生物信息學中RNA結(jié)構(gòu)預測算法與復雜性

目錄
前言
第1章 概述1
1.1 背景1
1.2 研究現(xiàn)狀8
1.3 算法與計算復雜性11
1.4 NPC類問題12
1.5 NP難問題與近似算法14
參考文獻14
第2章 RNA結(jié)構(gòu)與模型21
2.1 RNA簡介21
2.1.1 RNA基本知識21
2.1.2 RNA三級結(jié)構(gòu)22
2.2 Rosetta框架簡介24
2.2.1 Rosetta框架24
2.2.2 蒙特卡羅采樣26
2.2.3 打分函數(shù)26
2.3 機器學習簡介27
2.3.1 機器學習與深度學習27
2.3.2 卷積神經(jīng)網(wǎng)絡28
2.3.3 三維卷積神經(jīng)網(wǎng)絡29
2.3.4 基于ResNet的三維卷積神經(jīng)網(wǎng)絡30
第3章 RNA三級結(jié)構(gòu)預測算法32
3.1 基于知識的RNA三級結(jié)構(gòu)預測算法32
3.2 基于物理的RNA三級結(jié)構(gòu)預測算法33
3.2.1 基于物理片段組裝的RNA三級結(jié)構(gòu)預測算法34
3.2.2 基于隨機采樣方案的RNA三級結(jié)構(gòu)預測算法35
3.3 RNA三級結(jié)構(gòu)預測算法分析36
第4章 基于隨機采樣策略的RNA三級結(jié)構(gòu)預測算法37
4.1 引言37
4.2 SMCP算法設計與實現(xiàn)37
4.2.1 算法設計37
4.2.2 算法描述41
4.2.3 算法實現(xiàn)43
4.3 算法復雜性分析44
4.4 實驗結(jié)果45
4.4.1 SMCP算法的高效實施45
4.4.2 SMCP算法建模復雜RNA模體46
4.4.3 SMCP算法的嚴格測試47
第5章 基于3DResNet的RNA三級結(jié)構(gòu)預測算法49
5.1 引言49
5.2 Res3DScore算法設計與實現(xiàn)50
5.2.1 算法設計50
5.2.2 算法描述52
5.2.3 算法實現(xiàn)53
5.3 實驗結(jié)果55
第6章 基于卷積神經(jīng)網(wǎng)絡的細胞反卷積預測算法59
6.1 引言59
6.2 Autoptcr算法設計與實現(xiàn)59
6.2.1 算法描述59
6.2.2 算法實現(xiàn)61
6.2.3 參數(shù)設置63
6.2.4 訓練方式63
6.3 實驗分析64
6.3.1 數(shù)據(jù)集64
6.3.2 評價標準64
6.3.3 算法與其他方法比較65
第7章 基于卷積自編碼器的細胞反卷積預測算法68
7.1 引言68
7.1.1 研究難點69
7.1.2 相關領域研究現(xiàn)狀71
7.1.3 主要研究工作71
7.2 測序技術(shù)72
7.2.1 基因芯片73
7.2.2 測序數(shù)據(jù)標準化75
7.3 細胞組分分析算法77
7.3.1 基于實驗的算法77
7.3.2 基于計算的算法77
7.4 Aptcr算法83
7.4.1 Aptcr算法的設計與實現(xiàn)84
7.4.2 實驗分析90
7.5 基于卷積自編碼器的細胞反卷積算法96
7.5.1 概述96
7.5.2 Cdaca算法的設計與實現(xiàn)96
7.5.3 實驗分析104
參考文獻108
第8章 基于帶權(quán)多粒度掃描的轉(zhuǎn)錄因子結(jié)合位點預測算法115
8.1 研究背景與意義115
8.2 國內(nèi)外研究現(xiàn)狀116
8.2.1 基于序列計算的預測算法117
8.2.2 基于機器學習的預測算法118
8.3 研究內(nèi)容121
8.4 轉(zhuǎn)錄因子結(jié)合位點簡介121
8.4.1 基因表達與轉(zhuǎn)錄調(diào)控121
8.4.2 轉(zhuǎn)錄因子122
8.4.3 轉(zhuǎn)錄因子結(jié)合位點及其預測123
8.5 傳統(tǒng)機器學習簡介124
8.5.1 傳統(tǒng)機器學習基本知識124
8.5.2 決策樹與隨機森林124
8.5.3 深度森林125
8.6 深度學習簡介126
8.6.1 CNN127
8.6.2 注意力機制128
8.6.3 RNN129
8.7 轉(zhuǎn)錄因子結(jié)合位點預測算法131
8.7.1 WMS_TF算法的設計與實現(xiàn)131
8.7.2 實驗結(jié)果及分析140
參考文獻144
第9章 基于注意力機制的轉(zhuǎn)錄因子結(jié)合位點預測算法151
9.1 引言151
9.2 LAM_TF算法設計與實現(xiàn)151
9.2.1 算法設計151
9.2.2 算法描述155
9.2.3 評價指標156
9.3 實驗結(jié)果及分析157
9.3.1 實驗設置157
9.3.2 實驗分析158
9.3.3 LAM_TF算法基準測試159
第10章 基于特征度量機制attC位點預測算法161
10.1 研究背景及意義161
10.2 國內(nèi)外研究現(xiàn)狀162
10.2.1 基于機器學習的預測技術(shù)163
10.2.2 基于深度學習的預測技術(shù)165
10.3 主要研究內(nèi)容166
10.4 DNA特異性位點簡介168
10.4.1 DNA重組位點168
10.4.2 DNA甲基化位點170
10.4.3 DNA特異性位點預測172
10.5 機器學習簡介173
10.6 深度學習簡介177
10.7 FMCO算法的設計與實現(xiàn)180
10.7.1 算法設計180
10.7.2 算法描述184
10.7.3 評價指標187
10.7.4 實驗結(jié)果188
參考文獻192
第11章 基于特征融合策略的4mC位點預測算法200
11.1 引言200
11.2 FFCNN算法的設計與實現(xiàn)200
11.2.1 算法設計200
11.2.2 算法描述205
11.2.3 評價指標207
11.3 實驗結(jié)果208
11.3.1 實驗設置208
11.3.2 消融實驗209
11.3.3 組合特征編碼實驗209
11.3.4 FFCNN算法基準測試210
第12章 基于進階模型的RNA結(jié)構(gòu)預測算法213
12.1 引言213
12.2 研究內(nèi)容213
12.3 研究目標218
12.4 關鍵科學問題218
12.5 研究方法與技術(shù)路線219
12.6 關鍵技術(shù)222
第13章 RNA結(jié)構(gòu)預測總結(jié)與展望224
13.1 總結(jié)224
13.2 展望228