TargetNet: Functional microRNA Target Prediction with Deep Neural Networks

出发点：

MicroRNAs (miRNAs)通过与信使RNA(mRNA)的靶位点结合，在基因表达调控中发挥关键作用。因此识别miRNA的功能靶点至关重要，但是这个预测是一个巨大的挑战。以前的计算算法存在很大局限性，使用保守的候选目标位点（CTS）选择标准，主要侧重规范位点类型，依赖费力且耗时的人工特征提取，没有充分利用miRNA-CTS相互作用的基础信息。

结果

本文章，作者提出了一种新的基于深度学习的功能性miRNA目标预测算法TargetNet。
TargeNet有三个关键组成部分：
（1）放宽CTS选择标准，适应种子区域的不规则性；
（2）融合扩展种子区域对齐的新型miRNA-CTS序列编码方案；
（3）基于深度残差网络的预测模型。
该模型使用miRNA-CTS对数据集进行训练，并使用miRNA-mRNA对数据集进行评估。TargetNet改进了先前用于功能miRNA目标分类的最先进算法。此外也显示了在区分高功能miRNA靶标方向的巨大潜力。

代码

链接：Link

背景

1：
基因表达调控是生物过程的重要调控部分。不同基因的表达水平受多种机制控制。miRNA在60%以上的人类蛋白编码基因转录后调控中发挥关键作用。miRNA是一种小的非编码RNA，可以与mRNA的靶标位点结合。这种结合导致mRNA的有效翻译受到抑制，从而下调靶标基因的表达。

2：
大部分的miRNA靶点预测算法都按以下三个步骤出发：
（a)候选靶标位点的选择（CTSs)
给定miRNA-mRNA对，算法使用ige滑动窗口来识别符合特定标准的mRNA的 3 ’ UTRs中的CTSs。
（b）使用预测模型来识别每个miRNA-CTS对 是功能性的还是非功能性的。
© 对预测进行最后处理
一般而言，如果至少有一个miRNA-CTS对被预测为功能性的，那么一个miRNA-mRNA对就会被预测为功能性的。

方法

大致步骤分为以下几点：
（1）候选靶标位点的选择
（2）输入编码
（3）网络模型训练预测

(1)位点选择:

miRNA和mRNA的描述如上
对于miRNA而言，其长度是不定的，但平均长度为22个核苷酸。
而对于mRNA，则将其通过滑动窗口，其滑动步长为1，将其分成长度为40个核苷酸的候选位点。

然而对于TargetNet网络模型，在对候选位点CTS的选择标准上采用了类似miRAW中使用的宽松选择方法。

首先将miRNA序列分为以下几个子序列：

ES和DS分别表示miRNA序列的扩展种子区域和下游核苷酸。

同样，将候选位点CTS也划分成以下子序列：

值得注意的是，对于CTS序列而言，其描述是3撇端到5撇端的。

划分完之后，这时对扩展的种子区域进行序列对比：

通过Biopython两两配对软件包，找到他们的最佳全局匹配，如果对其分数大于等于6，则满足放宽的CTS选择标准。

（2）输入编码

TargetNet与其他基于深度学习的方法最不同的部分就是对miRNA-CTS对的编码方式。
相比之下，以前的方法，都是使用Onehot对序列进行编码，而TargetNet网络则是加入了关于miRNA-CTS对扩展种子区域如何对齐和形式绑定的额外信息。

具体而言即将扩展区域的序列替换成了对比结果，即：

由于对齐结果可能存在差异，所以E^miRNA和E_i^CTS的长度都是可变的。

当然最后对E^miRNA和E_i^CTS使用零填充，为后面级联做准备

使用零填充(1)对齐扩展种子区域的位置，(2)使E_i成为一个10 × 50大小的矢量。提出的输入编码的优点是，它使以下ResNet更容易充分利用miRNA-CTS相互作用的信息。现在，输入向量不仅能够表示miRNA-CTS序列，还能够表示在其扩展的种子区域内如何形成配对、不匹配或缺口。

(网络构建及训练）

网络构建上使用了两层残差网络。
而对于miRNA-mRNA的最终判断则是，在模型之后做的一个后期处理，即是否为功能性的这么个预测概率用以下公式表明：

结果