[论文解读] Deep Neural Network Based Precursor microRNA Prediction on Eleven Species

Jaya Thomas, Lee Sael|arXiv (Cornell University)|Apr 10, 2017

Cancer-related molecular mechanisms research参考文献 18被引用 5

一句话总结

该论文提出DP-miRNA，一种深度神经网络模型，整合了58种异质特征——序列、折叠、发夹结构和统计（z得分）——以预测11种物种中的前体microRNA。该模型优于SVM、随机森林和朴素贝叶斯等传统分类器，在人类数据集上准确率达到99.2%，特异性达98.24%，并通过改进的采样技术提升了对类别不平衡的鲁棒性与泛化能力。

ABSTRACT

MicroRNA (miRNA) are small non-coding RNAs that regulates the gene expression at the post-transcriptional level. Determining whether a sequence segment is miRNA is experimentally challenging. Also, experimental results are sensitive to the experimental environment. These limitations inspire the development of computational methods for predicting the miRNAs. We propose a deep learning based classification model, called DP-miRNA, for predicting precursor miRNA sequence that contains the miRNA sequence. The feature set based Restricted Boltzmann Machine method, which we call DP-miRNA, uses 58 features that are categorized into four groups: sequence features, folding measures, stem-loop features and statistical feature. We evaluate the performance of the DP-miRNA on eleven twelve data sets of varying species, including the human. The deep neural network based classification outperformed support vector machine, neural network, naive Baye's classifiers, k-nearest neighbors, random forests, and a hybrid system combining support vector machine and genetic algorithm.

研究动机与目标

• 开发一种计算方法，能够准确区分多种物种中的真实前体miRNA与假发夹结构。
• 通过改进的采样技术应对miRNA预测数据集中类别不平衡的挑战。
• 评估深度神经网络模型在人类数据集之外的多种物种中的性能表现。
• 将多样化的生物特征——序列、结构、热力学和统计特征——整合到统一的深度学习框架中，以提升分类性能。
• 证明深度学习在前体miRNA预测中可优于传统机器学习方法。

提出的方法

• DP-miRNA模型采用包含58个特征的输入向量，涵盖序列特征、折叠度量、发夹结构特征以及用于统计显著性的z得分。
• 采用改进的采样技术以缓解类别不平衡问题，提升模型在类别不平衡训练数据上的泛化能力。
• 通过迭代训练调整隐藏层数量和神经元数量，经实证验证后确定最优架构为X-100-70-1（X为特征向量长度）。
• 通过特征选择识别出20个关键特征，如二核苷酸频率、最小自由能（MFEI4、MFEI5）、熔解温度（Tm、Tm/L）和位置熵，这些特征对预测能力贡献最大。
• 深度学习框架通过逐层抽象实现特征表示学习，使模型能够从原始特征输入中学习高层级表征。
• 采用10折交叉验证评估性能，指标包括准确率、敏感性、特异性和几何均值（Gm）。

实验结果

研究问题

• RQ1 深度神经网络模型能否有效整合异质生物特征，以提升在多种物种中前体miRNA预测的性能？
• RQ2 所提出的DP-miRNA模型在前体miRNA检测中的性能与SVM、随机森林和朴素贝叶斯等传统机器学习分类器相比如何？
• RQ3 改进的采样技术在多大程度上缓解了miRNA预测数据集中的类别不平衡问题？
• RQ4 该模型在人类以外的物种（如Bos taurus或gorilla）中是否表现出良好的泛化能力？
• RQ5 哪些特定特征对模型预测准确率和鲁棒性贡献最为显著？

主要发现

• 在人类数据集上，使用20个选定特征的DP-miRNA模型实现了99.2%的准确率、99.58%的敏感性和98.24%的特异性。
• 该模型优于多种基线分类器，包括SVM、随机森林、朴素贝叶斯、k-NN以及一种混合SVM-遗传算法系统。
• 在Bos taurus数据集上，经物种特异性特征（如ZG、(G-C)/stems、dF）优化后，几何均值得分从89.62%提升至92.3%。
• 该模型在10种非人类物种中表现出强泛化能力，跨多种类群保持一致的高性能。
• 特征重要性分析显示，热力学特征（如MFEI4、Tm/L）、序列组成（如AU、UU）和结构度量（如(G-U)/stems）具有高度预测性。
• 具有两层隐藏层（X-100-70-1）的深度学习架构在训练误差与计算成本之间实现了最佳平衡，更深网络未带来进一步性能提升。