AI+生命科学方向第一课【Datawhale AI夏令营】

[我是大佬的搬运工]

01 赛题背景解析

http://competition.sais.com.cn/competitionDetail/532230/format

翻译一下：

• mRNA：疾病基因

• siRNA：药物基因

• RNAi：药物基因作用于疾病基因的机制

• 我们要完成的任务：预测某类药物基因对某类疾病基因的治疗效果

解释赛题相关文件

数据表格

训练集打开之后如下图所示

• A：数据的唯一标识

• B：数据来源的文献

• C：需要去除的疾病基因名称

• D：疾病基因（mRNA）编号

• E：带有疾病基因的物种

• F：药物基因的编号

• G：药物基因的正义序列，与疾病基因序列相似或相同，用于稳定和辅助

• H：药物基因的反义序列，与疾病基因序列几乎完全互补，用于识别并结合疾病基因，使其降解或无法表达

  • 所谓正义，反义规则如下图所示

• I：细胞系，同一个细胞系来源于同一个“祖先”

• J、K：表示使用药物的剂量，J表示数值，K表示单位

• L：药物导入细胞的方法

  • 脂质体感染

  • 自由摄取

  • 等等

• M：药物作用时长（测量时间：经过24h/48h/*h进行测量）

• N：修饰后的正义序列

• O：修饰后的反义序列

• P：加工后的N

• Q：加工后的P

• R：疾病基因（靶基因）的序列

• S：疾病基因的剩余量，也就是我们的最终任务——药物作用后的治疗效果

名词解析表格

02 Baseline速通

流程概述

两个文件：

• dw大佬标注过的ipynb文件

• 数据集文件

1. 将数据集压缩包解压完后一键运行

2. 下载submission结果、关闭实例

3. 官网提交成绩（没人每天提交三次，每次分数需要等待一分钟出分）

4. dw提交打卡成绩

代码分为十个部分进行理解：

1. 库的导入

2. 创建基因组分词器：将输入序列转换为大写；长序列按照一定的规则切分为小序列

3. 创建基因组词汇表：将基因组与索引相关联，统计其中基因频率高的基因片段

4. siRNA数据集的转换：将siRNA序列数据转换为模型可以处理的格式

   1. 序列数据：按照一定顺序排列的数据集合，包含了与其前后相邻数据项相关的信息

5. siRNA Model：基于GRU的神经网络模型
   1. GRU：使用重置门和更新门最大化使用算力
6. 评估指标计算函数：根据官方设定，对精确度、召回率、F1值和评分进行代码实现
7. 模型评估函数：使用第六步的函数进一步在测试集上评估模型的性能
8. 模型训练函数：用于训练模型，在每一个epoch（神经网络遍历一遍数据）之后评估模型的性能
9. 训练主程序：在这里可以进行模型参数的优化，也就是调参
10. 进行模型测试，输出最终结果