时间：2018年11月30日 09：30
地点：望江基础教学楼B座318实验室
研读成员：朱禹
研读内容之一：
- 标题：A boosting approach for prediction of protein-RNA binding residues
- 期刊：BMC Bioinformatics, 2017, 18(S13):465.
- 分享理由：文中给出了RBPs涉及到的大部分特征，同时利用mRMR-IFS进行了特征选择，使用了多种评价指标，并涉及到多种机器学习算法。
- 简介：文章提出了PredRBR，从蛋白质和RNA的大量序列与结构特征出发，并且引入两个结构邻域特征，形成189维特征集，利用最大相关最小冗余（mRMR）对特征重要性进行排序，利用增量特征选择（IFS）选取出了最优特征子集，最终生成了177维特征集，通过梯度提升树（GBT）算法对RBPs结合位点进行了预测，与其它机器学习算法（SVM、RF、Adaboost）以及其它最新方法（BindN、BindN+、PPRint等）相比，预测效果均有所提升。
研读内容之二：
- 标题：A deep neural network approach for learning intrinsic protein-RNA binding preferences
- 期刊：Bioinformatics, Volume 34, Issue 17, 1 September 2018.
- 分享理由：文中给出了8种基于深度学习的RBPs预测方法，并且分别介绍了它们的大致原理，可以快速了解研究现状。同时本文提出了两点创新，一是RNA序列和结构的联合分析；二是CNN网络中使用了数百个变长滤波器。
- 简介：文章提出了DLPRB，对RNA序列进行了one-hot编码，对RNA结构进行了概率向量的编码，最终形成了L*9的向量矩阵，其中L是RNA的最大长度，对于长度不足L的RNA序列，进行零填充。分别使用了两种网络结构：CNN和RNN，其中CNN使用了256个不定长的过滤器，而RNN则是使用了双向LSTM。在两类环境（in vitro与in vivo）中，DLPRB均提升了预测效果。除此之外，文章还通过将RNA中的结构概率向量赋予相等的值，来消除结构信息，从而评判在本文模型中，RNA结构信息在预测结果中所占的比重。
研读内容之三：
- 标题：Predicting RNA-protein binding sites and motifs through combining local and global deep convolutional neural networks
- 期刊：Bioinformatics, 2018.
- 分享理由：文中指出要考虑序列的上下文结构，因此提出了local CNN与global CNN的结合，与使用RNN来利用序列的上下文的想法一致，因此可以参考，另外，文中对于motif 的检测同样有参考之处。
- 简介：文章提出了iDeepE，使用了RBP-24与RBP-47两大类数据集，分别作为训练集和测试集，在序列的预处理阶段，分别指定了两种channel模式，对应global与local。前者是channel=1，将所有序列统一为固定长度（501bp），不足的用‘N’填充，超过的则忽略掉，并编码为（1，4，507）的array；而后者则是channel=7，将所有序列切割为固定长度（101bp）的多条子序列，子序列中有重叠，一个子序列认为是一个channel，共取7个，不足的用‘N’填充，最终编码为（7，4，107）的array。文中通过结合了两种CNN模型，提高了RBPs的预测精度。
