MSTCRB:通过提取基于变压器和注意力机制的多尺度特征来预测circRNA-RBP相互作用
Yun Zhou1, Haoyu Cui2, Dong Liu1
1College of Computer and Information Engineering, Henan Normal University, Xinxiang 453007, China; Key Laboratory of Artificial Intelligence and Personalized Learning in Education of Henan Province, College of Computer and Information Engineering, Henan Normal University, Xinxiang 453007, China.
International journal of biological macromolecules
|August 17, 2024
概括
预测循环RNA (circRNA) 和RNA结合蛋白 (RBP) 相互作用对于理解疾病至关重要. 新的MSTCRB深度学习模型准确地预测了这些相互作用,超过了现有的方法.
科学领域:
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 循环RNAs (circRNAs) 是通过RNA结合蛋白 (RBP) 相互作用的生物过程的关键调节者.
- 准确预测circRNA-RBP相互作用有助于识别疾病变异和开发治疗剂.
- 现有的深度学习模型往往缺乏对各种RNA类型和复杂特征的多功能性.
研究的目的:
- 开发一个先进的深度学习模型来预测circRNA-RBP相互作用.
- 通过整合circRNAs的多尺度特征来克服当前模型的局限性.
- 为了提高circRNA-RBP相互作用预测的准确性和适用性.
主要方法:
- 提出MSTCRB,一种利用变压器和注意力机制的深度学习模型.
- 采用K-mer,KNF,NCP和DPCP编码用于全球和本地序列特征提取.
- 使用CDPfold方法和优化的变压器框架集成的结构特征.
主要成果:
- 与五种最先进的方法相比,MSTCRB表现优越.
- 在37个环RNA和31个线性RNA数据集中,平均AUC达到98.45%.
- 该模型有效地整合了多个尺度的特征,以提高预测准确度.
结论:
- MSTCRB为预测circRNA-RBP相互作用提供了一个强大而通用的工具.
- 模型捕捉多种特征的能力提高了预测准确度.
- 这项工作推进了circRNA研究和治疗点发现领域.
