رویکردی جهت افزایش دقت پیش بینی و تخمین ساختار RNA ها با استفاده از شبکه عصبی عمیق

پیش بینی ساختار RNA از نظر زیست شناسی مولکولی، مبحثی پرکاربرد است. اطلاعات موجود در DNA، توسط RNA به پروتئین تبدیل می شود و پروتئین ها نیز در بدن انسان ها مسئول اجرای بسیاری از توابع سلولی هستند. به دلیل عدم استفاده از شبکه های عصبی کارا، پژوهش هایی که تا به امروز در زمینه پیش بینی ساختار RNA انجام شده است، از نظر دقت پیش بینی، میزان خطا و همچنین سرعت اجرا نتوانسته انتظارات را برآورده کند. با توجه به تاثیر افزایش دقت پیش بینی RNA و ارتباط آن با سلامت انسان، لازم است تا با بهبود دقت و درستی تشخیص دنباله های RNA به تشخیص، پیشگیری و درمان بیماری هایی نظیر سرطان کمک نمود. از این رو در این مقاله، روشی بر پایه شبکه ی عصبی عمیق ارائه شده که بتوانیم به نتایج بهتر و با دقت بالاتری برسیم. در این تحقیق با ارائه یک روش یادگیری عمیق ترکیبی CNN+BiLSTM+CRF، بر روی دنباله های RNA و با استفاده از الگوریتم بهینه سازی ADAM، توانستیم دقت پیش بینی دنباله های RNA را نسبت به کارهای مشابه گذشته بهبود دهیم نتایج حاکی از آن است که میزان دقت پیش بینی توالی RNA روش پیشنهادی، با تعداد لایه بیشتر بر روی مجموعه داده های chip seq, ELK ۱ به ۹۹.۷% رسیده که با کمترین میزان خطا ۰.۰۰۲۵ همراه است

کلیدواژه ها:

پیش بینی ساختار RNA ، الگوریتم بهینه سازی ، ADAM ، یادگیری عمیق ترکیبی.