一种基于U-Net架构的RNA序列二级结构分析方法

本发明属于生物信息，具体涉及一种rna序列二级结构分析方法。

背景技术：

1、线性rna二级结构预测方法可以分为两类：传统方法和机器学习方法。

2、传统方法包括湿氏实验室实验法、基于多序列的比较序列分析法，基于单序列的计算预测法。湿氏实验法包括x射线晶体学、nmr、低温电子显微镜等方法。基于多序列的比较序列分析法的代表模型有rnaalifold、dcfold、centroidfold，该方法的基本思想是通过已知的同源rna序列获取它们的共同特征，建立协方差模型，然后利用该模型对新的同源rna序列进行二级结构预测。基于单序列的计算预测法的代表模型有rnafold、mfold、rnastructure。该方法基于rna序列的二级结构能量最低这一假设，寻找最低自由能态，这种思想将rna二级结构预测问题视为寻找能量最低状态的问题。

3、机器学习方法的代表模型有e2efold、spot-rna、ufold、mxfold2等，模型e2efold使用了transformer的编码器部分对rna序列进行特征提取，通过卷积层后得到评分矩阵。然后使用拉格朗日乘子法使得评分矩阵满足rna二级结构自身的碱基配对约束，最终得到预测的二级结构。模型spot-rna采用了迁移学习方法，首先在大型数据集bprna-1m上进行预训练，然后在小样本数据集pdb上进一步训练和测试，并达到了很好的预测效果。模型ufold提出了将序列转化为图像输入的思想，将不同位置碱基的依赖关系视为像素点进行求解。不同于上述的机器学习模型，mxfold2是一种机器学习方法与热力学方法的混合模型，该模型首先利用了lstm和cnn等模块获取待测rna序列中任意两个碱基的四种相互关系，然后将该张量作为评分矩阵，使用zuker动态规划法寻找最优评分对应的二级结构作为最终的预测结果。

4、实验室方法普遍具有成本高、耗时耗力、吞吐量低的特点。比较序列分析法需要大量的同源rna序列作为基础，并且同源rna序列的数量和相似程度对二级结构预测的准确率具有很大的影响。计算预测法通常只能处理不含伪结结构的序列，但是该结构对三级结构的形成至关重要。

5、基于机器学习的方法已经成为rna二级结构预测问题的主流方法，但是当前基于机器学习的rna二级结构预测模型在小样本rna家族的二级结构预测准确率较差。

技术实现思路

1、为了克服现有技术的不足，本发明提供了一种基于u-net架构的rna序列二级结构分析方法，首先基于序列上下文的rna序列表征模型，完成线性rna序列的可靠表征；然后将表征向量进行全拼接，得到类图像数据，然后将将类图像输入u-net网络转化为概率配对矩阵；最后经过碱基配对约束模块，由rna二级结构的约束条件将概率配对矩阵转化为最终预测的二级结构。本发明方法能够很好地对rna序列进行二级结构预测，在公共数据集上能够取得较好的结果。

2、本发明解决其技术问题所采用的技术方案包括如下步骤：

3、步骤1：构建基于序列上下文的rna序列表征模型；

4、模型从碱基一致性和子序列一致性两个视角学习rna序列的上下文特征表示，保留rna分子碱基序列的二级结构信息，将长度为l的线性rna序列将转化为(l,d)的表征向量，其中d为特征维度，即一个碱基所对应的向量长度；

5、将rna序列输入到表征模型进行无监督训练，训练完成的表征模型对与训练集长度相同的rna序列进行表征；

6、步骤2：将(l,d)的表征向量进行全拼接，拼接成(l,l,2d)的表征向量，然后输入到u-net网络中，得到(l,l)的概率预测矩阵y；u-net网络的训练过程使用像素级别作为监督信号，每一个像素点对应着碱基对的匹配概率；

7、步骤3：构建碱基配对约束模块；

8、步骤3-1：约束一：碱基配对过滤；

9、只有a和u、c和g、u和g三种碱基配对被考虑，其它碱基对即使配对概率大于设定的阈值，也不允许配对，即碱基配对过滤；该约束表示为：

10、mij＝1，如果ij∈{au、c、u}，否则mij＝0

11、其中，mij表示约束矩阵m中的元素；i、j分别表示不同的碱基；

12、步骤3-2：约束二：距离约束；

13、在约束一的基础上，只有两个碱基的距离大于等于4时，才考虑配对，否则不允许配对，即距离约束；该约束表示为：

14、mij＝0，如果|i-j|<4

15、在约束矩阵m满足约束一和约束二的前提下，使用约束矩阵m对概率预测矩阵进行约束，约束结果t表示为：

16、t＝y°m

17、上式中的约束矩阵m为{0，1}矩阵，y为概率预测矩阵，°指矩阵的元素级乘法，即矩阵y与矩阵m对应位置的元素相乘；

18、将概率预测矩y视为对称矩阵，最终的约束结果t表示为：

19、

20、步骤3-3：约束三：唯一配对约束；

21、rna序列中每个碱基最多只与其他一个碱基形成配对，即唯一配对约束；该约束条件表示为：

22、

23、其中，后面的约束条件指矩阵a每一行的和必须小于等于1，即该行所对应的碱基最多只能与其它一个碱基形成配对；a*为输出矩阵，a为待求解矩阵；公式第一部分中的t(y)使得概率预测矩阵y满足了约束一和约束二；“<>”指矩阵的元素级运算符，即对应位置的元素相乘再求和；ρ为超参数，用于控制矩阵a的稀疏程度；

24、步骤4：对输出矩阵a*进行调整，调整规则如下；

25、步骤4-1：设定一个配对阈值，将a*中大于等于该阈值的元素设定为1，小于该阈值的元素设定为0，将a*转化为一个0-1矩阵；

26、步骤4-2：将碱基序列号越小的碱基与碱基序列号越大的碱基配对；

27、步骤5：基于步骤4的规则，对输出矩阵a*进行最优化搜索；

28、对a*中的每个元素进行迭代搜索，同时考虑其周围的碱基；根据碱基配对的特点，将当前元素与其周围的碱基进行比较，按照碱基序号越小与其匹配的碱基序号越大的原则，选择与其最匹配的碱基作为最终配对；

29、通过最优化搜索，最终得到的二维矩阵满足约束条件，即每个碱基至多只能与一个碱基形成配对，并且满足rna二级结构的特点，根据最终得到的二维矩阵，绘制出对应rna序列的二级结构。

30、优选地，所述rna序列二级结构分析方法的训练过程包括预训练过程和正式训练过程；

31、所述预训练过程使用交叉熵损失函数作为优化目标；在训练过程中，通过最小化交叉熵损失函数优化参数；交叉熵损失函数的公式表示为：

32、lpre＝y·-log(sigmoid(x))+(1-y)·-log(1-sigmoid(x))

33、式中，x为u-net网络的输出，y为真实的标签矩阵；

34、所述正式训练使用的损失函数是f1损失函数，f1损失函数表示为：

35、

36、式中p指的是精确率，r指的是召回率；p和r的计算公式如下：

37、

38、

39、其中tp指真实形成配对且被正确预测出配对的碱基对数量，fp指预测的碱基对形成了配对但实际未形成配对的碱基对数量，fn指预测的碱基对未形成配对但实际形成配对的碱基对数量。

40、本发明的有益效果如下：

41、本发明方法构建的基于u-net架构的rna二级结构预测模型能够很好地对rna序列进行二级结构预测。验证结果表明：基于u-net架构的rna序列二级结构高效分析技术在公共数据集上能够取得较好的结果。