论文部分内容阅读
MicroRNA是一种广泛的存在于真核生物中的小分子非编码RNA基因。它的长度通常在19至25个碱基之间。成熟的MicroRNA是由其发夹前体(Pre-MicroRNA)发展形成的，因此具有较高的保守性，MicroRNA通常针对转录后水平调控的靶基因进行表达。这类小基因能够参与发育、代谢、抗病、逆境胁迫等多种生物途径，并起到非常重要的调控作用。对MicroRNA深入的研究有助于更好的了解生物的基因调控过程和生长机理。把MicroRNA序列、结构、序列-结构特征进行量化，利用机器学习的方法挖掘新的MicroRNA已成为生命科学领域的研究热点之一。成熟的MicroRNA是由其Pre-MicroRNA经过核苷酸的加工形成，它们在序列上具有高度相似的保守性，而Pre-MicroRNA带有茎环结构，更利于特征的提取和识别，因此越来越多的人热衷于通过研究预测Pre-MicroRNA找到其对应MicroRNA的方法。
由于存在物种间差异性，并没有任何适合一种通用的模型，目前也没有专门针对大豆这一物种MicroRNA的预测模型。本文针对上述问题进行了基于随机森林优化算法的大豆Pre-MicroRNA预测方法研究。主要研究内容如下：
(1)比较基于支持向量机、BP神经网络以及随机森林三种数据挖掘技术在构建大豆Pre-MicroRNA预测模型方面的优势和劣势。本文首先采用上述三种算法作为分类器分别构建预测模型，使用大豆Pre-MicroRNA阳性样本数据和阴样本数据对模型进行训练及测试，通过比较每种大豆Pre-MicroRNA模型的预测结果以及敏感度、特异性、误差率、精度等模型评价指标，分析出采用随机森林算法构建大豆Pre-MicroRNA预测模型的预测效果优于其他两种算法。
(2)优化基于随机森林算法的大豆Pre-MicroRNA预测模型。由于随机森林算法训练速度快，在分类过程中随机选择的特征子集，能够准确检测到特征值(feature)之间的相互影响，因此在处理数据的时候有明显的特征选择上的优势，比较适用于处理较高维度数据，但该算法处理数据时，很可能会出现陷入局部最优解的问题，或在包含一定噪声数据的分类上出现过拟问题。考虑到特征之间的互补、冗余等特性，可以在基于随机森林预测模型中加入选择最优特征子集的过程，拟解决上述问题。据此，本文构建了三种基于随机森林融合算法的大豆Pre-MicroRNA预测模型，在预测的过程中分别加入信噪比与相关度、遗传算法、递归特征消除算法，这三种算法分别与随机森林算法融合构建预测模型，可以提高基于随机森林算法在大豆Pre-MicroRNA预测中的的识别能力与泛化能力，使其实现更准确的识别出未知MicroRNA的目标。
(3)将不同算法构建的大豆Pre-MicroRNA预测模型，在相同的独立测试集中进行实验验证。实验结果表明，单独使用随机森林算法构建出的大豆Pre-MicroRNA模型的预测精度为0.8334，比支持向量机和BP神经网络分别高出1.87%和3.92%，可以说明在针对大豆Pre-MicroRNA数据的预测中，预测模型的分类器选用随机森林算法比另外两种算法更适合；随后通过对三种基于随机森林融合算法构建的大豆Pre-MicroRNA预测模型的结果析可见，经过优化后三种算法在大豆Pre-MicroRNA的预测中精度与单独使用随机森林算法的模型精度相比均有提高，其中信噪比相关度与随机森林融合以及遗传算法与随机森林融合构建模型的预测精度分别为0.8667和0.8911，相比于单独使用随机森林算法构建的大豆Pre-MicroRNA预测模型精度高出3.99%和6.92%，而递归特征消除与随机森林融合算法构建的大豆Pre-MicroRNA预测模型精度达到0.9082，比单独使用随机森林算法的时候提高了8.96%，是三个优化模型中效果最好的。由此证明，在随机森林算法的大豆Pre-MicroRNA预测模型中引入选择最优特征选择子集的方法，可以提高模型的预测精度，降低预测结果的假阳性，达到优化模型的目标。本文实验能够为准确挖掘更多大豆Pre-MicroRNA提供理论参考。
由于存在物种间差异性，并没有任何适合一种通用的模型，目前也没有专门针对大豆这一物种MicroRNA的预测模型。本文针对上述问题进行了基于随机森林优化算法的大豆Pre-MicroRNA预测方法研究。主要研究内容如下：
(1)比较基于支持向量机、BP神经网络以及随机森林三种数据挖掘技术在构建大豆Pre-MicroRNA预测模型方面的优势和劣势。本文首先采用上述三种算法作为分类器分别构建预测模型，使用大豆Pre-MicroRNA阳性样本数据和阴样本数据对模型进行训练及测试，通过比较每种大豆Pre-MicroRNA模型的预测结果以及敏感度、特异性、误差率、精度等模型评价指标，分析出采用随机森林算法构建大豆Pre-MicroRNA预测模型的预测效果优于其他两种算法。
(2)优化基于随机森林算法的大豆Pre-MicroRNA预测模型。由于随机森林算法训练速度快，在分类过程中随机选择的特征子集，能够准确检测到特征值(feature)之间的相互影响，因此在处理数据的时候有明显的特征选择上的优势，比较适用于处理较高维度数据，但该算法处理数据时，很可能会出现陷入局部最优解的问题，或在包含一定噪声数据的分类上出现过拟问题。考虑到特征之间的互补、冗余等特性，可以在基于随机森林预测模型中加入选择最优特征子集的过程，拟解决上述问题。据此，本文构建了三种基于随机森林融合算法的大豆Pre-MicroRNA预测模型，在预测的过程中分别加入信噪比与相关度、遗传算法、递归特征消除算法，这三种算法分别与随机森林算法融合构建预测模型，可以提高基于随机森林算法在大豆Pre-MicroRNA预测中的的识别能力与泛化能力，使其实现更准确的识别出未知MicroRNA的目标。
(3)将不同算法构建的大豆Pre-MicroRNA预测模型，在相同的独立测试集中进行实验验证。实验结果表明，单独使用随机森林算法构建出的大豆Pre-MicroRNA模型的预测精度为0.8334，比支持向量机和BP神经网络分别高出1.87%和3.92%，可以说明在针对大豆Pre-MicroRNA数据的预测中，预测模型的分类器选用随机森林算法比另外两种算法更适合；随后通过对三种基于随机森林融合算法构建的大豆Pre-MicroRNA预测模型的结果析可见，经过优化后三种算法在大豆Pre-MicroRNA的预测中精度与单独使用随机森林算法的模型精度相比均有提高，其中信噪比相关度与随机森林融合以及遗传算法与随机森林融合构建模型的预测精度分别为0.8667和0.8911，相比于单独使用随机森林算法构建的大豆Pre-MicroRNA预测模型精度高出3.99%和6.92%，而递归特征消除与随机森林融合算法构建的大豆Pre-MicroRNA预测模型精度达到0.9082，比单独使用随机森林算法的时候提高了8.96%，是三个优化模型中效果最好的。由此证明，在随机森林算法的大豆Pre-MicroRNA预测模型中引入选择最优特征选择子集的方法，可以提高模型的预测精度，降低预测结果的假阳性，达到优化模型的目标。本文实验能够为准确挖掘更多大豆Pre-MicroRNA提供理论参考。