Resumen

Los métodos tradicionales de aprendizaje automático se utilizan ampliamente en el campo de la predicción de la estructura secundaria del ARN y han logrado buenos resultados. Sin embargo, con la aparición de datos a gran escala, los métodos de aprendizaje profundo tienen más ventajas que los métodos tradicionales de aprendizaje automático. A medida que el número de capas de red aumenta en el aprendizaje profundo, a menudo habrá problemas como el aumento de los parámetros y el sobreajuste. Utilizamos dos modelos de aprendizaje profundo, GoogLeNet y TCN, para predecir los resultados secundarios del ARN. Y desde la perspectiva de la profundidad y la anchura de la red, se realizan mejoras basadas en el modelo de red neuronal, que puede mejorar efectivamente la eficiencia computacional mientras se extrae más información de características. Procesamos los datos de ARN reales existentes a través de experimentos, utilizamos modelos de aprendizaje profundo para extraer características útiles de una gran cantidad de datos de secuencia de ARN y datos de estructura, y luego predecimos las características extraídas para obtener la probabilidad de emparejamiento de cada base. Las características de la estructura secundaria del ARN y los métodos de programación dinámica se utilizan para procesar los resultados de la predicción de la base, y se obtiene la estructura con la mayor suma de la probabilidad de emparejamiento de cada base, y esta estructura se utilizará como la estructura secundaria óptima del ARN. Evaluamos respectivamente los modelos GoogLeNet y TCN a partir de datos de 5sRNA, tRNA y tmRNA, y los comparamos con otros algoritmos de predicción estándar. La sensibilidad y especificidad del modelo GoogLeNet en los conjuntos de datos 5sRNA y tRNA son aproximadamente un 16% superiores a los mejores resultados de predicción de otros algoritmos. La sensibilidad y especificidad del modelo GoogLeNet en el conjunto de datos tmRNA son aproximadamente un 9% superiores a los mejores resultados de predicción de otros algoritmos. Dado que el rendimiento de los algoritmos de aprendizaje profundo está relacionado con el tamaño del conjunto de datos, a medida que la escala de datos de ARN continúe creciendo, la precisión de predicción de los métodos de aprendizaje profundo para la estructura secundaria del ARN seguirá mejorando.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:métodos de aprendizaje profundo, modelos de aprendizaje profundo, estructura secundaria, ARN, modelo GoogLeNet, mejor predicción, otros algoritmos, métodos tradicionales de aprendizaje automático, otros algoritmos de predicción estándar, métodos tradicionales de aprendizaje automático
• Keywords:deep learning methods, deep learning models, secondary structure, RNA, GoogLeNet model, best prediction, other algorithms, Traditional machine learning methods, other standard prediction algorithms, traditional machine learning methods