[论文解读] deepMiRGene: Deep Neural Network based Precursor microRNA Prediction

Seunghyun Park, Seonwoo Min+2 more|arXiv (Cornell University)|Apr 29, 2016

Cancer-related molecular mechanisms research参考文献 14被引用 46

一句话总结

deepMiRGene 提出了一种基于长短期记忆（LSTM）网络的深度学习方法，用于前体微RNA的预测，能够自动学习序列和结构特征，无需人工特征工程。通过同时处理正向和反向序列流的回文二级结构，该方法在敏感性、特异性和跨物种泛化能力方面均达到当前最优水平。

ABSTRACT

Since microRNAs (miRNAs) play a crucial role in post-transcriptional gene regulation, miRNA identification is one of the most essential problems in computational biology. miRNAs are usually short in length ranging between 20 and 23 base pairs. It is thus often difficult to distinguish miRNA-encoding sequences from other non-coding RNAs and pseudo miRNAs that have a similar length, and most previous studies have recommended using precursor miRNAs instead of mature miRNAs for robust detection. A great number of conventional machine-learning-based classification methods have been proposed, but they often have the serious disadvantage of requiring manual feature engineering, and their performance is limited as well. In this paper, we propose a novel miRNA precursor prediction algorithm, deepMiRGene, based on recurrent neural networks, specifically long short-term memory networks. deepMiRGene automatically learns suitable features from the data themselves without manual feature engineering and constructs a model that can successfully reflect structural characteristics of precursor miRNAs. For the performance evaluation of our approach, we have employed several widely used evaluation metrics on three recent benchmark datasets and verified that deepMiRGene delivered comparable performance among the current state-of-the-art tools.

研究动机与目标

• 为解决传统机器学习方法在前体miRNA检测中严重依赖人工特征工程的局限性。
• 开发一种端到端的深度学习模型，自动捕捉前体miRNA的内在序列和结构模式。
• 克服标准RNN在建模miRNA中回文二级结构时因时间方向冲突而带来的挑战。
• 通过学习稳健的数据驱动特征，提升在多种物种中检测性能的泛化能力。
• 通过可视化LSTM单元状态和激活值，实现模型可解释性，揭示所学得的生物模式。

提出的方法

• 采用双向LSTM架构，分别从正向和反向方向建模前体miRNA序列。
• 提出一种新型数据表示策略，将二级结构拆分为两个独立的序列流——正向和反向，分别由独立的LSTM处理。
• 使用RNAfold生成的点括号表示法编码二级结构信息，保留结构上下文以供网络使用。
• 采用端到端训练，直接从原始序列和结构数据学习分层表征，无需手工设计特征。
• 训练过程中使用交叉熵损失和Adam优化算法，并采用早停策略防止过拟合。
• 通过可视化LSTM隐藏状态和细胞激活值，解释所学特征并验证其生物合理性。

实验结果

研究问题

• RQ1 基于LSTM的深度学习模型是否能在无需显式结构特征工程的情况下，有效学习前体miRNA的回文二级结构？
• RQ2 端到端的深度学习方法是否在前体miRNA预测中优于依赖手工特征的传统机器学习工具？
• RQ3 该模型在不同物种中的表现如何，尤其是在结构和序列特征差异显著的情况下？
• RQ4 LSTM模型的内部表征是否能重新发现已知的生物特征，如茎长或环区组成？
• RQ5 使用基于图像的二级结构表示（如RNAfold生成的图像）对模型性能和训练效率有何影响？

主要发现

• deepMiRGene 在三个基准数据集上达到当前最优性能，在敏感性和特异性方面均优于现有工具。
• 模型展现出卓越的跨物种泛化能力，在不同生物体的数据上测试时仍保持高精度。
• 采用双流正向与反向LSTM处理方式，有效捕捉了前体miRNA结构的回文对称性。
• LSTM细胞状态的可视化揭示了与已知结构特征（如茎长、环区组成）相对应的有意义模式。
• 尽管初始实验尝试将卷积神经网络（CNNs）应用于RNA二级结构图像，但性能下降且训练时间增加，表明基于图像输入的即时收益有限。
• 每轮训练约需14小时（500个周期，5折交叉验证），但推理时间与其他工具相当，具备实际重复使用的可行性。