基于表示学习和深度森林的长链非编码RNA编码短肽预测模型

doi:10.11772/j.issn.1001-9081.2021061082

《计算机应用》唯一官方网站 ›› 2021, Vol. 41 ›› Issue (12): 3614-3619.DOI: 10.11772/j.issn.1001-9081.2021061082

所属专题：第十八届中国机器学习会议(CCML 2021)

• 第十八届中国机器学习会议(CCML 2021) • 上一篇下一篇

基于表示学习和深度森林的长链非编码RNA编码短肽预测模型

纪腾其, 孟军(), 赵思远, 胡鹤还

大连理工大学计算机科学与技术学院，辽宁大连 116024

收稿日期:2021-05-12 修回日期:2021-06-24 接受日期:2021-07-21 发布日期:2021-12-28 出版日期:2021-12-10
通讯作者: 孟军
作者简介:纪腾其（1996—），男，山东烟台人，硕士研究生，主要研究方向：生物信息学、机器学习
赵思远（1992—），男，辽宁盘锦人，博士研究生，主要研究方向：机器学习、数据挖掘
胡鹤还（1997—），男，辽宁沈阳人，硕士研究生，主要研究方向：生物信息学、深度学习。
基金资助:
国家自然科学基金资助项目(61872055)

Prediction model of lncRNA-encoded short peptides based on representation learning and deep forest

Tengqi JI, Jun MENG(), Siyuan ZHAO, Hehuan HU

School of Computer Science and Technology，Dalian University of Technology，Dalian Liaoning 116024，China

Received:2021-05-12 Revised:2021-06-24 Accepted:2021-07-21 Online:2021-12-28 Published:2021-12-10
Contact: Jun MENG
About author:JI Tengqi， born in 1996， M. S. candidate. His research interests include bioinformatics， machine learning.
ZHAO Siyuan， born in 1992， Ph. D. candidate. His research interests include machine learning， data mining.
HU Hehuan， born in 1997， M. S. candidate. His research interests include bioinformatics， deep learning.
Supported by:
the National Natural Science Foundation of China(61872055)

摘要/Abstract

摘要：

长链非编码RNA（lncRNA）中的小开放阅读框（sORFs）能够编码长度不超过100个氨基酸的短肽。针对短肽预测研究中lncRNA中的sORFs特征不鲜明且高可信度数据尚不充分的问题，提出一种基于表示学习的深度森林（DF）模型。首先，使用常规lncRNA特征提取方法对sORFs进行编码；其次，通过自编码器（AE）进行表示学习来获得输入数据的高效表示；最后，训练DF模型实现对lncRNA编码短肽的预测。实验结果表明，该模型在拟南芥数据集上能够达到92.08%的准确率，高于传统机器学习模型、深度学习模型以及组合模型，且具有较好的稳定性；此外，在大豆与玉米数据集上进行的模型测试中，该模型的准确率分别能达到78.16%和74.92%，验证了所提模型良好的泛化能力。

关键词: 长链非编码RNA, 小开放阅读框, 短肽, 表示学习, 深度森林, 预测

Abstract:

Small Open Reading Frames （sORFs） in long non-coding RNA （lncRNA） can encode short peptides with length no more than 100 amino acids. Aiming at the problem that the features of sORFs in lncRNA are not distinct and the data with high reliability are not enough in short peptide prediction research， a Deep Forest （DF） model based on representation learning was proposed. Firstly， the conventional lncRNA feature extraction method was used to encode the sORFs. Secondly， the AutoEncoder （AE） was used to perform representation learning to obtain highly efficient representation of the input data. Finally， a DF model was trained to predict the short peptides encoded by lncRNA. Experimental results show that the accuracy of this model can achieve 92.08% on Arabidopsis thalianadataset， which is higher than those of the traditional machine learning models ， deep learning models and combined models， and this model has better stability. In addition， the prediction accuracy of this method can reach 78.16% and 74.92% on Glycine max and Zea mays datasets respectively， verifying the good generalization ability of the proposed model.

Key words: long non-coding RNA (lncRNA), small Open Reading Frames (sORFs), short peptide, representation learning, Deep Forest (DF), prediction

中图分类号:

TP183

纪腾其, 孟军, 赵思远, 胡鹤还. 基于表示学习和深度森林的长链非编码RNA编码短肽预测模型[J]. 计算机应用, 2021, 41(12): 3614-3619.

Tengqi JI, Jun MENG, Siyuan ZHAO, Hehuan HU. Prediction model of lncRNA-encoded short peptides based on representation learning and deep forest[J]. Journal of Computer Applications, 2021, 41(12): 3614-3619.

图/表 9

图1 候选sORFs的获取流程

Fig. 1 Process of obtaining candidate sORFs

图2 不同特征编码方式的特征可视化结果

Fig. 2 Feature visualization results for different feature encoding methods

图3 AE流程

Fig. 3 Flowchart of AutoEncoder

图4 不同维数特征的分类准确率

Fig. 4 Classification accuracy of features with different dimension

图5 模型整体结构

Fig. 5 Overall structure of model

表1 分类结果含义

Tab. 1 Meaning of classification results

真实结果	预测结果
真实结果	Positive Class	Negative Class
Positive Class	TP	FN
Negative Class	FP	TN

表2 本文模型与传统机器学习模型及其组合模型以及DF在拟南芥数据集上的结果比较

Tab. 2 Result comparison of the proposed model with traditional machine learning models， their combined models and DF on Arabidopsis thaliana dataset

模型	ACC±SD^②/%	P±SD/%	R±SD/%	F₁±SD/%
NB	76.36±2.8	75.91±3.7	77.01±4.0	76.35±2.8
AE+NB	76.77±2.6	74.00±4.9	78.79±5.0	76.80±2.6
DT	83.02±1.9	84.80±3.4	80.31±2.8	83.00±1.9
AE+DT	86.36±1.3	84.70±3.4	86.75±1.8	86.37±1.3
RF	86.46±1.3	83.45±4.2	82.84±2.8	86.46±1.3
AE+RF	87.50±1.6	85.46±2.9	88.17±2.4	87.50±1.6
DF	87.92±1.6	85.77±3.5	89.17±3.0	87.93±1.6
本文模型	92.08±1.2	91.23±1.1	92.40±2.6	92.08±1.2

表3 本文模型与深度学习模型及其组合模型在拟南芥数据集上的结果比较

Tab. 3 Result comparison of the proposed model with deep learning models and their combined models on Arabidopsis thaliana dataset

模型	ACC±SD/%	P±SD/%	R±SD/%	F₁±SD/%
CNN	90.42±2.2	91.62±3.3	88.64±2.6	90.42±2.2
AE+CNN	91.04±1.9	88.75±3.3	92.95±2.1	91.05±1.9
RNN	89.48±1.5	89.15±2.5	89.58±2.6	89.49±1.4
AE+RNN	90.00±1.7	89.24±1.5	90.65±1.0	89.99±1.7
本文模型	92.08±1.2	91.23±1.1	92.40±2.6	92.08±1.2

表4 本文模型在大豆和玉米数据集上的分类结果

Tab. 4 Classification results of the proposed model on Glycine max and Zea mays datasets

数据集	ACC/%	P/%	R/%	F₁/%
Glycine max	78.16	79.65	75.63	78.14
Zea mays	74.92	72.12	81.23	74.82

参考文献 29

1	KLEAVELAND B， SHI C Y， STEFANO J， et al. A network of noncoding regulatory RNAs acts in the mammalian brain［J］. Cell， 2018， 174（2）： 350-362.e17. 10.1016/j.cell.2018.05.022
2	CUI J， JIANG N， MENG J， et al. LncRNA33732‐respiratory burst oxidase module associated with WRKY1 in tomato‐ Phytophthora infestans interactions［J］. The Plant Journal， 2019， 97（5）： 933-946. 10.1111/tpj.14173
3	RÖHRIG H， SCHMIDT J， MIKLASHEVICHS E， et al. Soybean ENOD40 encodes two peptides that bind to sucrose synthase［J］. Proceedings of the National Academy of Sciences of the United States of America， 2002， 99（4）： 1915-1920. 10.1073/pnas.022664799
4	LEVINE M T， JONES C D， KERN A D， et al. Novel genes derived from noncoding DNA in Drosophila melanogaster are frequently X-linked and exhibit testis-biased expression［J］. Proceedings of the National Academy of Sciences of the United States of America， 2006， 103（26）： 9935-9939. 10.1073/pnas.0509809103
5	FESENKO I， KIROV I， KNIAZEV A， et al. Distinct types of short open reading frames are translated in plant cells［J］. Genome Research， 2019， 29（9）： 1464-1477. 10.1101/gr.253302.119
6	NELSON B R， MAKAREWICH C A， ANDERSON D M， et al. A peptide encoded by a transcript annotated as long noncoding RNA enhances SERCA activity in muscle［J］. Science， 2016， 351（6270）： 271-275. 10.1126/science.aad4076
7	LIU H Z， ZHOU X， YUAN M Q， et al. ncEP： a manually curated database for experimentally validated ncRNA-encoded proteins or peptides［J］. Journal of Molecular Biology， 2020， 432（11）： 3364-3368. 10.1016/j.jmb.2020.02.022
8	常征，孟军，施云生，等. 多特征融合的lncRNA识别与其功能预测［J］. 智能系统学报， 2018， 13（6）：68-74. 10.11992/tis.201806008
	CHANG Z， MENG J， SHI Y S， et al. LncRNA recognition by fusing multiple features and its function prediction［J］. CAAI Transactions on Intelligent Systems， 2018， 13（6）： 68-74. 10.11992/tis.201806008
9	WEKESA J S， MENG J， LUAN Y S. Multi-feature fusion for deep learning to predict plant lncRNA-protein interaction［J］. Genomics， 2020， 112（5）： 2928-2936. 10.1016/j.ygeno.2020.05.005
10	KANG Q， MENG J， SHI W H， et al. Ensemble deep learning based on multi-level information enhancement and greedy fuzzy decision for plant miRNA-lncRNA interaction prediction［J］. Interdisciplinary Sciences： Computational Life Sciences， 2021， 13（4）： 603-614. 10.1007/s12539-021-00434-7
11	KARIM S. Exploring plant tolerance to biotic and abiotic stresses［D］. Uppsala： Swedish University of Agricultural Sciences， 2007： 18-23.
12	ROMBEL I T， SYKES K F， RAYNER S， et al. ORF-FINDER： a vector for high-throughput gene identification［J］. Gene， 2002， 282（1/2）： 33-41. 10.1016/s0378-1119(01)00819-8
13	HANADA K， AKIYAMA K， SAKURAI T， et al. sORF finder： a program package to identify small open reading frames with high coding potential［J］. Bioinformatics， 2010， 26（3）： 399-400. 10.1093/bioinformatics/btp688
14	ZHU M M， GRIBSKOV M. MiPepid： MicroPeptide identification tool using machine learning［J］. BMC Bioinformatics， 2019， 20： No.559. 10.1186/s12859-019-3033-9
15	DENG J， ZHANG Z X， EYBEN F， et al. Autoencoder-based unsupervised domain adaptation for speech emotion recognition［J］. IEEE Signal Processing Letters， 2014， 21（9）： 1068-1072. 10.1109/lsp.2014.2324759
16	樊玮，王慧敏，邢艳. 基于自编码器的多视图属性网络表示学习模型［J］. 计算机应用， 2021， 41（4）：1064-1070.
	FAN W， WANG H M， XING Y. Auto-encoder based multi-view attributed network representation learning model［J］. Journal of Computer Applications， 2021， 41（4）：1064-1070.
17	YANG J C， MA S P， JIANG X P. Predicting LncRNA-disease association by autoencoder and rotation forest［C］// Proceedings of the 2019 IEEE International Conference on Bioinformatics and Biomedicine. Piscataway： IEEE， 2019： 159-164. 10.1109/bibm47256.2019.8983261
18	BAEK J， LEE B， KWON S， et al. lncRNAnet： long non-coding RNA identification using deep learning［J］. Bioinformatics， 2018， 34（22）： 3889-3897. 10.1093/bioinformatics/bty418
19	ZHOU Z H， FENG J. Deep forest［J］. National Science Review， 2019， 6（1）： 74-86. 10.1093/nsr/nwy108
20	LI Y， ZHANG Q， LIU Z Q， et al. Deep forest ensemble learning for classification of alignments of non-coding RNA sequences based on multi-view structure representations［J］. Briefings in Bioinformatics， 2021， 22（4）：. 10.1093/bib/bbaa354
	No.bbaa35. 10.1093/bib/bbaa354
21	GOODSTEIN D M， SHU S Q， HOWSON R， et al. Phytozome： a comparative platform for green plant genomics［J］. Nucleic Acids Research， 2012， 40（D1）： D1178-D1186. 10.1093/nar/gkr944
22	FU L M， NIU B F， ZHU Z W， et al. CD-HIT： accelerated for clustering the next generation sequencing data［J］. Bioinformatics， 2012， 28（23）： 3150-3152. 10.1093/bioinformatics/bts565
23	NEGRI T D C， ALVES W A L， BUGATTI P H， et al. Pattern recognition analysis on long noncoding RNAs： a tool for prediction in plants［J］. Briefings in Bioinformatics， 2019， 20（2）： 682-689. 10.1093/bib/bby034
24	YIN C C， YAU S S T. Prediction of protein coding regions by the 3-base periodicity analysis of a DNA sequence［J］. Journal of Theoretical Biology， 2007， 247（4）： 687-694. 10.1016/j.jtbi.2007.03.038
25	RODRIGUEZ-GALIANO V F， GHIMIRE B， ROGAN J， et al. An assessment of the effectiveness of a random forest classifier for land-cover classification［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2012， 67： 93-104. 10.1016/j.isprsjprs.2011.11.002
26	GAO C Z， CHENG Q， HE P， et al. Privacy-preserving Naive Bayes classifiers secure against the substitution-then-comparison attack［J］. Information Sciences， 2018， 444： 72-88. 10.1016/j.ins.2018.02.058
27	SAFAVIAN S R， LANDGREBE D. A survey of decision tree classifier methodology［J］. IEEE Transactions on Systems， Man， and Cybernetics， 1991， 21（3）： 660-674. 10.1109/21.97458
28	CHENG J， WANG P S， LI G， et al. Recent advances in efficient computation of deep convolutional neural networks［J］. Frontiers of Information Technology and Electronic Engineering， 2018， 19（1）： 64-77. 10.1631/fitee.1700789
29	WILLIAMS R J， ZIPSER D. A learning algorithm for continually running fully recurrent networks［J］. Neural Computation， 1989， 1（2）： 270-280. 10.1162/neco.1989.1.2.270

[1]	范黎林, 曹富康, 王琬婷, 杨凯, 宋钊瑜. 基于需求模式自适应匹配的间歇性需求预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2747-2755.
[2]	李力铤, 华蓓, 贺若舟, 徐况. 基于解耦注意力机制的多变量时序预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2732-2738.
[3]	薛桂香, 王辉, 周卫峰, 刘瑜, 李岩. 基于知识图谱和时空扩散图卷积网络的港口交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2952-2957.
[4]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[5]	杨鑫, 陈雪妮, 吴春江, 周世杰. 结合变种残差模型和Transformer的城市公路短时交通流预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2947-2951.
[6]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[7]	任烈弘, 黄铝文, 田旭, 段飞. 基于DFT的频率敏感双分支Transformer多变量长时间序列预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2739-2746.
[8]	肖海林, 黄天义, 代秋香, 张跃军, 张中山. 基于轨迹预测的安全强化学习自动变道决策方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2958-2963.
[9]	杜郁, 朱焱. 构建预训练动态图神经网络预测学术合作行为消失[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2726-2731.
[10]	张春雪, 仇丽青, 孙承爱, 荆彩霞. 基于两阶段动态兴趣识别的购买行为预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2365-2371.
[11]	张全梅, 黄润萍, 滕飞, 张海波, 周南. 融合异构信息的自动国际疾病分类编码方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2476-2482.
[12]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[13]	王清, 赵杰煜, 叶绪伦, 王弄潇. 统一框架的增强深度子空间聚类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 1995-2003.
[14]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[15]	李华夏, 黄晓蓉, 沈安林, 蒋鹏, 彭忆强, 隋立起. 基于MPC和PID的脚轮式全向移动平台轨迹跟踪[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2285-2293.

基于表示学习和深度森林的长链非编码RNA编码短肽预测模型

Prediction model of lncRNA-encoded short peptides based on representation learning and deep forest

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 29

相关文章 15

编辑推荐

Metrics