Предсказание триплексных структур методами глубинного обучения

Триплексные структуры представляют собой особый класс вторичных структур ДНК, которые представляют собой небольшие участки РНК, присоединенные к двуцепочечной ДНК по принципу комплиментарности. Существуют экспериментальные доказательства того, что триплексные структуры образуются некодирующими регуляторными РНК и влияют на экспрессию близлежащих генов. Недавно стали доступны полногеномные эксперименты, определяющие положение триплексных структур. Задача настоящей работы состояла в том, чтобы, используя данные полногеномного эксперимента по картированию триплексных структур, построить модели машинного обучения, предсказывающие такие структуры. В работе исследовалось применимость методов глубинного обучения для решения такого рода задач. Были исследованы архитектуры CNN и RNN. Также был проведен сравнительный̆ анализ эффективности нейронных сетей по сравнению с классическими моделями машинного обучения. Было выявлено, что сверточные нейронные сети могут дать более высокое качество прогнозирования наличия триплексов в последовательностях ДНК, в сравнении с классическими моделями машинного обучения. Тем не менее, невысокое качество предсказания также может свидетельствовать о том, что для построения эффективной модели информации, хранящейся в первичной последовательности ДНК, недостаточно, и нужно использовать дополнительную информацию, например, из эпигенетики и организации хроматина.