基于深度卷积神经网络的非编码RNA元件分类
计算机视觉与模式识别
2020-08-25 v1
摘要
本文提出采用深度卷积神经网络（CNNs）对非编码RNA（ncRNA）序列进行分类。为此，我们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。由此，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。本文还考虑了ncRNA的折叠潜能及其一级序列。基于所提方法，从RFAM的ncRNA序列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，以展示所提方法的优越性能与效率。大量实验结果表明了使用深度学习方法进行RNA分类的巨大潜力。
引用
@article{arxiv.2008.10580,
title = {Classification of Noncoding RNA Elements Using Deep Convolutional Neural Networks},
author = {Brian McClannahan and Krushi Patel and Usman Sajid and Cuncong Zhong and Guanghui Wang},
journal= {arXiv preprint arXiv:2008.10580},
year = {2020}
}