[发明专利]基于数据增强的RNA序列编码潜力预测方法及系统

权利要求书

1.一种基于数据增强的RNA序列编码潜力预测方法，其特征在于，包括以下步骤：

计算训练样本的序列特征，在训练样本的特征空间中进行双端数据增强，得到经过增强后的样本特征，用于训练机器学习模型；

使用训练完成的机器学习模型进行RNA序列编码潜力的预测。

2.如权利要求1所述的方法，其特征在于：

所述在训练样本的特征空间中进行双端数据增强包括以下步骤：

基于ORF长度小于303nt的编码RNA和ORF长度大于460nt的非编码RNA产生新的样本，将其与原有的样本合并在一起，作为增强后的样本特征。

3.如权利要求2所述的方法，其特征在于：所述基于ORF长度小于303nt的编码RNA和ORF长度大于460nt的非编码RNA产生新的样本，将其与原有的样本合并在一起，作为增强后的样本特征，包括以下步骤：

根据ORF长度是否小于303nt的条件，将编码RNA的特征集合分为2个不同的特征集合：ORF长度大于等于303nt的编码RNA，ORF长度小于303nt的编码RNA；

根据ORF长度是否小于460nt的条件，将ncRNA的特征集合分为2个不同的特征集合：ORF长度大于等于460nt的ncRNA，ORF长度小于460nt的ncRNA；

增强ORF长度小于303nt的编码RNA和ORF长度大于等于460nt的ncRNA。

4.如权利要求3所述的方法，其特征在于：所述数据增强的方式包括：随机采样RS、合成少数类过采样技术SMOTE、自适应合成采样方法ADASYN、变分自编码器VAE。

5.如权利要求3所述的方法，其特征在于：

所述数据增强的方式采用优化后的随机采样，包括以下步骤：

随机采样时，使选取ORF长度小于180nt的编码RNA比选取ORF长度大于等于180nt且小于303nt的编码RNA的概率高，在选取编码RNA的特征上加入扰动，形成新的样本特征。

6.如权利要求5所述的方法，其特征在于：

所述使选取ORF长度小于180nt的编码RNA比选取ORF长度大于等于180nt且小于303nt的编码RNA的概率高，包括以下步骤：

将ORF长度小于180nt的编码RNA复制3份，结合ORF长度在180nt和303nt之间的编码RNA，形成新的样本集合，从新的样本集合中随机选择一个样本。

7.一种基于数据增强的RNA序列编码潜力预测系统，其特征在于，包括：

计算单元，用于：计算训练样本的序列特征；

双端数据增强单元，用于：在训练样本的特征空间中进行双端数据增强，得到经过增强后的样本特征，用于训练机器学习模型；

预测单元，用于：使用训练完成的机器学习模型进行RNA序列编码潜力的预测。

8.如权利要求7所述的系统，其特征在于：

所述双端数据增强单元具体用于：基于ORF长度小于303nt的编码RNA和ORF长度大于460nt的非编码RNA产生新的样本，将其与原有的样本合并在一起，作为增强后的样本特征。

9.如权利要求8所述的系统，其特征在于：所述数据增强的方式包括：随机采样RS、合成少数类过采样技术SMOTE、自适应合成采样方法ADASYN、变分自编码器VAE。

10.如权利要求5所述的系统，其特征在于：

所述数据增强的方式采用优化后的随机采样，包括以下步骤：

随机采样时，使选取ORF长度小于180nt的编码RNA比选取ORF长度大于等于180nt且小于303nt的编码RNA的概率高，在选取编码RNA的特征上加入扰动，形成新的样本特征。