[发明专利]一种基于注意力机制的CRISPR/Cas9脱靶预测方法

权利要求书

1.一种基于注意力机制的CRISPR/Cas9脱靶预测方法，其特征在于，该方法包含如下步骤：

1)构建包含sgRNA，DNA及其脱靶标签的用于模型训练及测试的数据集，包括已公开的HEK293T和K562t两个数据集；

2)利用特定的编码方法对样本数据集中的sgRNA-DNA序列对进行编码，使其可作为神经网络的输入；

3)搭建基于注意力机制的卷积神经网络模型，包括一维卷积层和独立的注意力模块；

4)选定优化器及损失函数，设定优化器参数、学习率及迭代次数，采用自助采样法对步骤3)中的模型进行训练，得到训练好的模型的权重；

5)将待测sgRNA-DNA序列对输入到步骤4)中已训练好的模型中，得到sgRNA-DNA序列对的脱靶预测值。

2.根据权利要求1所述的一种基于注意力机制的CRISPR/Cas9脱靶预测方法，其特征在于，所述步骤2)中选用的编码方法为词向量编码，包括如下步骤：

21)定义一个碱基对的词典，该词典包含了A、T、C、G四种不同碱基两两组合成的所有16种不同的碱基对与其所对应数值的映射，具体为：{AA:0，AT:1，AC:2，AG:3，TA:4，TT:5，TC:6，TG:7，CA:8，CT:9，CC:10，GG:11，GA:12，GT:13，GC:14，GG:15}；

22)到步骤21)中的词典中查找sgRNA-DNA序列对(23bp)中每个位置的核苷酸对所对应的数值，完成sgRNA-DNA序列对的数值编码；

23)对步骤22)中得到的编码序列x^1×23，利用Keras框架中的Embedding层进一步作词向量编码，Embedding层实际是包含一个隐藏层的神经网络，令其中的隐藏层向量为h^1×N，具体的编码方式如下：

x^1×23·W^23×N＝h^1×N

其中W^23×N为输入层与隐藏层之间的权重矩阵，N为自定义的编码尺寸，最终得到的词向量编码结果即为W^23×N。

3.根据权利要求1所述的一种基于注意力机制的CRISPR/Cas9脱靶预测方法，其特征在于，所述步骤3)中的模型搭建包括如下步骤：

31)对步骤23)中得到的编码序列进行一维卷积，核尺寸为5，核数目为20，得到C1层；对于C1层，对其进行规范化处理，得到B1层；

对于B1层，对其进行核尺寸为5，核数目为40的一维卷积，得到C2层；

对于C2层，对其进行规范化处理，得到B2层；

对于B2层，对其进行核尺寸为5，核数目为80的一维卷积，得到C3层；

对于C3层，对其进行规范化处理，得到B3层；

对于B1层，对其进行线性尺度变换，使其与B3层的尺寸一致，得到C11层；

32)将步骤31)中得到的C11，B3层输入到注意力模块，加强对sgRNA-DNA序列对内局部位置特征的提取，得到注意力模块的输出A1层；

33)将步骤32)中的A1层的特征映射通过尺寸为40的全连接层，得到E1层；

对于E1层，对其进行参数为0.2的随机失活操作，得到D1层；

对于D1层，将其通过尺寸为20的全连接层，得到E2层；

对于E2层，对其进行参数为0.2的随机失活操作，得到D2层；

34)步骤33)中D2层的特征映射即为模型最终提取到的sgRNA-DNA序列对的特征；

35)对于D2层，将其通过尺寸为2，激活函数为softmax的全连接层，得到一个包含两个元素的一维向量，两个元素分别代表脱靶概率及正确打靶概率。