的机器学习模型，对机器学习模型进行训练与测试的步骤包括：利用训练集对机器学习模型进行训练；利用测试集对机器学习模型测试其预测的RNA序列上每一个碱基位点会形成配对的概率分数；

所述概率分数的预测模型为：

其中，K为树的总个数，f_k为第k棵决策树的评估函数，为样本数据x_i的预测结果；

预测模型的目标函数为：

其中，y＝(y₀,y₁,…,y_i,y_n)是作为训练集的RNA序列中每一个序列片段的特征向量x＝(x₀,x₁,…,x_n)所对应的真实类别，y_i＝0代表未配对的碱基位点，y_i＝1代表配对的碱基位点，为样本数据x_i的训练误差，为损失函数，Ω(f_k)表示第k棵树的正则项。