[发明专利]一种环状RNA-RNA结合蛋白关系预测模型构建方法

说明书

本发明公开了一种环状RNA‑RNA结合蛋白关系预测模型构建方法，解决了现有技术仅限制了预测准确率的问题，其技术方案要点是将初始的环状RNA序列数据集样本构造为环状RNA‑RNA结合蛋白序列对的形式；采用自监督学习的方式训练得到词向量字典；根据训练得到的词向量字典，将样本序列对映射成对应的词向量矩阵作为表征；将样本序列对的向量表征对应输入伪孪生网络，得到编码后的特征向量输入到度量函数中，计算绑定概率预测值并计算获得其与标签的差值，优化模型参数；模型训练迭代结束后保存得到的模型，本发明的环状RNA‑RNA结合蛋白关系预测模型构建方法，能针对RNA序列和蛋白质序列进行数据挖掘，能有效提高环状RNA‑RNA结合蛋白结合预测的准确率。

技术领域

本发明涉及生物信息数据挖掘技术，特别涉及一种环状RNA-RNA结合蛋白关系预测模型构建方法。

背景技术

环状RNA是一类特殊的非编码RNA分子，与传统的linear RNA不同，环状RNA分子呈封闭环状结构，不受RNA外切酶影响，表达更加稳定。

近年的研究表明，环状RNA在疾病中发挥着重要的调控作用，已成为RNA领域最新的研究热点。其中，对于环状RNA和RNA结合蛋白(RBP)的研究是一个主流方向，主要通过研究环状RNA与RBP之间的调控关系从而更好地理解环状RNA的功能。

目前大量已开源的高通量测序实验数据的出现，使得基于数据学习的机器学习算法得以在这个领域发挥作用，通过机器学习算法，可以学习到序列绑定关系的模式，对未知的序列的绑定关系进行预测，相比于湿实验测定的方式减少了成本。

近年来有很多针对环状RNA序列预期其对应的RNA结合蛋白的工作，如2019年Zhang K等人在“CRIP:predicting circRNA-RBP binding sites using a codon-basedencoding and hybrid deep neural networks”中采用CNN+LSTM的模型架构来学习序列关于结合蛋白的绑定模式，在此基础上，2020年Jia C等人在“PASSION:an ensemble neuralnetwork approach for identifying the binding sites of RBPs on circRNAs”中通过集成多种网络模型的方式进一步提升了预测准确率。此外，2020年Yuning Yang等人在“iCircRBP-DHN:identification of circRNA-RBP interaction sites using deephierarchical network”引入了更多的机制，相比前两种方式取得了更好的效果。但以上三种方法的局限在于它们都仅用到了环状RNA序列信息，通过学习环状RNA序列的特定模式来判断是否与目标RNA结合蛋白相结合，而环状RNA序列与蛋白序列绑定是由两序列的相互作用而实现的，仅用到环状RNA序列信息限制了预测准确率，还有待改进的空间。

发明内容

本发明的目的是提供一种环状RNA-RNA结合蛋白关系预测模型构建方法，能针对RNA序列和蛋白质序列进行数据挖掘，能够有效地学习到环状RNA序列和RNA结合蛋白序列之间交互模式的模型，以提高环状RNA-RNA结合蛋白结合预测的准确率。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种环状RNA-RNA结合蛋白关系预测模型构建方法，包括有以下步骤：

S1、将原始的环状RNA序列数据集中的环状RNA序列与对应的蛋白质序列对应结合构造为环状RNA-RNA结合蛋白序列对，重构形成目标数据集；

S2、采用自监督学习的方式训练参考资料库中环状RNA序列片段和蛋白质序列片段的分布式表征，得到对应的词向量字典；

S3、根据S2所得的词向量字典，将S1得到的目标数据集中的序列对映射成对应的词向量矩阵对，以将原始的环状RNA序列和蛋白质序列转化成对应的分布式表征形式；