利用深度特征學習改進了circRNA-RBP結合位點的預測功能

越來越多的證據表明，預測circRNAs與RBP結合位點之間的相互作用對于診斷疾病和提供治療疾病的潛在靶點至關重要。許多研究利用基于每個RBP的circrna序列信息的深度學習方法預測了circrna -RBP的結合位點。然而，以往的研究大多只提取序列特征，缺乏從包含豐富空間信息的二級結構中挖掘必要的拓撲信息。

為了解決這些問題，由張文領導的一個研究小組于2024年4月15日在高等教育出版社和施普林格·自然聯合出版的《計算機科學前沿》雜志上發表了他們的新研究。

該團隊提出了一種名為DeepCRBP的新型深度特征學習方法，以學習circrna的表示，從而更好地預測circrna - rbp的結合位點。DeepCRBP由空間編碼模塊和序列編碼模塊組成，空間編碼模塊捕獲circRNA序列中的局部和全局上下文特征，具有豐富的語義和較高的識別能力，并協同構建分子圖來表示circRNA的二級結構，以獲得必要的拓撲信息。DeepCRBP的性能優于幾種***的基線方法。

DeepCRBP由空間編碼模塊、序列編碼模塊和預測模塊組成。在空間編碼模塊中，將circRNA序列轉換成分子圖，然后利用GCN捕獲突出的結構信息。在序列編碼模塊中，DeepCRBP采用多種序列編碼策略，分別獲取局部模式的短期依賴信息和全局模式的長期依賴信息。在預測模塊中，從上述模塊中提取的表征被連接并輸入到2層mlp中，以預測circrna - rbp的結合位點。

未來的工作可側重于將DeepCRBP應用于lncRNA或其他RNA結合位點的鑒定和開發通用預測軟件。

本網站所有轉載文章系出于傳遞更多信息之目的，轉載內容不代表本站立場。不希望被轉載的媒體或個人可與我們聯系，我們將立即進行刪除處理。