rna二级结构预测：基于半监督学习的随机文法模型方法 rna secondary structure prediction：a method based on semi-supervised learning stochastic grammar model.pdfVIP

第 30 卷 第 9 期 计算机与应用化学 Vol.30, No.9 2013 年 9 月 28 日 Computers and Applied Chemistry September 28, 2013 RNA 二级结构预测：基于半监督学习的随机文法模型方法 1* 1 2 唐四薪 ，赵辉煌 ，周勇 (1. 衡阳师范学院计算机科学系，湖南，衡阳，421002； 2. 衡阳师范学院数学与计算科学系，湖南，衡阳，421002) 摘要：传统随机文法模型预测 RNA 二级结构需要寻找足够多的相关序列样本，这限制了该方法的实际应用。为有效利用大量 未标注的 RNA 序列进行结构预测，将半监督学习方法融入到随机文法模型中，采用少量已标注的 RNA 样本和大量未标注样本 作为预测模型的训练集。设计了基于 EM 算法的半监督学习预测模型，该模型将基于产生式方法的 SCFG 模型作为分类器，通 过训练对未标记的 RNA 序列进行标注，再将已标注的序列逐步合并到已标记样本集中，并能够调节已标记样本和未标记样本 所占的比例，最后输出结构标签序列。实验结果表明，通过对多种混合了已标注和未标注 RNA 序列集的测试，验证了该方法 可有效地利用未标注序列数据，大大降低了对已标注序列样本的需求数量，提高了预测精度，并测试了掺入不同的未标记序列 数量对模型预测性能的影响。 关键词：半监督学习；RNA ；二级结构；随机文法模型 中图分类号：TP301.2 文献标识码：A 文章编号：1001-4160(2013)09-1038-1042 DOI: 10.11719/com.app.che 1 引言 (stochastic context-free grammar model，SCFG) 采用比较 序列分析方法预测 RNA 二级结构[5~6]，这通常需要将结 随着近年来生物序列测序技术的快速发展，导致在 构未知的待测序列与结构已知的 RNA 序列样本集(通常 生物序列数据库中，积累了大量的序列数据。这些序列 是与待测序列同源的序列)进行训练，得到每条文法产生 数据在一定程度上能帮助我们认识生物序列的功能。但 式规则的转移概率，然后计算这一组 RNA 序列中每一列 对于非编码 RNA 分子来说，其功能主要由结构决定，因 的生成概率，将列的概率进行乘积就得到比对的概率。 此更加需要的是 RNA 的结构数据。RNA 二级结构是 通过训练得到一棵进化树，使得比对的概率最大，再利 RNA 结构在平面上的表示。预测 RNA 二级结构的重要 用进化信息和随机上下文无关文法，找到使每条序列概 性表现在很多方面：包括识别 RNA 分子的功能、同源搜 率最大的生成规则，即可推导出该序列对应的二级结构。 索和 motif 发现[1] 。目前，序列数据的保有量相对于结构 这种传统模型由于完全依赖于产生式过程，很难向其中 数据来说，多了一个数量级[2] 。因此，如何对RNA 序列 加入新的特征，导致可扩展性较差。