[发明专利]一种基于多尺度交叉注意力模型的RNA修饰位点预测方法

说明书

本发明公开了一种基于多尺度交叉注意力模型的RNA修饰位点预测方法，涉及生物信息学RNA转录后修饰位点预测领域。包括：对包含N¹‑甲基腺苷修饰位点的RNA碱基序列为正样本和不包含N¹‑甲基腺苷修饰位点的RNA碱基序列为负样本，每个样本取3组不同尺度的RNA碱基序列作为输入序列；对3组输入序列均进行词嵌入编码和位置编码；将编码后的3组序列输入编码模块中，编码模块包括一个多头交叉注意力层和一个前向反馈全连接层，对输出结果求平均值，后经过全连接神经网络层和两分类器，预测人类物种RNA碱基序列中是否包含N¹‑甲基腺苷修饰位点。本发明能够描述复杂方面词的上下文关系，加强文本中重要词汇对甲基化位点预测的影响，从而能够准确预测甲基化位点。

技术领域

本发明涉及生物信息学RNA转录后修饰位点预测领域，特别涉及一种基于多尺度交叉注意力模型的RNA中N¹-甲基腺苷修饰位点预测方法。

背景技术

研究表明，通过转录后RNA修饰的表观转录组调控对于所有种类的RNA都是必不可少的，所以，准确识别RNA修饰对于理解其目的和调控机制至关重要。

传统的RNA修饰位点识别实验方法相对复杂、费时、费力。机器学习方法已经应用于RNA序列特征提取和分类的计算过程中，可以更有效地补充实验方法。近年来，卷积神经网络(Convolutional Neural Networks,CNN)和长时记忆(Long short-term memory,LSTM)由于在表征学习方面的强大功能，在修饰位点预测方面取得了显著的成就。

然而，卷积神经网络(CNN)可以从空间数据中学习局部响应，但不能学习序列相关性；长时记忆(LSTM)专门用于序列建模，可以同时访问上下文表示，但与CNN相比缺乏空间数据提取。由于以上原因，使用自然语言处理(Natural Language Processing,NLP)、其他深度学习(DeepLearn,DL)构建预测框架的动力十分强烈。

现有技术中，在构建预测框架时，使用注意力机制虽然可以关注到句子上下文的重要特征，但是单个注意力序列之间缺乏信息交互，难以描述复杂方面词的上下文关系；且没有充分联系上下文，加强文本中重要词汇对甲基化位点预测的影响。

发明内容

基于此，有必要针对上述技术问题，提供一种基于多尺度交叉注意力模型的RNA修饰位点预测方法。

本发明实施例提供一种基于多尺度交叉注意力模型的RNA修饰位点预测方法，包括：

对包含N¹-甲基腺苷修饰位点的RNA碱基序列为正样本和不包含N¹-甲基腺苷修饰位点的RNA碱基序列为负样本，每个样本取3组不同尺度的RNA碱基序列作为输入序列；

对3组输入序列均依次进行word2vec词嵌入编码和位置编码；

将编码后的3组序列编码模块中，获得特征序列；其中，所述编码模块包括：多个依次串联的编码块；所述编码块包括：一个多头交叉注意力层和一个前向反馈全连接层，且每层之间通过残差连接和标准化层；

将经过编码模块的输出结果求平均值，后经过全连接神经网络层和两分类器，预测人类物种RNA碱基序列中是否包含N¹-甲基腺苷修饰位点。

进一步地，构建数据集；所述数据集包括：RNA碱基序列为正样本、RNA碱基序列为负样本和类别标签，且样本长度是41bp；输入序列设为序列a、序列b和序列c，其分别是长度为xbp、ybp、zbp不同尺度序列组成的集合；

所述数据集的训练集与测试集表示为：