[发明专利]一种基于特征工程的基因编辑脱靶效应预测方法

权利要求书

1.一种基于特征工程的基因编辑脱靶效应预测方法，其特征在于，包括以下步骤：

S1：获取公开数据集：获取包含sgRNA序列与目标DNA序列不匹配的公开实验数据作为可能的脱靶序列，其中，所述数据集包括GUIDE-Seq，HTGTS，BLESS；

S2：每个序列样本长度为23个碱基，并以NGG结尾，对数据集标签进行预处理，将包含脱靶位点的样本标记为正样本，标签为1，不包含脱靶位点的样本标记为负样本，标签为0；

S3：对样本数据集进行编码并加入特征；

S4：通过LSTM网络模型提取特征，其中，LSTM网络模型包括：卷积特征融合模块、门控循环单元特征融合模块、卷积层和密集层；

S5：将序列特征得到分数与手工特征分数进行结合；

S6：采用SMOTE方法对正样本进行过采样，并结合欠采样选出对应数量的负样本；

S7：将处理后得到的数据集样本按照85％:15％的比例划分为训练集与测试集；

S8：使用嵌入式特征选择对样本特征进行选择和过滤；

S9：将训练好的模型使用测试集进行评估，主要评估指标采用Accuracy和AUC值，其中，Accuracy越高表示预测准确率越好，AUC越高表示预测稳定性和分类效果更优。

2.根据权利要求1所述的基于特征工程的基因编辑脱靶效应预测方法，其特征在于，步骤S3中，具体包括以下步骤：

将A、T、G、C四个碱基与碱基缺失编码为五个one-hot独热向量(1,0,0,0,0)，(0,1,0,0,0)，(0,0,1,0,0)，(0,0,0,1,0)，(0,0,0,0,1)，使用或操作获得碱基对编码，同时，增加两个方向通道用于帮助区分碱基对类型；

使用LSTM网络对编码后的特征向量进行特征的学习，并得到一个基于序列特征的脱靶预测分数。

3.根据权利要求1所述的基于特征工程的基因编辑脱靶效应预测方法，其特征在于，在步骤S4中，模型输入为上述sgRNA-DNA序列对编码矩阵，编码矩阵的大小为(23,7)，其中，23是序列长度，7是核苷酸对的编码位数。

4.根据权利要求3所述的基于特征工程的基因编辑脱靶效应预测方法，其特征在于，编码后的序列特征处理过程流程为：

编码矩阵输入卷积特征融合模块，其中，卷积特征融合模块由多个卷积模块组成，每个卷积模块包含一个卷积层，一个批正则化层，一个PReLU激活层；

多个卷积核叠加形成卷积层，通过卷积层，模型依次对每个核苷酸对的编码进行卷积操作，获得核苷酸对的抽象类型特征；

将输入与卷积模块的输出进行拼接操作，构建一个具有高低层核苷酸对类型特征的特征图；

随后，卷积特征融合模块提取的特征图将输入到正向GRU特征融合模块与反向GRU特征融合模块，其中，两个融合模块都基于GRU模块构建，每个GRU模块包括一个GRU层，一个批正则化层，一个PReLU激活层，一个丢弃层；

正向GRU特征融合模块，反向GRU特征融合模块，与卷积特征融合模块输出的特征图进行堆叠合并后，用于后续网络层的特征学习；

通过平均池化操作对特征的小变换变得近似不变，提高模型的泛化能力；

最后，提取的特征输入到密集层，预测发生脱靶效应的分数。

5.根据权利要求1所述的基于特征工程的基因编辑脱靶效应预测方法，其特征在于，在步骤S5中，具体包括以下步骤：

sgRNA与六个特征共同构成特征向量，并加入生物学特征，同时添加相应的二分类标签0或1，其中，六个特征包括：DNA对的CFD分数、CCTop分数、CRISTA分数、GC含量、错配个数和sgRNA-DNA序列相似性得分。

6.根据权利要求1所述的基于特征工程的基因编辑脱靶效应预测方法，其特征在于，步骤S6还用于对噪音数据进行清洗，其中，在步骤S6中具体使用imblearn包的SMOTEENN方法获得最终的正负样本。