1.基于深度学习的mlncs预测方法,其特征在于,该方法包括以下步骤:
步骤1:结合计算方法与深度学习方法构建mlncs正样本集;
步骤2:基于SURE强化学习模型,更改输入特征,构建mlncs负样本集;
步骤3:利用胶囊网络作为mlncs预测模型,并用构建好的mlncs正样本集和mlncs负样本集进行训练。
2.根据权利要求1所述的基于深度学习的mlncs预测方法,其特征在于,在步骤1中,结合计算方法与深度学习方法构建mlncs正样本集的具体步骤为:在RNAInter数据库中提取互作得分大于0.5的lncRNA‑蛋白质互作对,然后对与lncRNA互作的蛋白质簇进行G0语义相似度计算,以及对lncRNA互作的蛋白质利用MEL‑MP进行MPs的预测,完成对mlncs正样本集的构建。
3.根据权利要求1所述的基于深度学习的mlncs预测方法,其特征在于,在步骤2中,mlncs负样本筛选模型由负样本筛选器和负样本监督器组成,在强化学习模型训练完成之后,负样本筛选器将拥有从无标签样本中筛选出可靠负样本的能力,将mlncs的无标签样本输入训练好的负样本筛选器,完成对mlncs负样本集的构建。
4.根据权利要求3所述的基于深度学习的mlncs预测方法,其特征在于,负样本筛选器包含三个强化学习元素:状态si、动作ai和策略网络πθ(ai|si);
其中状态si为样本i的特征表示,动作ai属于{0,1}是负样本筛选器对样本i的决策,ai=0意味着负样本筛选器将样本i视为负样本,ai=1意味着负样本筛选器将样本i视为正样本,策略网络πθ(ai|si)=p(ai|si;θ)是一个由胶囊网络构建的二分类器,其中θ为训练过程中需要通过反向传播更新的参数。
5.根据权利要求3所述的基于深度学习的mlncs预测方法,其特征在于,负样本监督器包含两个强化学习元素:样本评价网络和奖励;
负样本选择器选择的样本输入负样本监督器,然后负样本监督器通过五折交叉验证计算AUC分数,负样本选择器选择的样本可靠性越高,样本集的噪声越小,负样本监督其的分类性能越好,其返回的奖励分数越大。
6.根据权利要求1所述的基于深度学习的mlncs预测方法,其特征在于,在步骤3中,提取lncRNA的序列特征、motif特征、物理化学特征和二级结构特征;每种特征输入不同的由全连接层构成的特征学习子网,进行高层特征的抽取和维度的统一;特征学习子网输出的高层特征向量组成胶囊,并通过变换矩阵将其投射入相同的高维预测空间;将不同胶囊相加得到新的胶囊,并通过squashing激活函数将向量长度压缩至0‑1之间;如果输出向量长度大于0.5,则输入的lncRNA被预测为mlncs;如果输出向量长度小于0.5,则输入的lncRNA被预测为非mlncs。
7.根据权利要求6所述的基于深度学习的mlncs预测方法,其特征在于,squashing激活函数的公式如下:其中sj为输入的向量,vj为输出的向量。