BBANsh:基于BERT和双线性注意网络的深度学习架构,用于识别有力的shRNA
Yuanting Chen1, Long Chen1, Xinxin Yu1
1Shanghai Frontiers Science Center of Optogenetic Techniques for Cell Metabolism, Shanghai Key Laboratory of New Drug Design, School of Pharmacy, East China University of Science and Technology, 130 Meilong Road, Shanghai 200237, China.
Briefings in bioinformatics
|August 28, 2025
概括
一种新型的人工智能模型BBANsh准确地预测了强大的短毛RNAs (shRNAs) 用于基因沉默. 该工具通过有效识别shRNA加速RNA干扰 (RNAi) 研究,节省时间和资源.
科学领域:
- 基因组学和分子生物学
- 生物信息学和计算生物学
- 生物技术
背景情况:
- 在功能基因组学中,RNA干扰 (RNAi) 对于基因沉默至关重要.
- 短发针RNAs (shRNAs) 在RNAi应用中比小干扰RNAs (siRNAs) 具有优势.
- 传统的shRNA查需要大量资源,需要先进的计算方法.
研究的目的:
- 开发和验证BBANsh,这是一种用于预测强大的短毛针RNA (shRNA) 的新计算模型.
- 利用人工智能,特别是BERT和BAN,进行增强的shRNA设计和预测.
- 为研究人员选择和设计有效的shRNA用于RNAi应用提供高效可靠的工具.
主要方法:
- 由变压器 (BERT) 和双线注意网络 (BAN) 集成的BBANsh模型的开发.
- 对传统模型,特征融合方法和现有的shRNA预测器进行全面的性能评估.
- 用于确定BERT和BAN组件的贡献的废弃实验.
- 注意分析以确定影响shRNA功能的关键序列特征.
主要成果:
- 在交叉验证中,BBANsh在精度回忆曲线下的高面积 (0.951) 和外部数据集的预测精度为0.896.
- 废除研究证实了BERT和BAN对BBANsh的预测性能的显著影响.
- 注意分析表明,5'端的核酸对预测shRNA疗效至关重要.
结论:
- 与现有的方法相比,BBANsh在强烈的shRNA识别方面表现出优异的预测性能.
- 该模型的架构有效地使用BERT和BAN融合了序列信息.
- BBANsh提供了一种有价值,高效和可靠的工具,用于支持RNAi应用的shRNA设计.
