#Datawhale AI夏令营# isiRNA生命科学方向 之 task(1) ~[BaseLine原理与分析] + [赛题解析]

1.赛题解析

（1）赛题信息解析

        赛题介绍:RNAT扰(RNAi)是生物细胞内天然存在的一种基因表达调控机制，可抵御外来核酸的入侵和控制基因表达。其中小干扰RNA(SiRNA)是RNAi机制的主要作用分子SiRNA相关现象及作用机制的发现获得了2006年诸贝尔生理学或医学奖，2018年世界上首款siRNA药物获得美国FDA批准。相比于传统小分子药物，SiRNA具有可成药靶点多、药效强、安全性好、成本低的优势，其研发是全球范围内极具发展潜力的前沿医药领域之一。siRNA的化学修饰对siRNA在体内的稳定性、毒性、药代动力学特性至关重要，是SiRNA研发中的重要影响因素，本赛题聚焦经过化学修饰的SiRNA序列数据预测其对相应的信使RNA(mRNA)沉默效率指标，对指导SiRNA药物设计具有重要指向性作用。

            

（2）提供材料解析

（一）.文件材料

(1)baseline.py:比赛仿官方提供的baseline，类似于与一个模板用来熟悉模型训练原理和基础。

(2)sample_submission.csv:训练模型需要的基因数据。

(3)train_data.csv:训练集，官方给的已知数据，用于提供给模型训练。

(4)vocab.csv:对前面两个文件属性名称的注解。

注:DateWhale对于baseline文件提供了注释详解版 task3.2_siRNA (1).ipynb   文章后面的baseline详解将基于该文件为基础。

（二）名称解析

train_data结合vocab详细解析

train_data训练集

• (1)id                                                  -->   数据唯一识别号
• (2)publication_id                             -->   数据来源文献号
• (3)gene_traget_symbol_name       -->   需要去除的疾病基因名称(靶基因名称)
• (4)gene_traget_ncbi_id                  -->   疾病基因编号(mRNA编号)
• (5)gene_traget_species                 -->   带有mRNA的物种，主要包括人类和猕猴
• (6)siRNA_duplex_id                       -->   药物基因编号(siRNA编号)
• (7)siRNA_sense_seq                     -->   药物基因(siRNA)正义序列,与疾病基因(mRNA)序列                                                                    相似或相同。作用:稳定和辅助
• (8)siRNA_antisense_seq               -->   药物基因(siRNA)反义序列，与疾病基因(mRNA)序列
•                                                                  几乎完全互补。作用:是恶并结合疾病基因，使其讲
•                                                                  解或无法表达
• (9)cell_line_donor                          --> 细胞系:同一个细胞系来源于同一个“祖先”，由专业的 
•                                                               公司或实验室进行复制研究
• (10)siRNA_concentration              --> 药物基因(siRNA)的使用剂量，用浓度来衡昺:单位是
•                                                               纳尔
• (11)concentration_unit                   --> 单位纳尔
• (12)Transfection_method               --> 药物导入细胞的方法，脂质体转染、自由摄取
• (13)Duration_after_transfection_h -->药物作用时间
• (14)modified_siRNA_sense_seg   -->实验过程中“升级'(修饰)前的siRNA序列
• (15)modified_siRNA_antisense_sed-->实验过程中“升级'(修饰)后的siRNA序列
• (16)nodified_siRNA_sense_seg_list-->给(14modified_siRNA_sense_seg)基因段加了空格
•                                                                  方便识别和处理
• (17)modified_siRNA_antisense seg_list-->给(15modified_siRNA_antisense_sed)基因段加
•                                                                         了空格方便识别和处理
•  (18)gene_target_seg                       -->   疾病基因(靶基因mRNA)的序列
• (19)mRNA_remaining_pct                -->   疾病基因的剩余量(我们所需要预测的值)

  ---

2.Baseline代码解析与感悟

baseline模型训练的主要由两部分构成：数据的提炼 + 模型的训练

(1)数据的提炼

(一)依赖库的导入

(二)创建基因组分词器

       创建基因组分词器:用于将基因组序列分割成固定长度主要操作:国将输入序列转化为大写@将长序列RNA分子分割成更小的片段，有助于后续的分析和解读输入:长段基因输出:按照规则分割后的诸多短的片段基因。

GGUUCCAAGUCCAAUAUGGCAGGU

CCA  GUC  AAU  UGG

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

（三）创建基因组词汇表

        创建基因组词汇表:将基因组中的特定片段与一种数据结构(索引)相关联，以便在后续的数据分析中高效地存储，检索和分析这些片段，
主要操作:①统计每个基因片段的出现频率②将基因片段的出现频率从高到低排序③选择出现频率>min freq的基因片段，加入到词汇表④最多保留max_vocab 个，剩下的基因片段就不要了
原因:在疾病中高频率出现的基因片段，有一定概率“是反派”，要“揪出来”在药物中高频率出现的基因片段，有一定概率“是好”，要“拉拢过来人”
都可以作为重点研究对象!

class GenomicVocab:
    def __init__(self, itos):
        # 初始化词汇表，itos是一个词汇表列表
        self.itos = itos
        # 创建从词汇到索引的映射
        self.stoi = {v: k for k, v in enumerate(self.itos)}
        
    @classmethod
    def create(cls, tokens, max_vocab, min_freq):
        # 创建词汇表类方法
        # 统计每个token出现的频率
        freq = Counter(tokens)
        # 选择出现频率大于等于min_freq的token，并且最多保留max_vocab个token
        itos = ['<pad>'] + [o for o, c in freq.most_common(max_vocab - 1) if c >= min_freq]
        # 返回包含词汇表的类实例
        return cls(itos)