基于双向长短时记忆网络和注意力机制的RNA m5C甲基化位点预测

RNA 5-甲基胞嘧啶(m5C)修饰在许多生物过程中发挥重要的作用，对m5C位点的准确识别有助于更好地理解其生物学功能，所以识别m5C甲基化位点十分必要。尽管已发展了多种识别m5C甲基化位点的机器学习方法，但预测能力仍有待提高。本文基于双向长短时记忆网络和注意力机制，提出了一种预测RNA m5C甲基化位点的深度学习算法。用该方法在人、小鼠、酿酒酵母和拟南芥共4种生物的RNA m5C数据集上进行实验，m5C位点预测AUC值分别达到92.5%、99.7%、93.6%和86.5%。与现有预测方法相比，该方法具有较好的预测性能，并且具有更优的泛化能力，为RNA m5C甲基化位点预测提供了一种新方法。     

基于双层BiGRU网络的哺乳动物组织m6A甲基化位点预测

目的 N⁶-甲基化腺苷（N⁶-methyladenosine，m⁶A）是RNA中最常见、最丰富的化学修饰，在很多生物过程中发挥着重要作用。目前已经发展了一些预测m⁶A甲基化位点的计算方法。然而，这些方法在针对不同物种或不同组织时，缺乏稳健性。为了提升对不同组织中m⁶A甲基化位点预测的稳健性，本文提出一种能结合序列反向信息来提取数据更高级特征的双层双向门控循环单元（bidirectional gated recurrent unit，BiGRU）网络模型。方法 本文选取具有代表性的哺乳动物组织m⁶A甲基化位点数据集作为训练数据，通过对模型网络、网络结构、层数和优化器等进行搭配，构建双层BiGRU网络。结果 将模型应用于人类、小鼠和大鼠共11个组织的m⁶A甲基化位点预测上，并与其他方法在这11个组织上的预测能力进行了全面的比较。结果表明，本文构建的模型平均预测接受者操作特征曲线下面积（area under the receiver operating characteristic curve，AUC）达到93.72%，与目前最好的预测方法持平，而预测准确率（accuracy，ACC）、敏感性（sensitivity，SN）、特异性（specificity，SP）和马修斯相关系数（Matthews correlation coefficient，MCC）分别为90.07%、90.30%、89.84%和80.17%，均高于目前的m⁶A甲基化位点预测方法。结论 和已有研究方法相比，本文方法对11个哺乳动物组织的m⁶A甲基化位点的预测准确性均达到最高，说明本文方法具有较好的泛化能力。