论文部分内容阅读
核糖核苷酸分子RNA作为生物体内一种大分子,它是存在于生物体中重要的物质,不仅与脱氧核糖核苷酸分子DNA和蛋白质共同协作维持生物体的各项活动的进行,并且在DNA和蛋白质合成中扮演着重要的角色。研究发现,对RNA结构的研究能够帮助我们更加全面地了解RNA分子功能,这样就有利于生物研究学者探索RNA与DNA和蛋白质间的相互关系,从而了解生物体功能并且了解和治疗疾病。RNA分子结构由三部分结构组成:一级序列、二级结构、三级空间结构。RNA三级空间结构是由二级结构单元之间的相互作用,扭曲、折叠等等在空间中形成的稳定结构,因此RNA二级结构的预测对于RNA结构来说起着重要的作用,如何有效地RNA二级结构成为生物信息学领域的重要研究问题之一。传统地预测RNA二级结构的方法都是用实验物理、化学等方法预测其结构。但RNA分子本身具有晶体难以获得、分子降解速度快等特点,所以用物理实验的方法预测其二级结构相对耗时长、成本高。而近年来,人工智能的算法日益崛起,用人工智能的方法在预测分类股票、房价等等各种类别数据的应用上取得了很不错的成效。本文中重点对人工智能中的机器学习中不同的算法预测RNA二级结构做了对比和分析。论文中首先介绍了RNA二级结构的生物学概念和RNA二级结构预测方法的研究现状。根据比较机器学习的相关算法,确定了本文的主要研究工作:(1)深入研究目前机器学习中的各类算法在RNA二级结构预测上的应用,对这些算法的原理和性能优劣进行分析比较。并将这些算法如何预测RNA二级结构以及其预测效率结果做了进一步对比分析,从而选择最佳算法模型。(2)实验通过RNA内在的长程相关性特征信息进一步发现RNA的碱基配对数量这一个特征向量,将其融入到实验先前的算法模型中,从而大大提升了RNA二级结构预测的效率。(3)针对生物学上RNA有些二级结构特征还没有被发现这个缺陷。实验选用深度学习算法中的循环神经网络(RNN)算法来作为新的模型。这个模型的优势在于它可以将数据映射到高维空间中,模型自主地发现RNA一级序列中我们用肉眼或者简单算法发现不了的内在特征。