| 1 |
1
4개의 RNA 핵 염기 채널로 구성되며 일차원 벡터로 표현되는 단일의 유전시퀀스를 특징 공간 표현으로 변환하기 위해 동일한 크기의 필터를 점차 확장시켜 컨볼루션하는 컨볼루션 신경망; 및상기 유전시퀀스를 처리하기 위해 신경망을 구성하는 유닛 사이의 연결이 순환구조를 형성하며, 시변적, 동적 특징을 모델링 할 수 있도록 상기 신경망 내부에 상태를 저장하여 상기 유전시퀀스와 동일한 길이의 벡터로 구성되는 출력벡터를 출력하는 순환 신경망;를 포함하는 것을 특징으로 하는 RNA 스플라이싱 분기점을 선택하기 위한 딥러닝모델
|
| 2 |
2
제1항에 있어서, 상기 출력벡터는 상기 각 RNA 핵 염기가 분기점일 확률이 포함되며, 상기 출력벡터 중 상기 분기점일 확률이 높은 포인트를 분기점으로 간주하는 것을 특징으로 하는 RNA 스플라이싱 분기점을 선택하기 위한 딥러닝모델
|
| 3 |
3
제1항에 있어서, 상기 컨볼루션 신경망은 5개의 블록으로 구성되되, 상기 각 블록의 커널크기는 모두 동일하며, 확장 속도는 점차 팽창되어 컨불루션되는 팽창된 컨볼루션;각 네트워크망의 분포를 동일하게 하는 배치 정규화;0과 현재 값 중에서 큰 값을 선택하는 ReLU 함수; 및 임의의 노드가 중복적으로 사용되는 것을 방지하기 위한 드롭아웃;로 구성되는 것을 특징을 하는 RNA 스플라이싱 분기점을 선택하기 위한 딥러닝모델
|
| 4 |
4
제1항에 있어서, 상기 순환 신경망은히든 스테이지에 셀 스테이지가 추가된 구조로, 장기기억(LTM)과 단기기억(STM)의 입력을 받으며, 데이터가 손실되는 것을 방지하기 위해 양방향 장-단시간 기억(Bi-LSTM)으로 구성되는 것을 특징으로 하는 RNA 스플라이싱 분기점을 선택하기 위한 딥러닝모델
|
| 5 |
5
제4항에 있어서, 상기 양방향 장-단시간 기억(Bi-LSTM)은특정의 정보가 이전 입력을 기반으로 제거되어야 하는지를 결정하는데 사용되는 포겟 게이트;다음 계층에 어떤 정보가 저장되어야 하는지를 결정하며, 현재 상태 값을 갱신하는 입력 게이트; 및상기 셀 스테이지에서 출력될 부분을 결정하는 출력 게이트;를 포함하는 것을 특징으로 하는 RNA 스플라이싱 분기점을 선택하기 위한 딥러닝모델
|
