基于迁移学习和多视图特征融合提高RNA碱基相互作用预测
RNA碱基相互作用对维持其三维结构的稳定具有重要作用,准确地预测碱基相互作用可以辅助RNA三维结构的预测.然而,用于预测RNA碱基相互作用的数据量少,导致模型未能充分地学习到数据的特征分布,以及数据存在的特性(对称特性和类别不平衡),都影响了模型的性能.针对模型不充分学习和数据特性问题,在深度学习的基础上,提出了一种高性能的RNA碱基相互作用预测方法tpRNA.tpRNA首次在RNA碱基相互作用预测任务中引入迁移学习以改善因数据量少而产生的模型不充分学习问题,并提出高效的损失函数和特征提取模块,充分发挥迁移学习和卷积神经网络在特征学习方面的优势,以缓解数据特性问题.结果表明,引入迁移学习能减小数据量少导致的模型偏差,提出的损失函数能优化模型的训练,特征提取模块能提取到更有效的特征.与最先进的方法相比,tpRNA在低质量输入特征的情形下具有显著的优势.
RNA碱基相互作用、迁移学习、数据特性、损失函数、卷积神经网络
50
TP301(计算技术、计算机技术)
国家自然科学基金61573317
2023-03-22(万方平台首次上网日期,不代表论文的发表时间)
共9页
164-172