Pre-miRNA sınıflandırması için derin öğrenme temelli güçlü bir dedektör

MiRNA (veya MicroRNA), yaklaşık 20-22 nükleotitten oluşan küçük, tek sarmallı ve kodlamayan bir RNA yapısıdır. Biyolojik araştırmalardan elde edilen bulgular, çok çeşitli endojen süreçlerde düzenleyici bir rol oynadığını göstermektedir. Hesaplamalı biyolojide, olgun miRNA'nın sınıflandırılması, kısa uzunluğu ve sınırlı özellikleri nedeniyle verimli değildir. Bu nedenle, bilim adamları daha uzun dizilere ve daha yapısal özelliklere sahip öncü miRNA'ları kullanmaktadır. Pre-miRNA'lar, mirtronlar ve kanonik miRNA'lar olarak gruplandırılabilir. Bu yapıların ana farklılıklar biyogenez süreçlerinden kaynaklanmaktadır. Kanonik miRNA'ların aksine, mirtronlar daha az konservatiftir. Ve ayrıca tanımlanması da daha kolay değildir. Geleneksel makine öğrenimi tabanlı pre-miRNA sınıflandırma yöntemleri, manuel özellik çıkarımına bağlıdır. Ayrıca, pre-miRNA'ların sekans yapısına veya uzamsal yapısına dayanırlar. Bu tezde, daha önce geliştirilmiş makine öğrenmesi yöntemlerinin sınırlamalarını aşmak ve daha iyi sonuçlar elde etmek için evrişimli sinir ağlarına ve uzun kısa süreli bellek ağlarına dayalı hibrit bir derin öğrenme yöntemi öneriyoruz. Önerilen modelimizin sonucuna göre, yüzde 95 güven aralığında, 0,943 (±0,014) doğruluk, 0,935 (±0,016) duyarlılık, 0,948 (±0,029) özgüllük, 0,925 (±0,016) F1 Skoru ve 0.880 (±0,028) Matthews Korelasyon Katsayısı elde ettik. Modelimiz, en yakın sonuçlarla karşılaştırıldığında doğruluk (yüzde 2,51), F1 Skoru (yüzde 1,00) ve Matthews Korelasyon Katsayısı (yüzde 2,43) için en iyi sonucu verdi. Ayrıca duyarlılık ortalaması da Lineer Diskriminant Analizi gibi en yüksek değere sahiptir. Sonuçlar, hibrit CNN-LSTM ağlarının pre-miRNA sınıflandırma için daha yüksek tahmin performansı elde etmede kullanılabileceğini göstermektedir.