AI+siRNA基因疗法药物 预测baseline代码解读与题目背景展望 | Datawhale AI夏令营

baseline代码

对于siRNA数据集进行深度学习的模型训练框架代码学习

本段baseline代码分为十个部分

1.依赖库的导入

导入代码实现需要的库，用于文件操作、深度学习、数据处理、模型评估

并建立了自定义函数确保随机数生成的可复现性与可控性

2.创建基因组分词器

将基因组序列大写化，并分割成片段化的n-gram

其中尾端多余的不符合设定片段长的碱基序列会被舍弃

返回结果为处理后的分词列表

3.创建基因组词汇表

使用类初始化__init__方法创建词汇到索引，索引到词汇的映射

使用create类方法，统计每个对象出现的频率并进行排序，并设定进入词汇表的对象的最大容量和最低频率，进行部分保留进入词汇表

此步骤的原因有其分子遗传学解释，在长段发挥作用的RNA中，出现频率较高的片段通常具有较高的性状表现，很大可能是RNA作用效果片段

4.siRNA数据集转换

首先使用__init__方法初始化数据集

__len__方法返回数据集长度

getitem方法获取指定索引的样本，并将文本数据转换为张量数据

tokenize_and_encode进行分词编码，返回张量格式的填充序列

5.siRNA Model

基于GRU神经网络，是处理siRNA的主体模型

__init__方法初始化模型各层

前向传播方法forward，输入序列进行嵌入并进行Dropout处理，并输出拼接

在逻辑上，输出信息取决于过去信息、当前信息和门

6.评估指标计算函数

计算模型的评估指标

通过平均绝对误差实现对于精确度、召回率和F1得分的计算，并最终返回综合评分

7.模型评估函数

使用测试集评估模型的性能，遍历测试数据，计算评估指标，并返回得分

8.模型训练函数

用于训练模型，不断进行训练-评估的epoch，并在每次epoch之后通过评估，保留最佳模型

一次epoch中，将进行

前向传播：输入数据，得到预测值

计算损失：使用损失函数计算预测值和真实值之间的差异

反向传播：使用损失函数的梯度反向传播到模型的每一层，计算参数梯度

参数更新：使用优化器根据梯度更新参数

9.模型训练的主程序

优化模型的各个参数，使得模型可以根据数据的特征准确预测或者分类

10.进行测试的程序

负责进行预测并保存预测结果

宏观来看，整个代码功能完备明晰

包含数据准备、模型定义、参数初始化、损失函数与优化器、训练过程模型评估机制

题目背景解读

使用siRNA靶向结合病原体mRNA，抑制或阻断该mRNA的表达，是siRNA基因疗法的基本原理，关键在于相似互补序列的碱基互补配对，以及siRNA的特征序列。由于该疗法是涉及微观层面的分子基因反应，临床实验中药物作用疗效鉴定困难且成本巨大，因此该类疗法通常研发周期长，药物疗效不明确，发展方向难以辨别。

使用人工智能模型进行数据学习，迭代优化后可以对于siRNA残留量进行较为准确的预测，实现了低成本短周期的药物疗效判别，将极大促进基因疗法药物的开发与临床实验性应用。

代码来源：Datawhale AI夏令营 模型训练的代码脚本文件