Catch Your Dream

0%

论文笔记 | SiRNA silencing efficacy prediction based on a deep architecture

Posted on Edited on In Disqus:
Symbols count in article: 2.9k Reading time ≈ 7 mins.

前言

论文《SiRNA silencing efficacy prediction based on a deep architecture》笔记，以及对这篇论文的看法、理解。最后是记录了模型的一些评价指标。

基本信息

论文名SiRNA silencing efficacy prediction based on a deep architecture
作者Han, Ye, He, Fei,Chen, Yongbing, Liu, Yuanning, Yu, Helong
时间2018
会议/期刊Spinger BMC Genomics
领域DL/Bioinformatics
原文链接

研究背景

siRNA 通常是 19-29bp 长度的短 RNA 双链，在 RNA 干扰机制中有很重要的作用。但是人体的 RNA/DNA 并不像平时的语言一样具有可识别的语义，我们对这种序列的认知还比较少，同时，由于 siRNA 数据集比较小，大规模的有对应沉默效率的数据集难以获得，因此在预测 siRNA 沉默效率上具有一定的难度。

大部分的 siRNA 数据是没有对应的沉默效率的，最大的 Husken 数据集还是使用高通量技术在相同环境下实验得到。

现有的预测 siRNA 效率的方法不够好，很多已有的方法基于特征工程，可能导致偏差和特征的不完整。

数据集使用了 Huesken(2431) , Reynolds(248) , Vickers (80) , Haborth(44) , Takayuki(702) , Ui-Tei (62) and siRNAdb(500)

研究问题

本文主要使用深度学习中的 CNN 和 DNN 模型，结合 siRNA 的热力学参数，预测 RNA 干扰中的 siRNA 沉默效率。

解决方法

  1. 使用 CNN 作为特征提取器，DNN 用于回归
  2. 结合了热力学参数和序列特征，每个碱基使用 one-hot 编码，热力学参数的影响由引文 21和引文 25证明，计算由引文 28得到
  3. 结合了靶基因上下游的部分核苷酸，见引文 27，21+2*n 的长度
  4. CNN 中实验了19 个卷积核的效果，挑出的作为子集
  5. 实验了上下游碱基数量
  6. 实验了 CNN 中和 DNN 中使用Sigmoid和ReLU的组合哪个最好
  7. pooling 使用 avg pool 和 max pool
  8. 使用 PCC 和 AUC 度量模型

模型结构图如下：

qWysw3iSOeCDBGf

总结与思考

  1. CNN 结合 DNN 在这个任务上 PCC 达到了 0.725，比她之前单纯的 CNN，PCC 为 0.717 的高，可能是增加的热力学参数起了作用，后面思路也可以往这个方向试试

  2. 对卷积和和上下游碱基数都做了实验还是值得参考的，后面的可以自己实验上下游到底是多长比较适合自己

  3. 数据集确实比单纯用 Husken 大了很多，后面还是得扩充自己数据集

  4. 论文里面使用了 PCC 度量模型可以理解，但是为什么使用了 AUC 这个指标，AUC 不是只能用于分类吗。后面再次去理解了下 AUC 和 ROC 曲线。感觉还是应该只能用于分类问题，不然正例负例怎么划分？

关于 ROC 曲线和 AUC

混淆矩阵

假设有两个类别 0 和 1，模型预测得到结果，其中：

  • 预测为 1 的为阳性(Positive)，预测为 0 的为阴性(Negative)
  • 预测正确为真(True)，预测错误为假（False）

这样就可以得到混淆矩阵如下：

https://i.loli.net/2021/11/04/19yWqY3Oi5EgraS.png

真阳率和假阳率

即 True Positive Rate 和 False Positive Rate

  • ，即：预测为 1 的里面，正例数占所有正样本的比例，也就是数据集中正例有多少预测对了
  • ，即：预测为 1 的里面，负例数占所有负样本的比例，也就是数据集中负例有多少预测错了

ROC 曲线

  • ROC 曲线的横轴就是FPRate，纵轴是TPRate

  • 绘制 ROC 曲线对每个混淆矩阵计算 TPRate 和 FPRate 得到（x,y），然后连接（0,0）和（x,y）和(1,1)

  • 在预测的结果是概率的时候，把每个结果概率作为阈值，把结果分为正例和负例，计算每个 TPRate 和 FPRate，然后描点，连线。

  • 期望结果是y>x，总是想正例预测正确的比例大

  • 二者相等就y=x时，分类器不起作用，和抛硬币一样随机

  • y<x时即总是把正例预测为负例，负例预测为正例。可以把预测的类别反一下就可以得到y>x

AUC

AUC 是 ROC 曲线下面的面积，越大越好。是能够度量分类器的分类能力的。

AUC 同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价。如在异常检测和欺诈场景之类。

关于其他性能度量标准

  • 准确率：，即预测正确的结果占总样本的百分比
  • 精准率（Precision/查准率）：，即在所有被预测为正的样本中，实际为正的样本占被预测为正的样本的比例
  • 召回率（Reacll/查全率/真阳率）：
  • P-R(查准率-查全率)曲线，横轴是查全率，纵轴是查准率
  • F1 分数：查准率查全率查准率查全率，是 P-R（查准率-查全率）的平衡点
  • 灵敏度（Sensitivity）：真阳率，
  • 特异度（Specificity）：1-假阳率，

条件概率表示，假设 X 为预测值，Y 为真实值：

  • 精准率=P(Y=1|X=1)
  • 召回率=灵敏度=查全率=真阳率=P(X=1|Y=1)
  • 特异度=P(X=0|Y=0)

其他参考文献

数据集来源：

DatasetTitle
Huesken(2431)Design of a genome-wide siRNA library using an artificial neural network
Reynolds(248)Rational siRNA design for RNA interference
Vickers(80)Efficient reduction of target RNAs by small interfering RNA and RNase H-dependent antisense agents
Haborth(44)Sequence, chemical, and structural variation of small interfering RNAs and short hairpin RNAs and the effect on mammalian gene silencing
Takayuki(702)Specific residues at every third position of siRNA shape its efficient RNAi activity
Ui-Tei(62)Guidelines for the selection of highly effective siRNA sequences for mammalian and chick RNA interference
siRNAdb(500)siRNAdb: a database of siRNA sequences
disqus gitalk