生物信息學(xué)中RNA結(jié)構(gòu)預(yù)測(cè)算法與復(fù)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(jì)算復(fù)雜性11
1.4 NPC類(lèi)問(wèn)題12
1.5 NP難問(wèn)題與近似算法14
參考文獻(xiàn)14
第2章 RNA結(jié)構(gòu)與模型21
2.1 RNA簡(jiǎn)介21
2.1.1 RNA基本知識(shí)21
2.1.2 RNA三級(jí)結(jié)構(gòu)22
2.2 Rosetta框架簡(jiǎn)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(jī)器學(xué)習(xí)簡(jiǎn)介27
2.3.1 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)27
2.3.2 卷積神經(jīng)網(wǎng)絡(luò)28
2.3.3 三維卷積神經(jīng)網(wǎng)絡(luò)29
2.3.4 基于ResNet的三維卷積神經(jīng)網(wǎng)絡(luò)30
第3章 RNA三級(jí)結(jié)構(gòu)預(yù)測(cè)算法32
3.1 基于知識(shí)的RNA三級(jí)結(jié)構(gòu)預(yù)測(cè)算法32
3.2 基于物理的RNA三級(jí)結(jié)構(gòu)預(yù)測(cè)算法33
3.2.1 基于物理片段組裝的RNA三級(jí)結(jié)構(gòu)預(yù)測(cè)算法34
3.2.2 基于隨機(jī)采樣方案的RNA三級(jí)結(jié)構(gòu)預(yù)測(cè)算法35
3.3 RNA三級(jí)結(jié)構(gòu)預(yù)測(cè)算法分析36
第4章 基于隨機(jī)采樣策略的RNA三級(jí)結(jié)構(gòu)預(yù)測(cè)算法37
4.1 引言37
4.2 SMCP算法設(shè)計(jì)與實(shí)現(xiàn)37
4.2.1 算法設(shè)計(jì)37
4.2.2 算法描述41
4.2.3 算法實(shí)現(xiàn)43
4.3 算法復(fù)雜性分析44
4.4 實(shí)驗(yàn)結(jié)果45
4.4.1 SMCP算法的高效實(shí)施45
4.4.2 SMCP算法建模復(fù)雜RNA模體46
4.4.3 SMCP算法的嚴(yán)格測(cè)試47
第5章 基于3DResNet的RNA三級(jí)結(jié)構(gòu)預(yù)測(cè)算法49
5.1 引言49
5.2 Res3DScore算法設(shè)計(jì)與實(shí)現(xiàn)50
5.2.1 算法設(shè)計(jì)50
5.2.2 算法描述52
5.2.3 算法實(shí)現(xiàn)53
5.3 實(shí)驗(yàn)結(jié)果55
第6章 基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞反卷積預(yù)測(cè)算法59
6.1 引言59
6.2 Autoptcr算法設(shè)計(jì)與實(shí)現(xiàn)59
6.2.1 算法描述59
6.2.2 算法實(shí)現(xiàn)61
6.2.3 參數(shù)設(shè)置63
6.2.4 訓(xùn)練方式63
6.3 實(shí)驗(yàn)分析64
6.3.1 數(shù)據(jù)集64
6.3.2 評(píng)價(jià)標(biāo)準(zhǔn)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(xì)胞反卷積預(yù)測(cè)算法68
7.1 引言68
7.1.1 研究難點(diǎn)69
7.1.2 相關(guān)領(lǐng)域研究現(xiàn)狀71
7.1.3 主要研究工作71
7.2 測(cè)序技術(shù)72
7.2.1 基因芯片73
7.2.2 測(cè)序數(shù)據(jù)標(biāo)準(zhǔn)化75
7.3 細(xì)胞組分分析算法77
7.3.1 基于實(shí)驗(yàn)的算法77
7.3.2 基于計(jì)算的算法77
7.4 Aptcr算法83
7.4.1 Aptcr算法的設(shè)計(jì)與實(shí)現(xiàn)84
7.4.2 實(shí)驗(yàn)分析90
7.5 基于卷積自編碼器的細(xì)胞反卷積算法96
7.5.1 概述96
7.5.2 Cdaca算法的設(shè)計(jì)與實(shí)現(xiàn)96
7.5.3 實(shí)驗(yàn)分析104
參考文獻(xiàn)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(diǎn)預(yù)測(cè)算法115
8.1 研究背景與意義115
8.2 國(guó)內(nèi)外研究現(xiàn)狀116
8.2.1 基于序列計(jì)算的預(yù)測(cè)算法117
8.2.2 基于機(jī)器學(xué)習(xí)的預(yù)測(cè)算法118
8.3 研究?jī)?nèi)容121
8.4 轉(zhuǎn)錄因子結(jié)合位點(diǎn)簡(jiǎn)介121
8.4.1 基因表達(dá)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(diǎn)及其預(yù)測(cè)123
8.5 傳統(tǒng)機(jī)器學(xué)習(xí)簡(jiǎn)介124
8.5.1 傳統(tǒng)機(jī)器學(xué)習(xí)基本知識(shí)124
8.5.2 決策樹(shù)與隨機(jī)森林124
8.5.3 深度森林125
8.6 深度學(xué)習(xí)簡(jiǎn)介126
8.6.1 CNN127
8.6.2 注意力機(jī)制128
8.6.3 RNN129
8.7 轉(zhuǎn)錄因子結(jié)合位點(diǎn)預(yù)測(cè)算法131
8.7.1 WMS_TF算法的設(shè)計(jì)與實(shí)現(xiàn)131
8.7.2 實(shí)驗(yàn)結(jié)果及分析140
參考文獻(xiàn)144
第9章 基于注意力機(jī)制的轉(zhuǎn)錄因子結(jié)合位點(diǎn)預(yù)測(cè)算法151
9.1 引言151
9.2 LAM_TF算法設(shè)計(jì)與實(shí)現(xiàn)151
9.2.1 算法設(shè)計(jì)151
9.2.2 算法描述155
9.2.3 評(píng)價(jià)指標(biāo)156
9.3 實(shí)驗(yàn)結(jié)果及分析157
9.3.1 實(shí)驗(yàn)設(shè)置157
9.3.2 實(shí)驗(yàn)分析158
9.3.3 LAM_TF算法基準(zhǔn)測(cè)試159
第10章 基于特征度量機(jī)制attC位點(diǎn)預(yù)測(cè)算法161
10.1 研究背景及意義161
10.2 國(guó)內(nèi)外研究現(xiàn)狀162
10.2.1 基于機(jī)器學(xué)習(xí)的預(yù)測(cè)技術(shù)163
10.2.2 基于深度學(xué)習(xí)的預(yù)測(cè)技術(shù)165
10.3 主要研究?jī)?nèi)容166
10.4 DNA特異性位點(diǎn)簡(jiǎn)介168
10.4.1 DNA重組位點(diǎn)168
10.4.2 DNA甲基化位點(diǎn)170
10.4.3 DNA特異性位點(diǎn)預(yù)測(cè)172
10.5 機(jī)器學(xué)習(xí)簡(jiǎn)介173
10.6 深度學(xué)習(xí)簡(jiǎn)介177
10.7 FMCO算法的設(shè)計(jì)與實(shí)現(xiàn)180
10.7.1 算法設(shè)計(jì)180
10.7.2 算法描述184
10.7.3 評(píng)價(jià)指標(biāo)187
10.7.4 實(shí)驗(yàn)結(jié)果188
參考文獻(xiàn)192
第11章 基于特征融合策略的4mC位點(diǎn)預(yù)測(cè)算法200
11.1 引言200
11.2 FFCNN算法的設(shè)計(jì)與實(shí)現(xiàn)200
11.2.1 算法設(shè)計(jì)200
11.2.2 算法描述205
11.2.3 評(píng)價(jià)指標(biāo)207
11.3 實(shí)驗(yàn)結(jié)果208
11.3.1 實(shí)驗(yàn)設(shè)置208
11.3.2 消融實(shí)驗(yàn)209
11.3.3 組合特征編碼實(shí)驗(yàn)209
11.3.4 FFCNN算法基準(zhǔn)測(cè)試210
第12章 基于進(jìn)階模型的RNA結(jié)構(gòu)預(yù)測(cè)算法213
12.1 引言213
12.2 研究?jī)?nèi)容213
12.3 研究目標(biāo)218
12.4 關(guān)鍵科學(xué)問(wèn)題218
12.5 研究方法與技術(shù)路線(xiàn)219
12.6 關(guān)鍵技術(shù)222
第13章 RNA結(jié)構(gòu)預(yù)測(cè)總結(jié)與展望224
13.1 總結(jié)224
13.2 展望228