CN103020489A - 基于ARM微处理器的siRNA干扰效率预测新方法 - Google Patents
基于ARM微处理器的siRNA干扰效率预测新方法 Download PDFInfo
- Publication number
- CN103020489A CN103020489A CN2013100001141A CN201310000114A CN103020489A CN 103020489 A CN103020489 A CN 103020489A CN 2013100001141 A CN2013100001141 A CN 2013100001141A CN 201310000114 A CN201310000114 A CN 201310000114A CN 103020489 A CN103020489 A CN 103020489A
- Authority
- CN
- China
- Prior art keywords
- sirna
- sequence
- frequency
- mrna
- base
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种RNA干扰时预测siRNA干扰效率的方法,涉及生物信息学研究领域,其目的在于解决现有预测siRNA干扰效率方法中准确率不高的问题。本发明包括如下的步骤:将siRNA序列输入CPLD;按照特征提取规则表将siRNA序列重新编码,由于靶mRNA的序列和结构特征也对siRNA干扰效率有影响,故对siRNA序列编码的同时,也对靶mRNA进行编码;最后用随机森林模型进行siRNA干扰效率预测,在预测时首先用已知样本建立优化的模型,采用bootstrap抽样方法产生的OOB数据进行OOB估计,通过不断的调解模型的参数,使模型的泛化误差达到最小,然后再用优化的模型进行siRNA干扰效率预测。
Description
技术领域
本发明属生物信息学研究领域,尤其涉及在RNA干扰(RNA干扰是指由双链RNA诱发同源mRNA高效特异性降解的现象)技术中进行siRNA分子设计时预测siRNA干扰效率的方法。
背景技术
RNA干扰技术是近年来发展起来的一种有效基因研究工具,它的广泛应用加快了功能基因组学的研究步伐,同时也推动了基因治疗等相关领域的研究,影响RNA干扰效率的关键因素之一是siRNA序列(siRNA序列是由A、U、G、C四种碱基组成的长度为19或21的一串字符)设计。RNA干扰技术要求siRNA序列与靶点处的mRNA序列严格匹配,单个碱基错配可能使RNA干扰失效,因此,设计有效的siRNA序列能够提高基因沉默的效率。大量实验表明,针对同一靶mRNA设计的siRNA作用效果差别大,原因是siRNA的沉默效率受到靶mRNA序列和自身序列等因素影响。对于一个靶基因,按照传统的设计规则,会有成百上千个候选的siRNA序列,从中找到最有效的序列是siRNA设计领域中的难题之一。由于采用生物实验方法进行siRNA设计需要大量的人力物力,实验成本高、周期长、效率低,所以通过生物信息学与计算机辅助手段来优化siRNA设计,成为实现RNA干扰的有效手段。
由于RNA干扰的广泛应用,近年来出现了多个预测siRNA效率的方法,分为两类:第一类是基于规则的效率预测方法;第二类是基于机器学习的效率预测方法。在第一种方法中,研究者们比较、分析了高效siRNA序列与低效siRNA序列的差异,总结出能提高siRNA设计效率的规则,对候选的siRNA序列按照其满足规则的情况进行打分,一般情况下,得分较高的认为会有较高的沉默效率。但这种方法将每条规则的权重视为相同,没有区别对待;此外,这种方法还不能定量评估侯选siRNA序列的效率,只能区分siRNA有效或无效。因此,此类方法效率较低。第二类是基于机器学习的效率预测方法,这类方法能定量的预测siRNA的效率,提高了设计的准确性。所以本方法也采用机器学习的方法来进行siRNA干扰效率预测。目前siRNA效率预测大多数都考虑siRNA的特征、双链的能量特征等,但是没有考虑mRNA的motif特征、结构特征。我们认为mRNA全局的序列特征、结构特征对siRNA的干扰效率有影响,所以提出基于mRNA全局特征的siRNA干扰效率预测方法。
随机森林(random forest)是2001年Breiman提出的一种新的组合分类器算法。它的特点如下:具有较高的准确率,且不容易出现过拟合;采用bootstrap重抽样方法和随机选择特征进行分裂相结合,使该算法能较好地容忍噪声;可采用有效的估计方法来处理有缺失的数据,即使缺失数据的比重较大,也可以有很高的准确率。结合随机森林的特点,我们采用随机森林对siRNA的效率进行回归预测。这里Bootstrap抽样方法是指:对于一个含有N个样本的数据集,有放回的随机抽取N次,每一次都从N个样本中抽一个,由于每一次都是随机抽取,每一个样本被抽取的概率是一样的,所以有的样本可能被抽中多次,有的可能一次也没有被抽中。一次也没有被抽中的样本称为袋外数据OOB(out-of-bag)数据,采用OOB数据来估计模型的性能称为OOB估计。对于每一棵树,我们都可以得到它的OOB误差估计,取森林中所有树的OOB误差估计的均值,即可得到随机森林的泛化误差估计。
发明内容
本发明的目的在于提供一种能快速、准确地预测siRNA干扰效率的方法。该方法所需要的硬件设备包括处理器、内存、主板。
本发明包括下列步骤:
1.将siRNA序列输入CPLD。CPLD(Complex Programmable Logic Device)为复杂可编程逻辑器件,从PAL和GAL器件发展而来,相对而言规模大,结构复杂,属于大规模集成电路范围,是一种用户根据各自需要而自行构造逻辑功能的数字集成电路。CPLD基本设计方法借助集成开发软件平台,用原理图、硬件描述语言等方法,生成相应的目标文件,通过下载电缆(“在系统”编程)将代码传送到目标芯片中来实现设计。PAL指可编程阵列逻辑,是70年代末由MMI公司率先推出的一种低密度、一次性可编程逻辑器件。GAL为通用阵列逻辑,从PAL发展而来,因为采用了EECMOS工艺使得该器件的编程非常方便。
2.CPLD通过特征提取规则表(存放的是特征对应的编码,通过查此表,即可获得相应siRNA的编码序列),将siRNA序列以编码的形式存储于SRAM中,特征提取规则表存在于计算机系统中,由于数据存在存储器中,我们可以根据需要,实时调用它,它将所获取的siRNA序列,转换为易于系统分析的数字模式(通过查特征提取规则表,即可得到siRNA序列所对应的数字编码)。SRAM是静态存储器,它是一种具有静止存取功能的内存,不需要刷新电路即能保存它内部存储的数据。
本方法所提取的特征包括两大类:
第一类:siRNA序列特征:
1)siRNA序列中每位碱基的数字化编码,A为0.1,U为0.2,G为0.3,C为0.4;
2)siRNA序列中motif(1-3mer)的频率,1mer频率指碱基A、U、G、C在siRNA序列中的频率,2mer频率指碱基组合AA、AU、AG、AC等16个碱基组合在siRNA序列中的频率,3mer频率指AAA、AAU、AAG、AAC等64个碱基组合在siRNA序列中的频率;
3)由能量表示的靶序列与siRNA反义链形成的双链稳定性,按Watson-Crick碱基结合能量规则计算双链结合能,每次取相邻两对碱基结合能量,最后将所有能量求和;
4)siRNA双链5’端能量差,反义链5’端4对碱基能量和与正义链5’端4对碱基能量和之间的差。
第二类:mRNA序列特征和结构特征:
1)mRNA序列中motif(1-3mer)的频率,1mer频率指碱基A、U、G、C在mRNA序列中的频率,2mer频率指碱基组合AA、AU、AG、AC等16个碱基组合在mRNA序列中的频率,3mer频率指AAA、AAU、AAG、AAC等64个碱基组合在mRNA序列中的频率;
2)mRNA的GC含量,计算碱基G、C在mRNA序列所占比例;
3)mRNA长度,mRNA中碱基个数;
4)mRNA茎比率,mRNA通过结构预测得到的茎区比例。
3.选用ARM微处理器进行siRNA干扰效率预测。ARM微处理器具有强大的处理能力和极低的功耗,现在越来越多的公司在产品选型的时候使用它。用ARM微处理器进行siRNA干扰效率预测,具体包括下列步骤:
1)将siRNA序列对应的数字化信息,载入到随机森林模型中。
2)根据已知样本的siRNA序列对应的数字化信息,建立优化的随机森林模型,通过调解相应的参数,使模型的泛化误差(即分类器对训练集之外数据的误分率)最小。
A、首先采用bootstrap重抽样方法从初始样本集中随机抽取ntree个训练集,每个训练集的大小约为初始样本集的三分之二,为每一个训练集分别建立分类回归树,则会产生由ntree棵决策树构成的一片森林,每棵决策树都不进行剪枝。由于随机森林不裁剪回归树,所以树的总个数ntree默认为500。
B、假设初始样本有M个特征,则在每棵回归树的每个内部节点处随机抽取mtry个特征作为候选特征(mtry<<M),选择这mtry个特征上最好的分裂方式对节点进行分裂。在回归模型中,默认参数mtry=M/3,在整个森林的生长过程中,mtry的值保持不变。
C、每棵回归树开始自顶向下的递归分枝,一般情况下,设定叶节点包含样本的个数nodesize为5(回归问题),将此作为终止回归树生长的条件。
D、随机森林采用bootstrap重抽样方法来抽取训练样本,大约有三分之一的数据未被抽中,这些数据称为袋外(out-of-bag)数据。将由ntree棵回归树组成的随机森林回归模型,其回归效果评价采用袋外数据(OOB)预测的残差均方。
3)输入需要预测的siRNA序列对应的数字化信息到已建立的随机森林模型中,进行干扰效率预测,最后将预测的结果输出到LCD液晶显示器。
本发明首先将siRNA序列进行编码,编码时既考虑siRNA的序列特征也考虑mRNA序列和结构信息,将编码后的数字化信息,载入到随机森林中进行效率预测。首先通过调解相应的参数,使模型的泛化误差达到最小,从而建立优化的预测模型;然后再把需要预测的siRNA序列相对应的数字化信息输入到已建好的模型中,进行siRNA干扰效率的预测。
本发明使用并行技术将siRNA的干扰效率更快速准确的预测出来,本发明还能对国际公共数据库中随机选取的siRNA序列进行测试与分析。
附图说明
图1为基于ARM微处理器的siRNA干扰效率预测新方法流程图
图2为基于ARM微处理器的siRNA干扰效率预测新方法的系统结构示意图
图3为100条负样本中碱基A在每一列中出现的频率
图4为100条负样本中碱基U在每一列中出现的频率
图5为100条负样本中碱基G在每一列中出现的频率
图6为100条负样本中碱基C在每一列中出现的频率
图7为100条正样本中碱基A在每一列中出现的频率
图8为100条正样本中碱基U在每一列中出现的频率
图9为100条正样本中碱基G在每一列中出现的频率
图10为100条正样本中碱基C在每一列中出现的频率
从图3和图7可以看出碱基A在正负样本中出现的频率有很大差异,在正样本每列中出现的频率相对稳定;由图4和图8可以看出,碱基U在负样本中出现的频率在0.2左右,在正样本中出现的频率在0.28左右;由图5和图9可以看出,碱基G在负样本中出现的频率在0.25左右,在正样本中出现的频率在0.175左右;由图6和图10可以看出,碱基C在负样本中出现的频率在0.25左右,在正样本中出现的频率在0.2左右。
具体实施方式
本发明是一种基于ARM微处理器的siRNA干扰效率预测新方法,如图1所示,将所得siRNA序列输入CPLD,通过特征提取规则表把siRNA序列进行编码,使siRNA序列以编码序列的形式存储于SRAM中,然后用ARM微处理器,进行siRNA干扰效率预测,在预测前需要先建立基于随机森林的回归模型,通过调解参数,使模型的泛化误差达到最小,然后把需要预测的siRNA序列相对应的数字化信息载入到已建立的随机森林模型中,进行干扰效率预测,最后将预测的结果输出到LCD液晶显示器。
Claims (8)
1.基于ARM微处理器的siRNA干扰效率预测新方法,其特征在于包括下列步骤:
1)进行siRNA序列预处理(siRNA序列是由A、U、G、C四种碱基组成的长度为19或21的一串字符);
2)进行siRNA干扰效率的预测。
2.按权利要求1所述的基于ARM微处理器的siRNA干扰效率预测新方法,其特征在于步骤1)所述的siRNA序列预处理包括下列步骤:
1)将siRNA序列输入CPLD(CPLD是复杂可编程逻辑器件,属于大规模集成电路范围,用户能够根据需要自行构造逻辑功能);
2)通过特征提取规则表(存放的是特征对应的编码,通过查此表,即可获得相应siRNA的编码序列)将siRNA序列以编码的形式存储于SRAM(SRAM是静态存储器)中。
3.按权利要求1所述的基于ARM微处理器的siRNA干扰效率预测新方法,其特征在于步骤2)所述的siRNA序列干扰效率预测包括下列步骤:
1)将siRNA序列对应的数字化信息,载入到随机森林模型中;
2)根据已知样本的siRNA序列对应的数字化信息,建立优化的随机森林模型,通过调解相应的参数,使模型的泛化误差(泛化误差是分类器对训练集之外数据的误分率)最小;
3)输入需要预测的siRNA序列对应的数字化信息到已建立的随机森林模型中,进行干扰效率预测,最后将预测的结果输出到LCD液晶显示器。
4.按权利要求2所述的基于ARM微处理器的siRNA干扰效率预测新方法,其特征在于步骤2)所述的特征提取规则表中所用特征如下:
1)siRNA序列特征;
2)mRNA序列特征和结构特征。
5.按权利要求2所述的基于ARM微处理器的siRNA干扰效率预测新方法,其特征在于步骤2)所述的特征提取规则表存在于计算机系统中,并可实时调用,它将所获取的siRNA序列,转换为易于系统分析的数字模式。
6.按权利要求3所述的基于ARM微处理器的siRNA干扰效率预测新方法,其特征在于步骤2),采用bootstrap抽样方法产生OOB(out-of-bag)数据,进行OOB估计,得到随机森林的泛化误差估计。
7.按权利要求4所述的基于ARM微处理器的siRNA干扰效率预测新方法,其特征在于所用特征1)中提取了下列特征:
1)siRNA序列中每位碱基的数字化编码,A为0.1,U为0.2,G为0.3,C为0.4;
2)siRNA序列中motif(1-3mer)的频率,1mer频率指碱基A、U、G、C在siRNA序列中的频率,2mer频率指碱基组合AA、AU、AG、AC等16个碱基组合在siRNA序列中的频率,3mer频率指AAA、AAU、AAG、AAC等64个碱基组合在siRNA序列中的频率;
3)由能量表示的靶序列与siRNA反义链形成的双链稳定性,按Watson-Crick碱基结合能量规则计算双链结合能,每次取相邻两对碱基结合能量,最后将所有能量求和;
4)siRNA双链5’端能量差,反义链5’端4对碱基能量和与正义链5’端4对碱基能量和之间的差。
8.按权利要求4所述的基于ARM微处理器的siRNA干扰效率预测新方法,其特征在于所用特征2)提取了下列特征:
1)mRNA序列中motif(1-3mer)的频率,1mer频率指碱基A、U、G、C在mRNA序列中的频率,2mer频率指碱基组合AA、AU、AG、AC等16个碱基组合在mRNA序列中的频率,3mer频率指AAA、AAU、AAG、AAC等64个碱基组合在mRNA序列中的频率;
2)mRNA的GC含量,计算碱基G、C在mRNA序列所占比例;
3)mRNA长度,mRNA中碱基个数;
4)mRNA茎比率,mRNA通过结构预测得到的茎区比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310000114.1A CN103020489B (zh) | 2013-01-04 | 2013-01-04 | 基于ARM微处理器的siRNA干扰效率预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310000114.1A CN103020489B (zh) | 2013-01-04 | 2013-01-04 | 基于ARM微处理器的siRNA干扰效率预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020489A true CN103020489A (zh) | 2013-04-03 |
CN103020489B CN103020489B (zh) | 2016-04-20 |
Family
ID=47969087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310000114.1A Expired - Fee Related CN103020489B (zh) | 2013-01-04 | 2013-01-04 | 基于ARM微处理器的siRNA干扰效率预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020489B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572786A (zh) * | 2013-10-29 | 2015-04-29 | 华为技术有限公司 | 随机森林分类模型的可视化优化处理方法及装置 |
CN107577922A (zh) * | 2017-09-20 | 2018-01-12 | 吉林大学 | 一种基于ARM处理器的玉米lncRNA筛选分类方法 |
CN109212553A (zh) * | 2018-09-14 | 2019-01-15 | 南京林业大学 | 无人机LiDAR和随机森林提取银杏生物物理特性的方法 |
CN110400601A (zh) * | 2019-08-23 | 2019-11-01 | 元码基因科技(无锡)有限公司 | 基于rna靶向测序和机器学习的癌症亚型分型方法及装置 |
CN112951322A (zh) * | 2021-03-08 | 2021-06-11 | 深圳市新合生物医疗科技有限公司 | 一种基于网格搜索的规则权重分配siRNA设计方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354420B (zh) * | 2020-03-08 | 2020-12-22 | 吉林大学 | 一种用于COVID-19病毒药物治疗的siRNA研发方法 |
-
2013
- 2013-01-04 CN CN201310000114.1A patent/CN103020489B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
Title |
---|
LIANGJIANG WANG 等: "《Proceedings of The ISIBM International Joint Conferences on Bioinformatics, Systems Biology and Intelligent Computing (IJCBS)》", 1 December 2010 * |
吴祖建: "《生物信息学分析实践》", 30 June 2010 * |
李建龙 等: "《siRNA活性与mRNA二级结构关系的研究》", 《生物医学工程研究》 * |
江澎: "《基于机器学习算法的DNA重组与非编码RNA预测模型研究》", 《万方学位论文全文数据库》 * |
马薇: "《非编码RNA的生物信息学研究》", 《万方学位论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572786A (zh) * | 2013-10-29 | 2015-04-29 | 华为技术有限公司 | 随机森林分类模型的可视化优化处理方法及装置 |
WO2015062209A1 (zh) * | 2013-10-29 | 2015-05-07 | 华为技术有限公司 | 随机森林分类模型的可视化优化处理方法及装置 |
CN107577922A (zh) * | 2017-09-20 | 2018-01-12 | 吉林大学 | 一种基于ARM处理器的玉米lncRNA筛选分类方法 |
CN107577922B (zh) * | 2017-09-20 | 2020-07-03 | 吉林大学 | 一种基于ARM处理器的玉米lncRNA筛选分类方法 |
CN109212553A (zh) * | 2018-09-14 | 2019-01-15 | 南京林业大学 | 无人机LiDAR和随机森林提取银杏生物物理特性的方法 |
CN110400601A (zh) * | 2019-08-23 | 2019-11-01 | 元码基因科技(无锡)有限公司 | 基于rna靶向测序和机器学习的癌症亚型分型方法及装置 |
CN112951322A (zh) * | 2021-03-08 | 2021-06-11 | 深圳市新合生物医疗科技有限公司 | 一种基于网格搜索的规则权重分配siRNA设计方法 |
CN112951322B (zh) * | 2021-03-08 | 2023-09-26 | 深圳市新合生物医疗科技有限公司 | 一种基于网格搜索的规则权重分配siRNA设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103020489B (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Greater than the sum of the parts: how the species composition in different forest strata influence ecosystem function | |
CN103020489A (zh) | 基于ARM微处理器的siRNA干扰效率预测新方法 | |
CN104216954B (zh) | 突发事件话题状态的预测装置及预测方法 | |
CN104199857B (zh) | 一种基于多标签分类的税务文档层次分类方法 | |
CN111354420B (zh) | 一种用于COVID-19病毒药物治疗的siRNA研发方法 | |
CN105335491B (zh) | 基于用户点击行为来向用户推荐图书的方法和系统 | |
CN108509413A (zh) | 文摘自动提取方法、装置、计算机设备及存储介质 | |
CN101404033A (zh) | 本体层级结构的自动生成方法及系统 | |
CN103942340A (zh) | 一种基于文本挖掘的微博用户兴趣识别方法 | |
CN104572449A (zh) | 一种基于用例库的自动化测试方法 | |
CN105893787A (zh) | 一种蛋白质翻译后修饰甲基化位点的预测方法 | |
CN101727500A (zh) | 一种基于流聚类的中文网页文本分类方法 | |
CN104679738A (zh) | 互联网热词挖掘方法及装置 | |
CN103324632B (zh) | 一种基于协同学习的概念识别方法及装置 | |
CN107168868B (zh) | 一种基于采样和集成学习的软件更改缺陷预测方法 | |
Gal et al. | Fluctuations in water level and the dynamics of zooplankton: a data‐driven modelling approach | |
Williams et al. | Plant microRNA prediction by supervised machine learning using C5. 0 decision trees | |
CN108920446A (zh) | 一种工程文本的处理方法 | |
CN103390171A (zh) | 一种安全的半监督学习方法 | |
Tan et al. | Fracturing productivity prediction model and optimization of the operation parameters of shale gas well based on machine learning | |
CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
CN107577922B (zh) | 一种基于ARM处理器的玉米lncRNA筛选分类方法 | |
CN105320720B (zh) | 相关规则分析装置以及相关规则分析方法 | |
CN109656712A (zh) | 一种提取grib码数据的方法及系统 | |
CN116861800B (zh) | 一种基于深度学习的油井增产措施优选及效果预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160420 Termination date: 20180104 |