Datawhale AI 夏令营：siRNA药物药效预测----Task 1

Task1：赛题解析&背景入门

思考引导（前言）

RNA干扰（RNAi）

RNA干扰（RNAi）是一种天然存在的基因表达调控机制，通过小干扰RNA（siRNA）等分子来沉默特定基因的表达。这一机制在细胞中起着重要作用，能精确地抑制目标基因的表达，从而减少相应蛋白质的产生。siRNA通过与靶mRNA结合，诱导RNA诱导沉默复合物（RISC）切割mRNA，最终导致mRNA降解和基因沉默。在基因治疗和疾病治疗中，RNAi技术有望通过沉默致病基因来发挥治疗作用。

化学修饰siRNA

化学修饰siRNA是指在siRNA分子中引入化学修饰，以增强其稳定性、靶向性和有效性。这些修饰可以增加siRNA在体内的稳定性，减少其毒性和副作用，提高其基因沉默效率。常见的化学修饰包括磷酸酯骨架修饰、核苷酸修饰和末端修饰等。这些修饰不仅能提高siRNA的药效，还能减少非特异性沉默，提升siRNA药物的临床应用潜力。

深度学习与RNN

深度学习是一种基于人工神经网络的机器学习方法，擅长处理复杂的非线性关系和高维数据。递归神经网络（RNN）是一类深度学习模型，特别适用于处理序列数据。RNN通过在隐藏层中引入循环连接，可以有效捕捉序列中的时间依赖关系。在RNAi效率预测任务中，RNN能够通过学习siRNA序列和靶mRNA序列之间的复杂关系，准确预测其基因沉默效果。

词汇表与序列编码

在处理基因序列数据时，通常需要将核酸序列转换为数值表示形式，以便输入到深度学习模型中。词汇表（vocab）是一种将序列中的每个元素（如核苷酸或核苷酸组合）映射到一个唯一的数值索引的结构。在本文中，使用了一个基于3-gram的词汇表，这意味着每三个连续的核苷酸组合成一个“单词”。这种方法能够捕捉序列中的局部模式，并提高模型的预测能力。

关注重点：

• 哪种模型最适合当前的任务？ 在baseline提供的RNN模型基础上，尝试不同的深度学习模型（如LSTM、Transformer）和传统机器学习模型（如随机森林、XGBoost）。比较不同模型的性能，选择最佳模型。

• 如何调优模型的超参数？ 利用网格搜索或随机搜索方法调整模型的超参数（如学习率、隐藏层数、嵌入维度等），找到最优的超参数组合。【已尝试，但效果不好，还是推荐改进算法，第二个成绩是将迭代次数（epochs）改为100，可能过拟合了，第三次是将批次大小（bs）改为100，迭代次数改为20（因为想赶十二点前，多了训练不完），第三次是将批次大小改为128，迭代次数改为50，对比起来还是推荐改算法再调参，每天就三次机会参数改动大了不好把握，小了又怕浪费机会，还不如尝试改进算法】

  

• 如何通过数据增强提高模型的鲁棒性？ 通过序列随机截断、拼接等方法增强数据，增加模型的鲁棒性和泛化能力。

Part1: 赛题介绍

本次比赛旨在利用机器学习技术，预测化学修饰后的siRNA序列在RNA干扰（RNAi）机制下对靶基因的沉默效率。RNAi是一种重要的基因表达调控机制，通过干扰特定基因的表达，可以用于疾病治疗。这次比赛的目标是通过构建并优化模型，准确预测siRNA的沉默效率，从而提升药物设计的效率和效果。

数据集

数据集包括siRNA裸序列、经过化学修饰的siRNA序列、目标mRNA序列以及实验条件（如药物浓度、细胞系、转染方式等）。最重要的字段是mRNA_remaining_pct，这是我们模型的训练目标，表示siRNA对靶基因沉默后的剩余mRNA百分比，值越低表示沉默效率越好。

Part2: 评分机制

在这次比赛中，模型的评分由多个指标共同决定，以全面评估模型的性能。这些指标包括平均绝对误差（MAE）、区间内的平均绝对误差（Range MAE和和F1得分（F1 Score）。这些指标分别衡量模型在预测上的准确性和稳定性，以及在区间内的表现。最终的评分（Score）是综合这些指标的加权结果。通过下述代码，我们可以更加了解本次赛题的评分细节。

# score = 50% × (1−MAE/100) + 50% × F1 × (1−Range-MAE/100)
def calculate_metrics(y_true, y_pred, threshold=30):
    mae = np.mean(np.abs(y_true - y_pred))

    y_true_binary = (y_true < threshold).astype(int)
    y_pred_binary = (y_pred < threshold).astype(int)

    mask = (y_pred >= 0) & (y_pred <= threshold)
    range_mae = mean_absolute_error(y_true[mask], y_pred[mask]) if mask.sum() > 0 else 100

    precision = precision_score(y_true_binary, y_pred_binary, average='binary')
    recall = recall_score(y_true_binary, y_pred_binary, average='binary')
    f1 = 2 * precision * recall / (precision + recall)
    score = (1 - mae / 100) * 0.5 + (1 - range_mae / 100) * f1 * 0.5
    return score

最终的评分结合了MAE和区间内MAE的反比例值，以及F1得分。MAE和Range MAE越小，1减去它们的比值越大，表明误差小，模型表现好。F1得分高则表示模型分类性能好。最终评分是这几个值的加权平均数，权重各占50%。

Part3: 相关生物背景知识与应用

AI与制药、RNAi作用机制、传统siRNA设计原则与知识、AI在生命科学领域应用

【主要讲解在现代生命科学研究中，人工智能（AI）正日益成为不可或缺的工具，通过其强大的数据处理和分析能力，显著推动了多个领域的发展，感兴趣可以搜索相关资料】

RNA干扰_百度百科 (baidu.com)

Part4: 代码解读

鉴于不知道能不能全部展示，就展示介绍一下调用的包吧，顺便看看调参，算法没改动感觉没什么好讲的。

对于一些跑过深度学习的人来说基本上都是老朋友，上述是用pycharm展示的，在配置的python环境中确保上述内容均有即可，没有的话就用pip install 跟上上述包即可，后面可以跟版本不跟就是默认下载最新版本。【这里有个重点比赛用魔塔平台跑十分迅速，但用自己电脑跑是真的很慢，我跑了一下就放弃用电脑自带的GPU跑了】

批次大小 (bs)：批次大小影响训练速度和模型性能。通常建议尝试不同的批次大小，一般来说，较大的批次大小可以加快训练速度，但可能会增加内存需求。

迭代次数 (epochs)：训练的迭代次数通常需要根据数据集大小和模型复杂度来调整。50次迭代可能足够，但也可以尝试更多的迭代次数，例如100或200次，以提高模型的性能。

学习率 (lr)：学习率对训练的影响很大，是一个关键的超参数。通常建议从较小的值开始，如0.001，并观察训练过程中的损失情况。如果损失不断减小，说明学习率合适；如果损失停滞或波动较大，可能需要调整学习率。可以尝试使用学习率调度器，如optim.lr_scheduler.ReduceLROnPlateau，来动态调整学习率。

后面几天的任务就是尝试一下改进算法啦，大家一起努力吧~