[发明专利]一种基于Transformer架构的CIRSPRCas9系统脱靶预测方法

说明书

本发明公开了一种基于Transformer架构的CIRSPRCas9系统脱靶预测方法，属于基因编辑领域，该预测方法具体步骤如下：(1)构建数据集并对其进行编码处理；(2)对编码的序列进行特征提取；(3)构建脱靶模型并对其进行训练测试；(4)进行脱靶预测实验并记录实验结果；本发明通过Transformer的多头注意力机制进行特征提取，能够使特征提取更加全面性、大幅提高算法性能，使预测方法具有更高的准确度。

技术领域

本发明涉及基因编辑领域，尤其涉及一种基于Transformer架构的CIRSPRCas9系统脱靶预测方法。

背景技术

CRISPR/Cas9系统是目前基因编辑领域中被普遍使用的一种技术，其具有操作简单、成本低廉应用广泛等优点，但在编辑过程中，sgRNA与基因组的DNA序列结合时存在一定几率的错配，这种错配导致了在非靶向位点的基因突变，使得实验结果存在一定程度的不确定性，业内将这种现象称为脱靶，由于较高的脱靶率限制了CRISPR/Cas9系统的大规模临床应用，因此如果能准确地预测CRISPR/Cas9系统的脱靶则对于该系统的进一步的推广应用至关重要；因此，发明出一种基于Transformer架构的CIRSPRCas9系统脱靶预测方法变得尤为重要；

经检索，中国专利号CN111613267A公开了一种基于注意力机制的CRISPR/Cas9脱靶预测方法，该发明虽然更加准确全面的预测CRISPR/Cas9的脱靶问题，但同样存在特征提取不足以及算法性能差的问题；为此，我们提出一种基于Transformer架构的CIRSPRCas9系统脱靶预测方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于Transformer架构的CIRSPRCas9系统脱靶预测方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于Transformer架构的CIRSPRCas9系统脱靶预测方法，该预测方法具体步骤如下：

(1)构建数据集并对其进行编码处理：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，并采用特定的编码方法对样本数据集中的sgRNA-DNA序列对进行数据编码；

(2)对编码的序列进行特征提取：将经过编码的sgRNA-DNA序列对输入到Transformer层中进行特征提取；

(3)构建脱靶模型并对其进行训练测试：构建脱靶模型，同时对提取出的特征进行特征映射处理，并依据各组sgRNA-DNA序列对特征映射结果对sgRNA-DNA序列对的脱靶标签进行拟合以对脱靶模型进行训练测试；

(4)进行脱靶预测实验并记录实验结果：脱靶模型训练完成后，在划分好的测试集上进行测试，完成测试后，对测试结果进行记录。

作为本发明的进一步方案，步骤(1)中所述数据编码具体步骤如下：

步骤一：将其中的包含脱靶位点的样本标记为正样本，用数字1作为标签；不包含脱靶位点的样本记为负样本，用数字0作为标签；

步骤二：定义一个碱基对的词典，并在该词典中查找sgRNA-DNA序列对每个位置的核苷酸对所对应的数值以对各组sgRNA-DNA序列对进行编码；

步骤三：对每一个数据集，将其按照8:2的比例划分为训练集和测试集。

作为本发明的进一步方案，步骤(2)中所述特征提取具体步骤如下：