基于深度学习的miRNA靶位点预测研究综述

1、基于深度学习的miRNA靶位点预测研究综述摘要 MicroRNAs(miRNAs)是一类长约22 23碱基(nt)的单链非编码RNG,在生物进化方面有着重要意义$成熟的 miRNA会通过其种子序列(5%第27 8位核昔酸)与message RNAs(mRNAs)的3% UTR区域靶位点进行完全或不完全配对,实 现切割mRNA及抑制mRNA翻译等功能$由于miRNA结合mRNA靶位点的 机制仍 未明确，因此预测miRNA靶位点的工 作一直是miRNA研究领域的一大挑战和难题$实验方法虽然准确，但耗时长且昂贵$在生物信息领域，基于规则匹配的常规 计算方法虽然能进行靶位点的预测，但存在着准确率偏低的

2、问题$随着深度学习的兴起及实验验证数据及具体靶位点信息的 丰富，基于深度学习的方法成为了 miRNA靶位点预测领域的研究热点$首先介绍了常用的miRNA预测数据集、预测类型和 常见特征；之后对预测研究中常用的深度学习模型进行阐述接着介绍了常规的预测方法及基于深度学习的预测方法，并对这 些方法进行了分类总结和性能的对比分析最后对使用深度学习的预测工作当前存在的问题及未来的发展进行了探讨$ 关键词：miRNA；靶位点预测卷积神经网络；循环神经网络；自动编码器Survey on Target Site Prediction of Human m iRNA Based on Deep Learning

3、Abstract MicroRNAs(miRNAs) are 2223nt small non-coding RNAs that play an important role in biological evolution. Mature miRNA will completely or mcompletely pair with the target site in 3)UTR region of message RNAs(mRNAs) through its seed region,to acheve the function of cleavage and translatonal re

4、pression so on. As the mechansm of miRNA binding to mRNA target sites is still unclear,the prediction of miRNA target sites has been a major challenge and problem in the field of miRNA re7 search. Although the experimental method is accurate,it is time-consuming and expensive. In Bioinformatics,alth

5、ough the calcula7 tion method based on rule matchng can predict the target site,it has the problem of low accuracy. With the development of deep Pearning and the abundance of experimenta data , the method based on deep Pearninghas become a researchhotspot in the fied of miRNA target prediction. Firs

6、tly, this paper i ntroduces the commonly used data sets, pred i ct ion types and common feature of m RNA predcton , then explans the commonly used deep learnng model Hn predcton research.Next, the conventonal predcton methods and prediction methods based on deep learning are introduced. Meanwhile, t

7、hese methods are classified and summarized. Fnally, the current problems and future development of usng deep learnng to predct m RNAtarget are dscussed.Keywords m iRNA, Target site prediction, Convolutional neural network, Recurrent neural network, Autoencoder1引言miRNAs是一类长约22 nt的单链小RNA,由细胞内源 产生的发卡结构

8、转录本加工而来*0+。动物miRNA是一类在 进化过程中非常保守的基因，55%的线虫miRNAs在人体内 有同源分子，表明miRNA在进化方面有着重要意义，并且具 有重要的生物学功能*2+& miRNA的功能涉及各种生理病理 过程，包括发育过程调节、抵抗病毒入侵、免疫功能调节、影响 各器官/系统疾病及肿瘤的产生&成熟的miRNA主要通过其种子序列(5)第2-8位核苷 酸)识别并配对靶基因 mRNA 3)UTR ( Untranslated Re- gon) 上的结合位点，通过切割、降解mRNA及抑制mRNA 翻译等形式*3-5+发挥其基因表达调控的作用据估计, miRNA能调节人类近1/3的基

9、因而一个基因往往受到 数个甚至数百个miRNA的调控&如果考虑不同的结合序列 和结合位点，则可能情况会更多&不同miRNA间的相互配 合又可以强化这种效果。这种调控机制使得某个特定miR- NG对具体靶位点的影响变得很小2#。miRNG复杂的调控机制和多样的匹配位点及规则，导致 实验方法虽然能得到有效的靶位点基因，但存在耗时长、花费 高等问题。在生物信息领域，常规方法主要通过规则匹配的 方式进行预测，此后又有基于先验特征的机器学习方法用于 预测。近年来，深度学习凭借其优秀的性能，已经成为生物信息 领域的常用方法9T5#。本文对近年来基于深度学习的miR- NG靶位点预测相关研究做了总结，描述了

10、使用公开可用的 数据构建实验数据集的步骤，并对各类方法进行了分类和比 较&然后对当前领域研究中存在的问题及未来发展进行了 探讨！2常规方法、问题阐述及数据准备miRNA靶位点数据集随着CLIP-Seq等高通量测序技术的发展，大量实验验证 的miRNG-mRNG相互作用数据集被记录。到目前为止，研 究者们已经构建了如表1所列的4类常用数据集。Tar- Base13# 作为最全面的公开数据集，包含3 000多个经实验验 证的miRNA-mRNA交互负样本。MirTarBase14#中所记录的 422 517条数据均为正样本。CLASH15#的数据数量较前两者 少，但每条数据均包含明确的结合位置，这

11、也为提高miRNA 靶位点预测精度提供了更好的数据支持。PAR-CLIP16#数据 尽管不含确切的靶位点信息，但也将靶位点限制为长约40nt 的短序列片段，因此也常被用于miRNA靶位点预测的研究中。表1 miRNA-mRNA相互作用数据集Table 1 Dataset lor miRNA-mRNA interactionsDatasetInteractionsURLTarBase444301htlp ： diana. imis. athenainnovation. gr/ DanaTools/MirTarBase422517http: / / mirtarbase. mbc. nctu. e

12、du. tw/CLASH18514https： /doi. org/10. 1016/j. cell. 2013. 03. 043PAR-Ciip17000+https：/doi. org/10. 1371/journal. pbio.00300852.2预测问题的定义2. 2. 1 位点级别的预测分类miRNA与mRNA的相互作用可被看作一类具有两种结 果的事件：与候选靶位点(Candidate Target Site，CTS)结合， 该区域为靶位点；不与候选靶位点结合，该区域为非靶位点。 样本标签表示miRNA与该CTS序列是否发生相互作用。基 于此，我们可以训练一个二分类模型来进行miR

13、NA靶位点 的预测，模型的输入为miRNA-CTS双链序列的相关特征。 对于每一个miRNA序列初，及其对应的CTS序列c,模型的 输出TS可以表示如下：1， if # target cTS(m，c)= *(1)一1， else2. 2. 2 UTR级别的预测分类由于miRNA可以与mRNA 3 + UTR区域中的多个靶位 点发生结合，因此UTR序列可以由多个候选靶位点表示，如 式(2)所示。样本的标签表示miRNA与mRNA 3UTR序列 是否发生相互作用，因此在位点级别预测的基础上，miRNA 序列#与UTR序列g的预测结果可以如式(3)定义。CS= C0C1 c+ -(2)CST(#，g

14、)= V TS(m，c+)(3)+ -02.3数据准备miRNA靶位点预测主要使用两类数据：结构数据和序列 数据。2. 3. 1 结构数据结构数据主要有以下几类。序列的组成信息：miRNA种子区域序列与mRNA靶 位点序列的配对特征(通常会考虑配对区域外的上下游序 列)、配对计数特征，以及序列A，C，G，U 4类核苷酸的统计 情况。种子匹配:miRNA与其靶位点之间的 Watson-Crick (AU配对、CG配对，以下均称W-C)匹配。根据种子区域匹 配的多样性，表2列出了主要的匹配规则类型，以Seed_ match_8merA1类型为例，表示miRNA与靶位点种子区域序 列的第一位至第8位

15、碱基W-C匹配，且种子区域第一位碱基 为A。其中GU指序列对应位点形成GU匹配。双链自由能：描述了 miRNA与mRNA相互作用时 的双链结构稳定性，一般使用ViennaRNA package17#的duplex 及fold方法计算获得。位点可达性：描述了 mRNA序列中局部稳定的二级 结构的平均配对概率，可以通过ViennaRNA package17#的 duplex及fold方法计算获得。表2种子区域匹配的规则Table 2 Rule of Seed MatchTypeExplainSeed _match_8merp1-p8 W-C matchSeed_match_8merA1p2-p8

16、W-C match with ASeed _match _7mer1p1-p7 W-C matchSeed _match _7mer2p2-p8 W-C matchSeed _match _7merA1p2-p7 W-C match with #A at p1Seed _match _6mer1p1-p6 W-C matchSeed _match _6mer2p2-p7 W-C matchSeed match 6merxGUyx-：1,2,3：,-：1,2,3,4,5,6：位点保守性：描述了 mRNA序列中的某些位点在不 同物种间的一致性。保守位点及序列往往在基因表达等方面 发挥着重要作用，如

17、靶位点序列。可以通过UCSC18#基因组 浏览器计算获取序列的保守性分数，也可以通过BLAST19# 获取相似的保守序列，并进一步计算保守性特征等。2. 3.2 序列数据深度学习模型可以从原始的高维序列信息中学习高度抽 象的特征。序列数据通常指mRNA：CTS双链序列。在将序 列输入模型前，需要将其编码为数值型向量。基因序列的编 码方式较多，常见的有One-hot编码、K-mer频次编码等。One-hot编码根据序列的每个位置处核苷酸A，C，G，U 和Empty的5种不同状态对序列进行编码，即对于长度为L 的序列，可以将其编码成为一个LX5的矩阵形式。Onbhot 编码的编码形式如表3所列！表

18、3 One-hot编码Table 3 One-hot encodingNucleotideBinarizationA0001C0010G0100U1000Empty0000K-mer指将基因序列分成长度为K的字符串。若序列 长度为L,K-mer长度为K,则该条序列的K-mer数量为L K+1。假设K = 4,则共有256种可能的4-mer,可以表示为 AA, AAAC, AAAU,，UUUU。因此，每条序列可以表 示为一个256位的特征向量，每一维度的值表示该维度的4- mer的计数。由于miRNA的长度仅为22 nt左右，即使在加入上下游 序列的情况下，双链长度通常也不会超过100 nt,因

19、此常用 One-hot编码进行转换。2. 3. 3负样本数据在miRNA靶位点预测中，实验验证的负样本数据较少 为了保证训练样本的正负均衡，多采用MocF2。22的方式生 成负样本，主要使用Fisher-Yates&23算法随机置换生成在已 知数据集中不存在的miRNA序列，在满足靶位点匹配规则 的前体下，构建miRNA：CTS的负样本数据由于模型使用 的负样本通过模拟生成，因此预测结果的假阳性始终是无法 避免的问题。3深度学习方法自2006年Hinton等&24提出深度信念网络(Deep Belief Nets，DBN)以来，深度学习就被成功地应用于许多研究领域， 包括图像识别&25、自然语

20、言处理&26、生物信息学等不同 于传统的机器学习模型，深度学习模型一般具有深层结构，强 调使用数据来学习特征，而非过多地依赖于人工构建特征 大部分神经网络模型与支持向量机(Support Vector Ma- chine，SVM)&22和随机森林(Random Forests，RF)&29类似，如 卷积神经网络(Convolutional Neural Networks，CNN)30、循 环神经网络(Recursive Neural Network，RNN)&31 等，基于带 有标签的训练样本进行有监督的学习，获取隐藏在数据中的 抽象特征，从而进行预测和分类；同时也有部分通过非监督学 习的模型

21、，如栈式自编码器(Stacked Denoising AutoEncoder， SdA)&32等 目前，SdA&33 ,CNN34和RNN&35等被广泛应用于生物 数据的相关研究和分析中。栈式自编码器可以在保留尽可能 多的信息的前提下进行特征的学习卷积神经网络则可以从 原始序列中学习到高度抽象的特征循环神经网络可以学习 序列中的依赖性关系3.1栈式自编码器自编码器是栈式自编码的基础，是一种可以从输入数据 中学习特征表示的非监督模型单个自编码器由一个编码器 和一个解码器组成，结构如图1(a)所示编码器将输入d映 射成特征表示)，如式(4)所示：y = s(Wx + b)(4)表示层的维度选择与自

22、编码器实现的功能相关当表示 层维度小于输入数据维度时，编码器进行降维操作，同时网络 尝试在尽量不丢失数据信息的基础上，通过更低的维度来描 述数据当表示层维度大于输入数据维度时，通常表示层中 的部分神经元将失活，此时自编码器即为稀疏自编码器&36 稀疏自编码器通过“稀疏”的操作，尝试在输入数据的大量维 度中选择尽可能重要的特征解码器将映射结果H还原成与输入d大小相同的Z,如 式(5)所示：z = s(y+b)(5)根据输入数据的分布D与z间的重建误差可以由多种 衡量指标来测量，常用交叉嫡(Cross Entropy)作为衡量指标InputHidden Outputlayer layer laye

23、rEncoder Decoder图1栈式自编码器的结构Fig. 1 Structure of stacked AutoEncoder栈式自编码器是自编码的延伸，除了最顶部的输出层外, 每两个相邻的层构成一个自编码器，前一个自编码器的表示 层作为当前自编码器的输入层，最后一个自编码器的表示层 与顶部输出层组成逻辑回归网络，如图1(b)所示栈式自编 码器通过无监督的逐层预训练来获取高维抽象的特征表示栈式自编码器逐层的预训练过程可以提取原始序列中的 高位抽象特征，使隐层神经元的权重和偏置接近实际数据的 分布，进而提高模型预测精度。但自编码器也存在缺点：预训 练过程是逐层贪婪的，对数据量的要求较大，且

24、无法保证获得 全局的优化；相对于常规的监督学习，增加了预训练过程，因 此性能会减弱。3.2 卷积神经网络(CNN)常规的CNN 一般包含卷积层、池化层和全连接层，如 图2所示Convolution Layerl图5 CNN的结构Fig. 2 Structure +Q CNN卷积层计算输入矩阵与卷积过滤器的点积。卷积通过稀 疏连接、权值共享和等效表示3种方法有效提高了算法的计 算速度。池化层通过池化函数能够保留上个卷积层获取的主 要特征，即使输入存在一些平移、旋转和伸缩，大部分输出也 能保持不变常用的CNN有1ACNN和2-7CNN等。1D CNN主要适用于单个维度的序列数据 2D-CNN主要用

25、于 图片识别，经过One-hot编码后的序列也可以使用2D-CNN 进行训练与其他深度学习模型相比,CNN可以分析数据中 隐藏的空间结构，Convolution Layerl图5 CNN的结构Fig. 2 Structure +Q CNNmotif是生物序列中具有特定功能和结构的一段短序列， 将序列数据以R-mer或Onbhot编码后输入CNN,可以将卷 积核设置为motif序列的大小，卷积核在计算过程中记录了 motif序列中每个位置碱基出现的权重，进而实现对编码序列 中motif的提取对于结构数据来说，编码后的各类结构数 据在经过串联、维度变化和归一化后，以图谱的形式输入 CNN中，也可以

26、通过卷积操作提取高维抽象特征在miR- NG靶位点预测的研究中，靶位点序列与miRNG序列为一对 一的关系，且明确知道结合位置位于种子区域卷积核的特 征提取作用不大，而之后的池化操作反而会造成有效特征的 缺失，进而影响模型的预测精度3.3 循环神经网络(RNN)RNN是一类适合处理序列数据的神经网络与CNN相 比，RNN的网络结构相对简单，主要由输入层、隐藏层和输出 层构成 RNN以序列数据为输入，在序列的演进方向进行递 归 RNN在计算过程中的一个显著特点是序列的当前输出 不仅与当前输入有关，还与之前的输出有关，具体表现为网络 会对之前的信息进行记忆和保留并将其应用在当前输出的计 算中，即隐

27、藏层间的各个节点是有连接的RNN受短时记忆的影响，当序列数据过长时，其会遗漏 较早的信息在实际研究中，通常使用长短期记忆网络 (Long Short-Term Memory，LSTM)&3:和门控循环单元(Gated Recurrent Unit，GRU)&32来解决该问题 LSTM (见图 3(a)通过遗忘门、输入门和输出门以及细胞转台对序列信息 进行筛选，使得较早的信息也能被携带至后续的计算中 GRU(见图3(b)是LSTM的变体，该模型值包含更新门和 重置门，同时舍弃了细胞状态，使用隐藏状态进行信息的传 递在基于长序列的motif预测中，RNN具有一定优势序 列通常存在多个motif序列

28、，同时上下游序列对motif也存在 一定影响 RNN中的记忆单元可以记录上下游位置的信息， 获取motif与上下游间的依赖关系，进而提高模型的预测精 度对于miRNG靶位点预测来说，由于其涉及的序列较短， 靶位点序列及miRNG序列均不超过40 nt，即使增加上下游 序列，仍可以认定其为短序列，RNN的记忆单元反而会增加 模型的计算复杂度forget gate input gateoutput gate(a) LSTMreset gateupdate gate(b)GRU图3 RNN结构Fg.3 Structure of RNN3.4模型训练方法与深度学习框架3. 4. 1 模型训练方法梯度下

29、降法，如随机梯度下降法(Stochastic Gradient Descent， SGD)、批量梯度下降法、Momentum RMSProp 和 Adam 等均是深度学习模型中常用的优化算法随着网络层数的不 断增加，梯度爆炸和梯度消失成了影响网络训练的重要问题， 如深度残差网络&33等则能缓解因过深层的网络结构带来的 这些问题过拟合也是网络训练中经常出现的问题，许多解 决过拟合问题的方法也相继出现，如dropout】40，early stopping 和batch normalization】41等同时，为了搜索学习率和 迭代次数等超参数，一般可以使用网格搜索、随机搜索、贝叶 斯优化等方法3.

30、4.2 深度学习框架目前可用的开源深度学习框架很多，常用的有Tensor- Flow&42，PyTorch】43，Reras 和 Theano】44等 这些开源框架 都提供了较为全面的API,在使用过程中可以根据自身数据 及具体任务选择相应的框架进行模型构建4深度学习模型的评价miRNA靶位点预测方法以miRNA序列及mRNA的 3(UTR序列或CTS序列的相关特征(包括序列特征及结构 特征)作为输入，训练模型以达到预测分类的目的，输出表示 候选靶位点是否会和miRNA发生相互作用4. 1常规的miRNA靶位点预测方法常规方法根据方法内部的作用机制，主要可以分为基于规则匹配的启发式方法g和基于

31、先验特征的机器学习 方法齐。4. 1. 1 基于规则匹配的启发式算法此类方法主要使用筛选算法，沿miRNA序列的种子区 域及mRNA的3%UTR区域进行搜索，根据W-C配对和摆动 寻找候选靶位点，并使用评分函数来过滤目标位置# Tji- getScan!46首次提出了“种子匹配的概念，并在考虑保守性的 基础上进行靶位点基因的预测# miRanda!5。算法利用特定的 位置规则对序列的互补性进行优化匹配，并且依赖于序列的 保守性要求# RNAhybrid!4:使用动态规范算法预测靶基因， 并考虑了靶基因结合自由能对预测结果的影响# PITA!4引 入了位点可达性因素，计算了从micr+RNA-靶

32、双链形成过程 中获得的自由能与使靶子能被miRNA访问的能量成本之间 的差异#基于规则的匹配方法计算简单且快捷，因此上述方法大 多提供了在线预测的功能，但由于其过度依赖匹配规则，因此 存在准确率差和假阳性高等问题#4. 1. 2 基于先验特征的机器学习方法这类方法主要通过序列组成、种子区域序列、结合自由 能、物种保守性、位点可达性等人工提取的特征，并结合支持 向量机、随机森林等机器学习方法进行miRNA靶基因的预 测# TargetSpy!49使用上述类型的特征，扩展种子区域的匹 配规则，同时放宽对序列保守性的限制，来进行目标位点基因 的预测# TargetMiner!6。考虑了 miRNA数

33、据中因负样本缺 少而使得预测结果假阳性率高的问题，结合包括miRNAs和 mRNAs的表达谱、miRN A-mRNA的结构相互作用和种子- 位点保护等特征，确定了 300多个miRNA组织特异性的负 样本。mirMark!22以实验验证的miRec+rd和mirTarBase中 的miRNA目标为训练集，提取并考虑了 151个特征，用于进 行位点级别和UTR级别的靶基因分类# TarPmiR!51结合了 CLASH数据集，为研究miRNA靶位点的特性和改进miRNA 靶位点预测方法提供了很好的参考#机器学习方法相较于规则匹配方法，在预测精度上有了一 定的提升，但由于其受限于特征的选择，且特征的

34、提取依赖于 领域的先验知识，从而为模型预测精度的提高带来了一定阻碍。基于深度学习的miRNA靶位点预测方法自深度学习兴起以来，许多基于深度学习的方法开始应 用于miRNA靶位点预测的研究中#基于深度学习的预测方 法的总体流程如图4所示，研究者在数据及模型上各有创新#/ Train Set /Test SetNegative miRNAimRNA Dataset图4 基于深度学习的miRNA/ Train Set /Test SetNegative miRNAimRNA Dataset图4 基于深度学习的miRNA靶位点预测方法流程Fig. 4 Flow lor miRNA target pre

35、diction based on deep learningPositivemiRNA:mRNATrainDeep Network ModelmiRTDL!52使用CNN进行位点的预测，使用从TarBase 中选取的数据进行模型训练#在特征选择步骤中，选择了 20 个有意义的特征，涉及9个miRNA-靶双链种子匹配特征、3 个保守性特征和 个位点可达性特征，这3种类型的特征被 广泛认为是影响miRNA-靶相互作用强度的因素#由于样本 总体数据量较少，且其中经实验验证的负样本仅占一小部分， 为了保证分类器的准确预测，miRTDL使用约束松弛方法构 造了 4类平衡数据集，以弥补不平衡数据集的缺点#

36、结果表 明，该模型优于传统的预测方法#deepTarget!53使用了基于位点级别和UTR级别的数据 集，将自编码器与RNN结合，自动提取序列特征并达到分类 预测的效果#输入层连接到两个自动编码器的编码层，以分 别对miRNA和mRNA序列进行建模#第二层是RNN层， 用于模拟miRNA和mRNA序列之间的相互作用，且使用 GRU作为门结构的效果优于LSTM#顶层RNN层的输出 被馈入完全连接的输出层，该输出层包含用于分类目标和非 目标的两个单元#网络使用了纯序列数据，结合非监督的预 训练方法及有监督的分类训练方法，结果较传统的机器学习 方法有了大幅提升#DeepMirTar!54则在mirM

37、ark的基础上，除使用了位点 保守性、可达性、自由能等传统特征以外，还将CTS的原始序 列作为新特征，使用栈式去噪自编码作为网络模型，对网络的 每个隐层进行预训练，同时也比较了 CNN在该数据集下的 预测表现#由于使用的特征种类较多，模型中特征的重要性 也有所区别，通过随机森林对特征的重要性进行打分，发现原 始序列及序列组成这两类特征的重要性高于自由能、保守性、 可达性等人工提取特征的重要性#miRAW!55的输入数据均为原始序列，减少了序列组成、 保守性、可达性、自由能等传统的人为定义特征#为了通过深 度学习模型获取更多抽象特征，除常规的miRNA 5 %2-8位核 苷酸与mRNA候选位点的

38、匹配的情况外，将miRNA 5 % 1-10 位核苷酸与mRNA候选位点的匹配情况也作为新的匹配规 则，以增加候选位点的数量#模型使用栈式自编码器，并在最 后的输出层增加了后验过滤器，通过计算miRNA-CTS的可 达性对预测结果进行筛选，在一定程度上减少了假阳性问题# 4.3模型性能的评价miRNA靶位点预测作为一个分类问题，常用准确率 )Accuracy，ACC)和 AUC)Area Under Curve)等性能指标来 判断其性能的优劣# ACC的定义如式(6)所示，其中TP表 示 True Positive，TN 表示 True negative，FP 表示 False Posi ti

39、ve，GN 表示 False Negative。ACC= (T3+TN)/(TP+TN+F3+FN)6)各预测工具及方法的性能如表3所列。其中，Tar- getScan，miRanda，RNAhybrid，PITA 和 TarPmiR 的测试结 果使用了 PAR-CLIP数据，结果来自DeepMirTar ；miMark和 deepTarget使用的数据来自MirTarBase, MiRTDL的数据来 自TarBase,而miRAW的数据则结合了第2节中涉及的4种 数据。从表3中的对比可知，基于深度学习的预测方法的 ACC及AUC高于常规预测方法。同时，通过对比基于深度 学习的预测方法发现，基

40、于栈式自编码及序列数据的模型预 测性能更为出色。TypeMethodInputModelReQACCAUCmHRandaSequenceScoreSVRJohn,et al. ,20040.65920.6874Rule MatchngBasedRNAhybridSequenceScoreRehmsmeer , et al. , 20040.69880.758 5P/TATypeMethodInputModelReQACCAUCmHRandaSequenceScoreSVRJohn,et al. ,20040.65920.6874Rule MatchngBasedRNAhybridSequenc

41、eScoreRehmsmeer , et al. , 20040.69880.758 5P/TASequenceScoreKertesz,et al. ,20070.4981TargetScanSequenceScoreAgarwal , et al. , 20150.58010.6725表3 miRNA靶位点预测方法的性能比较Table 3 Performance comparison +Q miRNA target prediction methodsMuliiBoosiSturm,et al. ,2010TargetSpySequenceMachineStructureSVMStruct

42、ureRFLearnngBasedTargetMnermirMarkBandyopadhyay,et al. ,2009Menor,et al. ,2014deepTargetLSTMLee , et al. ,20160.83690.8750SequenceGRUAESequenceStructureSdAE0.93480.9793DeepMrTar1D-CNNWen, et al. , 20180.88860.95052D-CNN0.87650.941 0rniRAWSequenceSAEPla A , et al. , 20180.96000.9200TarPmiRStructureRFMiRTDLStructureCNN0. 8998Deep Learnng Based0.74460.8021Ding,et al. ,2016Cheng , et al. , 20165. 1深度学习方法存在的问题相比常规