..................................
3 植物 miRNA 靶基因预测数据获取和处理...................................16
3.1 数据获取..................................16
3.1.1 植物 miRNA 数据获取.......................... 16
3.1.2 miRNA-target 数据获取.................................18
4 基于深度学习的靶基因预测.............................25
4.1 网络模型实现.............................25
4.1.1 卷积阶段实现....................27
4.1.2 BiLSTM 阶段实现....................................29
5 植物 miRNA 靶基因预测系统设计与实现...........................40
5.1 系统设计与开发............................40
5.2 系统实现...............................41
5.3 小结.............................46
5 植物 miRNA 靶基因预测系统设计与实现
5.1 系统设计与开发
DeepMiRNA 系统的流程图如图 32 所示：
系统的基本运行流程如下：用户输入网址后进入系统，系统主要有三个功能模块构成，首先是 DeepMiRNA 系统介绍模块，此模块对 DeepMiRNA 系统进行了功能简介并说明了用户操作的方法。其次是 DeepMiRNA 系统预测模块，用户在该模块的界面中输入待预测的植物 miRNA 序列和靶基因序列，系统会将数据读取后输入预测模型，输出该待预测靶基因是否为真实靶基因的结果。该模块提供正确的数据输入格式，也可以对用户输入的数据格式进行检验，若用户输入数据有误会进行提示。最后是 DeepMiRNA 系统文件上传模块，用户在此模块可以选择进行待预测序列文件的上传，将包含植物 miRNA 序列和靶基因序列的.fasta 文件上传进行统一预测，从而实现数据的批量预测，提高效率。该模块同样提供示例文件的下载，供用户进行对照从而上传正确的文件格式。
................................
6 结论与展望
6.1 研究结论
miRNA 在生物体中起到的重要作用是不言而喻的，因而 miRNA 及其相关课题也一直是生物领域研究的热点和重点。miRNA 和靶基因之间的相互作用，更是决定了生物体的生命进程，与动植物的生长发育等过程息息相关。本文对当前国内外在miRNA 靶基因方面的研究现状进行了大量的研究，在充分了解现有的 miRNA 靶基因预测方法后，提出了基于深度学习方法的植物 miRNA 靶基因预测算法研究。现将本文的主要研究结论总结如下：
（1）实验数据挖掘与预处理研究结论。虽然对于植物 miRNA 的研究相较于动物而言起步晚，但是目前也有不少较为权威和全面系统的植物 miRNA 数据库，这些数据库中基本涵盖了当前已经发现的全部植物物种的 miRNA 序列。综合对各种植物miRNA 数据库中数据类型与数量的评定，本文最终选择了 PMRD 数据库中的拟南芥、大豆、水稻三种植物 miRNA 序列数据。另外，通过 PMRD 数据库中提供的靶基因信息，利用 bedtools 等生信工具在三种植物的基因注释文件中获取到靶基因的序列。这些通过实验验证的靶基因用作模型训练与测试的正例数据集，负例数据集通过在 psRNATarget 工具中提高相关参数阈值获取，并利用 Fisher-Yates 随机排列生成洗牌算法对负数据集进行进一步的可靠处理。
原始基因数据不能作为深度学习模型的输入数据，因此对数据的处理进行了研究，找到了一种适用于基因序列的数据处理方式。数据处理过程主要包括序列长度补齐、数据编码和标签设置。因为 miRNA 序列是不定长的，通过对全部实验数据的统计，发现绝大多数的 miRNA 序列长度分布在 20-25nt，序列最长为 26nt；此外我们还尝试了截取序列长度进行预测结果的对比，分别截取了包含种子区域在内的前 8 位碱基和前 12 位碱基，但是预测准确率低于将序列补齐为 26nt 的处理方式，因此采取将全部序列长度按照 26nt 进行补齐；数据编码采用独热编码的方式；最后将正例数据集的标签设置为 1，负例数据集的标签设置为 0，至此完成了对输入数据的全部处理过程。
参考文献（略）
