使用深度神经学习识别piwiRNA的双层模型

科学领域:

• 生物化学 生物化学
• 遗传学 是一个遗传学.
• 生物信息学是一种生物信息学.

背景情况:

• 与PIWI相互作用的RNAs (piRNAs) 是非编码RNAs,对于转录和后转录水平的基因调节至关重要.
• 它们在游戏生成,转子子沉默,病毒防御和维持动物生育方面发挥着至关重要的作用.
• 准确的piRNA预测对于理解这些细胞功能至关重要.

研究的目的:

• 开发一种用于piRNA识别的高度准确的预测器.
• 改进现有的piRNA预测方法.
• 探索新的特征描述符和机器学习模型,以提高预测.

主要方法:

• 使用反向补充k-mer,间隙k-mer组合和k-mer组合的特征提取.
• 使用级联和缓解策略的特征选择.
• 使用随机森林 (RF),深度神经网络 (DNN) 和支持矢量机器 (SVM) 的模型训练和验证,具有10倍的交叉验证.

主要成果:

• 深度神经网络 (DNN) 模型利用级方法选择的最佳特征,实现了最高的预测准确性.
• 开发的预测器,BLP-piwiRNA,与现有的piRNA预测工具相比,表现出更高的性能.
• 该研究确定了用于piRNA预测的有效特征集.

结论:

• BLP-piwiRNA代表了piRNA预测准确性的重大进步.
• 这些发现为研究界和药物开发行业提供了有价值的工具.
• 作为癌症诊断和治疗的潜在生物标志物和治疗点,BLP-piwiRNA具有前景.