基于深度學習的蛋白質-RNA相互作用預測模型構建.pdf

1、目的：
　　蛋白質-RNA相互作用（PRI）與基因表達調控等多種生物過程密切相關，是一種基本的生物大分子相互作用。例如，細菌調控sRNA（small RNA，小RNA）Csr B與其靶標蛋白Csr A等的結合可調控碳的攝入、細胞運動、生物膜形成、群落感應與細菌致病性等。在真核生物中，許多非編碼RNA（non-codingRNA，ncRNA）可通過與蛋白質結合而發(fā)揮多種功能。因此，構建性能優(yōu)異的PRI預測模型具有重要意義，將為實驗研

2、究PRI提供生物信息學支持。
　　目前，PRI的生物信息學預測方法可分為四類，分別為結合RNA的蛋白質殘基預測、結合蛋白質的RNA小片段預測、基于序列水平的PRI預測和基于結合位點水平的PRI預測。其中第一類模型，可以預測蛋白質序列中與RNA結合的殘基，但缺點是無法找出與之結合的RNA序列或堿基?；诘诙惸Ｐ?，可以找出RNA序列中與蛋白質相互作用的RNA結構域信息，但不能輕易找出與之結合的蛋白?；诘谌惸Ｐ?，可以預測一個給定的

3、蛋白與一個給定的RNA是否發(fā)生相互作用，但不能確定它們的結合位點。而第四類模型則可以確定蛋白-RNA相互作用的結合位點，缺點是假陽性率很高。因此，各類方法各有側重，我們在系統(tǒng)分析上述四類模型的基礎上，開展了第三類模型即基于序列水平的PRI研究，一方面，該項研究可以同時考慮蛋白與RNA序列，與前兩類模型相比，目標更為明確。此外，該類模型的預測結果可以為第四類模型提供輸入，有助于降低假陽性與提高預測效率。
　　目前一般采用傳統(tǒng)的機器學

4、習方法構建序列水平的PRI預測模型。然而，在傳統(tǒng)的機器學習方法中，需要深刻理解哪些特征與PRI有關，而且即使選擇了正確的特征，也無法獲知其權重；此外，模型在訓練中容易過擬合，即特征和權重完全適用于訓練集，但不能確保測試集具有相同性能。為克服以上局限，我們探索了深度學習方法中的CNN（Convolutional Neural Network，卷積神經網絡）在PRI預測模型構建中的應用。我們所知，目前尚未見到基于深度學習的構建PRI預測模型

5、的報道。
　　方法：
　　為構建PRI預測模型，我們首先構建分類器所需的訓練集及測試集。截止到2017年2月6日，從PDB（Protein Data Bank，蛋白質數據庫）中下載到分辨率不大于5.0?的蛋白質-RNA復合物數據1370例。對復合物數據進行長度（>30）、冗余(<50％)和相似性(<70%)等方面的過濾篩選，得到3761個蛋白質-RNA對，包括1432個蛋白質片斷和765個RNA片段。我們將其作為陽性樣本，即

6、相互作用的蛋白質-RNA對。
　　在上述復合物數據中，隨機選取蛋白質和RNA片段，與陽性樣本進行比對，去除相似性較高（>70%）的相互作用對，從而得到對應的陰性樣本庫。陰性樣本數量約為陽性樣本集的10倍，訓練和測試時，采用隨機抽取的方法，生成與陽性樣本集相當的陰性樣本數據集
　　除此之外，我們還對三個常用數據集進行了測試。分別是數據集RPI2241、RPI369和RPI12737。其中RPI2241包括從PRIDB（Prot

7、ein-RNA Interface Database，蛋白質-RNA相互作用數據庫）中提取的2241個蛋白質-RNA對，RPI369數據集是RPI2241的子集去除了原數據集中的蛋白質-核糖體RNA復合物，包含369個蛋白質-RNA相互作用對，RPI12737數據集從NPInter V2.0數據庫中提取，包括12737對實驗證實的蛋白質-RNA對。對于每個蛋白質-RNA對，我們從序列和二級結構兩個角度編碼，對提取的特征進行RBM（Res

8、tricted Boltzmann Machine，受限玻爾茲曼機）變換，最終生成1024維的特征向量。
　　基于訓練集，我們采用深度學習中卷積神經網絡的方法構建預測模型DLPRI。模型DLPRI共有7層，不包括輸入。輸入為32×32即1024維特征向量，滑動窗口大小為5×5。
　　第一層C1為卷積層，有28×28個節(jié)點，設定有6個不同的C1層，每一個C1層內的權值是相同的。特征映射結構采用ReLU(Rectified Li

9、near Unit)函數作為卷積網絡的激活函數，使得特征映射具有位移不變性。
　　第二層S2有14×14個節(jié)點，同樣為6層，采取下采樣的方法，C1層四個點對應著S2層一個點，作加權平均。每個特征圖的大小是C1中特征圖大小的1/4（行和列各1/2）。
　　C3、S4同理，5-7層均為一維的全連接層。
　　結果：
　　首先，我們以數據集RPI3761為基礎，采用十折交叉驗證的方法（10-fold cross-vali

10、dation），對模型進行了測試。該模型DLRPI在訓練集上的平均分類精度達到96.7%，在測試集上的平均敏感性為91.2%，平均特異性為93.4%，敏感性和特異性均超過90%。
　　然后，我們以整個數據集為基礎構建模型DLRPI，然后以3個數據集RPI369、RPI2241和RPI12737為獨立測試集來評價模型性能。由于我們構建的訓練集RPI3761，同RPI369和RPI2241一樣，均是來自PDB數據庫，它們之間有一些重疊

11、的樣本。為客觀評價模型性能，我們將數據集RPI369和 RPI2241中與RPI3761相同的樣本去除；之后，利用模型DLRPI來預測余下的樣本，其預測精度分別為73.2（RPI369）、86.7（RPI2241）和88.0（RPI12737）。結果表明，該模型在獨立測試集上具有較高的預測精度，可以用于新樣本即基于序列的蛋白-RNA相互作用預測研究，輔助實驗驗證。
　　最后，我們以構造的數據集RPI3761以及多個公共數據集RPI

12、369、RPI2241和RPI12737為基礎，采用DLRPI與其它三種模型分別進行機器學習，通過十折交叉驗證的方法，評估模型性能。分析結果表明，除了在RPI12737數據集上性能稍遜LPIHN模型，對于其他的測試集，DLRPI的預測性能均排名第一。結果表明，與其他已有模型模型相比，DLRPI提取的特征更具代表性，對于人們識別RPI的本質規(guī)律，可以起到一定的輔助與啟發(fā)作用。
　　結論：
　　深度學習方法是近幾年來最火熱的機器

13、學習方法，展現(xiàn)了強大的提取特征能力。目前尚沒有基于深度學習算法在蛋白質-RNA相互作用上的應用研究。本文采用深度學習中的卷積神經網絡方法，構建了預測模型DLRPI，在獨立測試集上，與傳統(tǒng)的機器方法相比具有更好的敏感性和特異性。這說明深度學習算法在處理蛋白質、RNA數據方面具有很好的適用性。
　　下一步，我們將在更多的獨立數據集上對模型進行測試。一方面，從PDB數據庫得到的數據與體內真實的數據之間存在一定差別，模型需要反映體內真實生

14、物學過程；另一方面，對于實驗得到的新數據，DLRPI模型能夠有怎樣的預測精度還需要進一步的驗證。然后，將所有已知的RPI數據作為訓練集，構建模型，搭建蛋白質-RNA相互作用預測網絡服務器，從而更好的為相關研究人員進行實驗驗證，提供技術支持。
　　隨著高通量技術的發(fā)展，產生了大量RPI相關的數據，但是PRI的作用機制仍然需要進一步探討。我們講對隱層中的特征表示進行深入的分析，希望能夠揭示出RPI的作用機理。
　　目前，人工智能