Datawhale AI 夏令营生命科学方向Task1学习笔记

赛题解析

目标

        本次siRNA药物药预测主要通过深度学习模型预测化学修饰siRNA序列数据预测其对应的信使RNA的沉默效率，从而指导siRNA药物设计。

相关生物知识

1.RNAi(RNA干扰）：siRNA通过与目标mRNA结合，切割目标mRNA，从而沉默特定基因，抑制特定基因的表达。

2.siRNA设计与合成：siRNA与靶向RNA互补,即为靶向RNA的反义序列，并携带RNA诱导沉默复合物（RISC），在与靶向RNA结合后，RISC发生作用降解靶向RNA，所以在设计siRNA时，需要考虑靶向RNA的序列特异性，同时不应其他基因有显著同源的序列，以保证siRNA能够特异性结合到靶向RNA上，除此之外，还应考虑GC含量，序列稳定性等问题。

评价指标

对预测结果的平均绝对误差（MAE）、预测值在一定范围内的平均绝对误差（RANGE-MAE）、预测值在一定范围内的F1指标（F1）进行权重计算：

score = (1 - mae / 100) * 0.5 + (1 - range_mae / 100) * f1 * 0.5

Baseline初次跑通

代码思路

1.依赖库的导入

        使用import导入文件操作、深度学习、数据处理、模型评估等必要的工具。

2.创建基因组分词器

        将输入的RNA序列分割成多个部分，以便进行后续的分析和处理

        分词器构造方法：

1. 初始化 (__init__ 方法):

   • 定义了两个参数:ngram（指定 n-gram 的大小）和stride（每次移动多少个标记以获取下一个 n-gram）。

   def __init__(self, ngram=5, stride=2):
           self.ngram = ngram
           self.stride = stride

2. 分词 (tokenize 方法):

   • 将输入的序列转换为大写。
   • 根据 ngram 的值获取满足条件的列表。
   • 移除不完整的分词。

   def tokenize(self, t):
        t = t.upper()
        if self.ngram == 1:
            toks = list(t)
        else:
            toks = [t[i:i+self.ngram] for i in range(0, len(t), self.stride) if len(t[i:i+self.ngram]) == self.ngram] 
        if len(toks[-1]) < self.ngram:
            toks = toks[:-1]

3.创建基因组词汇表

        初始化一个词汇表的列表，统计每个基因片段的出现频率，筛选出最常出现的片段。在生物学上的体现为找出在疾病或药物中的高频基因段，从而进行研究与分析。

4.siRNA数据集转化

（1）初始化数据集

def __init__(self, df, columns, vocab, tokenizer, max_len, is_test=False):

（2）获取数据集中样本数量

 def __len__(self):
        return len(self.df)

（3）对样本进行分词和编码

（4）将编码后的序列填充至相同长度

 padded = encoded + [0] * (self.max_len - len(encoded))

5.GRU模型

        GRU是一种用于处理序列数据的递归神经网络架构，以GRU为基础构建的用于处理siRNA序列的模型包含重置门（决定先前信息的保留程度）、更新门（决定保留多少前一状态的信息）等

6.评估指标计算函数

根据赛事评价指标进行相应计算得到综合评分

7.主训练函数

​
bs = 64    
epochs = 50    
lr = 0.001    
seed = 42    
output_dir = "output/models"   

​

        上述为主要调整参数,包括：

（1）bs（Batch Size）：每次迭代中通过模型训练的数据样本数量，常见的设为32、64、128等，大批次可使模型更稳固，提高训练速度，小批次可使模型更好地收敛。

（2）epochs（Epoch）：整个训练数据集被完整训练的次数，适度增加epochs可帮助提高模型的训练表现，但过大会导致过拟合现象，使模型在新数据上的表现不佳。

（3）lr（学习率）：决定模型权重更新的幅度，较大的学习率可能导致训练不稳定，而较小的学习率会导致训练过慢。

（4）seed（随机种子）初始化为随机数生成器的值，确保试验的可重复性。