提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
文章目录
必知概念入门
- RNA干扰(RNAi)
- 化学修饰siRNA
- 深度学习与RNN
- 词汇表与序列编码
- 数据处理与特征选择
- 模型训练与评估
- PyTorch框架
一、正文内容
1.相关生物背景知识
RNAi作用机制:生物体内,RNAi首先将较长的双链RNA加工和切割成 siRNA,通常在每条链的3’末端带有2个核苷酸突出端。负责这种加工的酶是一种RNase III样酶,称为Dicer。形成后,siRNA与一种称为RNA诱导的沉默复合物(RNAinduced silencing complex, RISC)的多蛋白组分复合物结合。在RISC复合物中,siRNA链被分离,具有更稳定的5′末端的链通常被整合到活性RISC复合物中。然后,反义单链siRNA组分引导并排列在靶mRNA上,并通过催化RISC蛋白(Argonaute family(Ago2))的作用,mRNA被切割,即对应基因被沉默,表达蛋白能力削弱。
2.训练数据表头说明
二、代码解析
1.依赖库的导入
代码如下(示例):
import os # 文件操作
import torch # 深度学习框架
import random # 随机数生成
import numpy as np # 数值计算
import pandas as pd # 数据处理
import torch.nn as nn # 神经网络模块
import torch.optim as optim # 优化器模块
from tqdm import tqdm # 进度条显示
from rich import print # 美化打印输出
from collections import Counter # 计数器工具
from torch.utils.data import Dataset, DataLoader # 数据集和数据加载器
from sklearn.model_selection import train_test_split # 数据集划分
from sklearn.metrics import precision_score, recall_score, mean_absolute_error # 模型评估指标
# 这些库包括了文件操作、深度学习、数据处理、模型评估等必要的工具。
# 该函数确保了在使用NumPy、Python内置随机数生成器和PyTorch时,所有的随机数生成都是可控的和可复现的,有助于实验结果的一致性。
def set_random_seed(seed):
# 设置NumPy的随机种子
np.random.seed(seed)
# 设置Python内置的随机数生成器的种子
random.seed(seed)
# 设置PyTorch的随机种子
torch.manual_seed(seed)
# 设置CUDA的随机种子
torch.cuda.manual_seed(seed)
# 设置所有CUDA设备的随机种子
torch.cuda.manual_seed_all(seed)
# 确保每次卷积算法选择都是确定的
torch.backends.cudnn.deterministic = True
# 关闭CuDNN自动优化功能,确保结果可复现
torch.backends.cudnn.benchmark = False
2.基因组分词器类
该类用于将基因组序列分割成固定长度的n-gram。
class GenomicTokenizer:
def __init__(self, ngram=5, stride=2):
# 初始化分词器,设置n-gram长度和步幅
self.ngram = ngram
self.stride = stride
def tokenize(self, t):
# 将输入序列转换为大写
t = t.upper()
if self.ngram == 1:
# 如果n-gram长度为1,直接将序列转换为字符列表
toks = list(t)
else:
# 否则,按照步幅对序列进行n-gram分词
toks = [t[i:i+self.ngram] for i in range(0, len(t), self.stride) if len(t[i:i+self.ngram]) == self.ngram]
# 如果最后一个分词长度小于n-gram,移除最后一个分词
if len(toks[-1]) < self.ngram:
toks = toks[:-1]
# 返回分词结果
return toks
代码解读
类初始化:__init__ 方法接受两个参数 ngram 和 stride,用于设置分词器的 n-gram 长度和步幅。
分词方法:tokenize 方法将输入的序列转换为大写,并根据 ngram 和 stride 对序列进行分词。
n-gram 长度为 1 的处理:如果 ngram 为 1,直接将序列转换为字符列表。
n-gram 长度大于 1 的处理:按步幅进行分词,并确保每个分词的长度等于 ngram。
最后一个分词的处理:如果最后一个分词长度小于 ngram,将其移除。
返回分词结果:返回处理后的分词结果列表。
3. 基因组词汇类
该类用于创建一个词汇表,用于将基因组片段映射为索引。
4. siRNA数据集类
该类用于加载siRNA数据,并将序列数据转换为模型可以处理的格式。
5. siRNA Model
这是一个基于GRU的神经网络模型,用于处理siRNA序列。
6.评估指标计算函数
该函数用于计算模型的各项评估指标,包括精确度、召回率、F1值和评分。
7.模型评估函数
该函数用于在测试集上评估模型性能。
8.模型训练函数
函数用于训练模型,并在每个epoch后评估模型的性能,保存最佳模型。
9.训练主程序
# 设置参数
bs = 64 # 批次大小
epochs = 50 # 训练的迭代次数
lr = 0.001 # 学习率
seed = 42 # 随机种子
output_dir = "output/models" # 模型保存路径
# 选择设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'
# 设置随机种子以确保结果可重复
set_random_seed(seed)
# 创建输出目录
if not os.path.exists(output_dir):
os.makedirs(output_dir)
# 加载数据
train_data = pd.read_csv('train_data.csv')
# 指定需要处理的列
columns = ['siRNA_antisense_seq', 'modified_siRNA_antisense_seq_list']
# 删除包含空值的行
train_data.dropna(subset=columns + ['mRNA_remaining_pct'], inplace=True)
# 将数据分为训练集和验证集
train_data, val_data = train_test_split(train_data, test_size=0.1, random_state=42)
# 创建分词器
tokenizer = GenomicTokenizer(ngram=3, stride=3)
# 创建词汇表
all_tokens = []
for col in columns:
for seq in train_data[col]:
if ' ' in seq: # 修改过的序列
all_tokens.extend(seq.split())
else:
all_tokens.extend(tokenizer.tokenize(seq))
vocab = GenomicVocab.create(all_tokens, max_vocab=10000, min_freq=1)
# 找到最大序列长度
max_len = max(max(len(seq.split()) if ' ' in seq else len(tokenizer.tokenize(seq))
for seq in train_data[col]) for col in columns)
# 创建数据集
train_dataset = SiRNADataset(train_data, columns, vocab, tokenizer, max_len)
val_dataset = SiRNADataset(val_data, columns, vocab, tokenizer, max_len)
# 创建数据加载器
train_loader = DataLoader(train_dataset, batch_size=bs, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=bs)
# 初始化模型
model = SiRNAModel(len(vocab.itos))
criterion = nn.MSELoss()
# 初始化优化器
optimizer = optim.Adam(model.parameters(), lr=lr)
# 训练模型
best_model = train_model(model, train_loader, val_loader, criterion, optimizer, epochs, device, output_dir=output_dir)
10. 测试程序
# 设置输出目录
output_dir = "result"
if not os.path.exists(output_dir):
os.makedirs(output_dir)
# 加载测试数据
test_data = pd.read_csv('sample_submission.csv')
columns = ['siRNA_antisense_seq', 'modified_siRNA_antisense_seq_list']
test_data.dropna(subset=columns, inplace=True)
# 创建分词器
tokenizer = GenomicTokenizer(ngram=3, stride=3)
# 创建词汇表
all_tokens = []
for col in columns:
for seq in test_data[col]:
if ' ' in seq: # 修改过的序列
all_tokens.extend(seq.split())
else:
all_tokens.extend(tokenizer.tokenize(seq))
vocab = GenomicVocab.create(all_tokens, max_vocab=10000, min_freq=1)
# 找到最大序列长度
max_len = max(max(len(seq.split()) if ' ' in seq else len(tokenizer.tokenize(seq))
for seq in test_data[col]) for col in columns)
# 创建测试数据集
test_dataset = SiRNADataset(test_data, columns, vocab, tokenizer, max_len, is_test=True)
# 创建数据加载器
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)
# 初始化模型
model = SiRNAModel(len(vocab.itos))
model.load_state_dict(best_model) # 加载最佳模型权重
model.to(device=device)
model.eval() # 切换到评估模式,这对于某些模块如Dropout和BatchNorm是必需的
# 进行预测
preds = []
with torch.no_grad():
for inputs in tqdm(test_loader):
# import pdb;pdb.set_trace()
inputs = [x.to(device) for x in inputs]
outputs = model(inputs)
preds.extend(outputs.cpu().numpy())
# 将预测结果添加到测试数据中
test_data["mRNA_remaining_pct"] = preds
df = pd.DataFrame(test_data)
# 保存预测结果
output_csv = os.path.join(output_dir, "submission.csv")
print(f"submission.csv 保存在 {output_csv}")
df.to_csv(output_csv, index=False)
总结
主要介绍了相关的背景知识,以上就是今天的笔记内容。本人为电脑小白,第一次baseline分数并不理想,但是老师给的教程非常的详细,代码也有注释,还有直播老师讲解的也都非常的详细。我的学习之路还有很长希望在训练营老师的带领下,不仅能够提高学习分数,提高自己在人工智能生物科学方面的代码能力,也希望自己能为生物科学做出自己的贡献。
(说明:本文内容非原创,仅为个人学习时的笔记记录。文字、代码及图片摘自官方或其他文章,如有侵权联系删除。)