一种基于序列同步优化的RNA序列表示增强方法

本发明属于生物，具体涉及一种rna序列表示增强方法。

背景技术：

1、目前，对rna序列的分析方法主要分为传统方法和深度学习方法两大类。传统的rna序列分析方法主要依赖于生物化学领域的专业知识，包括功能注释和理化性质等。具体而言，这些方法涉及rna序列中碱基的反应活性、稳定性等。通过构建相关的理化性质矩阵来对rna序列进行表征。深度学习模型，如e2efold，首先将rna序列进行one-hot编码，然后进行嵌入表示作为rna序列的表征。而模型ltpconstraint则使用1、2、3、4对rna序列进行编码，然后进行嵌入表示，通过不断地迭代训练来获取可靠的表征。

技术实现思路

1、为了克服现有技术的不足，本发明提供了一种基于序列同步优化的rna序列表示增强方法，包括one-hot编码、随机裁剪、结构感知学习、序列表征、分层对比损失计算五个过程。本发明方法可以对rna序列进行可靠表征，很好的保留了rna序列的特征信息。

2、本发明解决其技术问题所采用的技术方案包括如下步骤：

3、步骤1：one-hot编码；

4、对于长度为l的线性rna序列x，通过one-hot编码后得到x：

5、x∈rl·4

6、步骤2：随机裁剪；

7、对编码后的rna序列进行随机裁剪，得到sm和sn，其中sm和sn满足下式：

8、

9、设置超参数λ对重叠序列的最小长度进行限制：

10、|sm∩sn≥λ|

11、步骤3：结构感知学习；

12、对两个重叠子序列通过线性层进行高维映射，得到rna序列的潜在向量v；w和b分别表示需要优化的参数和向量偏差参数；

13、v＝wx+b

14、步骤4：序列表征；

15、rna序列的潜在向量v中的每一个元素都将经过一个概率掩码mask∈{0，1}操作；

16、步骤5：分层对比损失计算；

17、分层对比损失计算包括序列一致性和片段一致性；其中序列一致性用于比较rna序列中不同位置碱基的信息损失，片段一致性用于比较不同rna序列中相同位置碱基的信息损失。

18、优选地，所述步骤5具体为：

19、碱基之间的相似性计算公式：

20、sim(γ1,γ2)＝γ1γ2

21、其中γ1和γ2分别代表两个重叠子序列中的碱基所对应的高维向量；

22、相似性度量公式：

23、

24、在上述相似性度量的基础上，计算序列一致性信息损失：

25、

26、其中m、n均为为rna序列索引，u、v均为为rna序列中碱基的索引；

27、计算片段一致性信息损失：

28、

29、最终，损失函数综合上述两种损失，总损失函数如下：

30、

31、上式中s表示样本集，ps表示该样本的位置集；|s|和|ps|分别表示各自集合中元素的数量。

32、本发明的有益效果如下：

33、本发明方法构建的线性rna序列表征模型能够很好地对rna序列进行表征。验证结果表明：表征向量很好的保留了rna序列的特征信息。

技术特征：

1.一种基于序列同步优化的rna序列表示增强方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于序列同步优化的rna序列表示增强方法，其特征在于，所述步骤5具体为：

技术总结
本发明公开了一种基于序列同步优化的RNA序列表示增强方法，包括one‑hot编码、随机裁剪、结构感知学习、序列表征、分层对比损失计算五个过程。本发明方法可以对RNA序列进行可靠表征，很好的保留了RNA序列的特征信息。

技术研发人员：王永天,申烨玮,尚学群
受保护的技术使用者：西北工业大学
技术研发日：
技术公布日：2024/3/21