使用深度卷积神经网络与连体网络分类长链非编码 RNA 元件
计算机视觉与模式识别
2021-02-11 v1 人工智能
摘要
在过去十年中，非编码 RNA（ncRNA）的发现呈爆发式增长。对这些 ncRNA 进行分类对于确定其功能至关重要。本文提出一种采用深度卷积神经网络（CNNs）对 ncRNA 序列进行分类的新方法。为此，本文首先提出一种高效方法，将 RNA 序列转换为刻画其碱基配对概率的图像。从而，RNA 序列分类被转化为可由现有基于 CNN 的分类模型高效解决的图像分类问题。本研究还考虑了 ncRNA 的折叠潜能及其一级序列。基于所提方法，从 ncRNA 序列的 RFAM 数据库生成了一个基准图像分类数据集。此外，实现并比较了三种经典 CNN 模型与三种连体网络模型，以展示所提方法的优越性能与效率。大量实验结果表明使用深度学习方法进行 RNA 分类的巨大潜力。
引用
@article{arxiv.2102.05582,
title = {Classification of Long Noncoding RNA Elements Using Deep Convolutional Neural Networks and Siamese Networks},
author = {Brian McClannahan and Cucong Zhong and Guanghui Wang},
journal= {arXiv preprint arXiv:2102.05582},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2008.10580