摘要
非编码RNAs(non-coding RNAs，ncRNAs)在许多生命活动中发挥着不可或缺的调控作用，例如翻译、剪切、转录后基因的调控、基因修饰、基因降解、染色质重塑与人类疾病等。在真核生物中，许多ncRNAs通过与蛋白质发生相互作用发挥其多种功能。因此，预测ncRNAs-蛋白质相互作用(ncRNAs-protein interactions，ncRPIs)对研究ncRNAs功能及疾病诊断具有重要意义，目前，实验的方法确定ncRPIs仍然是昂贵且费时费力的，因此，迫切需要计算的方法快速准确地预测ncRPIs。 提出了一种多尺度特征融合的集成深度学习模型预测ncPRIs，简称EDLMFC。多尺度的特征不仅包括一级序列特征，还有二级结构序列与三级结构特征，通过联合k-mer编码方法编码序列特征，并叠加上三级结构特征后输入到卷积神经网络（convolutional neural network，CNN）与双向长短时记忆网络(bidirectional long short-term memory network，BLSTM)集成深度学习模型。CNN提取ncRNAs/蛋白质抽象的深层次特征，进一步输入到BLSTM中捕获其长程依赖关系，两个相似的CNN集成BLSTM神经网络分别对ncRNAs与蛋白质进行学习，将学习到的特征通过一层全连接层转换为特征列向量，然后，将两个特征列向量连接到一起，并通过一个三层的全连接层和Softmax激活函数判断ncRNAs-蛋白质是否具有相互作用。 为了评价EDLMFC优越性，选择了RPITER、IPMiner和CFRP进行比较，在RPI1807、NPInter v2.0和RPI488三个数据集上进行五倍交叉验证(five-fold cross-validation，5CV)。由于训练过程中样本的选择是随机的，在每个数据集上将5CV重复10次，最后取10次结果的平均作为最后的结果。EDLMFC在三个数据集上的准确率(accuracy，ACC)、真阳性率(true positive rate，TPR)、真阴性率(true negative rate，TNR)、精度(positive predictive value，PPV)、F1评分(F1-score，F1)、马修斯相关系数(Matthews correlation coefficient，MCC)和受试者工作特征(receiver operation characteristic，ROC)曲线下面积(area under the curve，AUC)分别是:0.861、0.745、0.967、0.961、0.829、0.742和0.899;0.938、0.969、0.845、0.949、0.959、0.833和0.967;0.897、0.917、0.877、0.882、0.899、0.795和0.959。总的来说，EDLMFC比RPITER、IPMiner和CFRP提高了0.1％-7.7％。通过不同的特征组合发现，一级序列特征是最重要的，二级结构与三级结构特征也包含有用的信息，当所有特征作为输入时，其互相补充，使模型预测ncRPIs的准确率更高。将NPInter v2.0数据集按物种来源分为智人、小鼠、酿酒酵母、线虫、黑腹果蝇和大肠杆菌6类进行独立验证，其正确率分别达到了85.3％、94.8％、91.2％、93.9％、89.1％和93.1％，整体正确率达到了89.7％。此外，根据小鼠的独立验证结果构建的ncRNAs-蛋白质相互作用网络，发现了小鼠ncRPIs过程中的热点ncRNAs/蛋白质，将有助于分析ncRNAs和蛋白质的生物学功能，理解关键生命活动的机理，并有利于各种医学与药学的研究。
NETL