算法集锦（1）|序列模型|利用深度神经网络进行DNA与蛋白质序列转换

DNA序列和蛋白质类型，都是很重要的生物数据。今天我们介绍一种可以实现二者高效、准确的转换的深度学习算法。

首先，我们来看看DNA和蛋白质序列如何在机器学习算法中进行表示。

步骤1：获取DNA和蛋白质表

步骤2：生成DNA和蛋白质序列

可以看到，我们先声明了一些超参数，它们代表训练数据的数量或蛋白质序列的长度。我们从步骤1中的表中随机的抽取蛋白质和DNA匹配对。

步骤3：使用1-4规则编码DNA

DNA编码的方法很多，这里我们选择1-4规则。也就是说，用（1*4）向量来代表每个DNA序列。下面就是我们生成的DNA序列编码。

步骤5：确认生成蛋白质序列

我们可以利用上图来确认生成的蛋白质序列是否正确。

步骤6：建立蛋白质的独热编码（One Hot Encoding）

红框中是重复的蛋白质A，绿框中的重复的蛋白质T。因为有两个蛋白质编码是重复的，所以我们可以用一个（1*8）的向量来代表每一个蛋白质。

接下来，我们将介绍如何建立深度神经网络来实现DNA和蛋白质序列的转换。

神经网络框架和前馈操作

其中，黑色向量代表编码的DNA序列；红色向量代表神经网络层（这里有4层，每层50个神经元）；蓝色向量代表用于分类的Softmax层。

箭头：代表标准前馈操作

以上结构表示的是一个标准的前馈操作。

反向传播操作

黄色向量：标准的梯度流；

黑色曲线：跨越式（Dilated Connection）的反向传播，可以使不同层之间的连接更加紧密。

实际训练结构

上图：平均准确率的变化；下图：损失函数的变化

可以看到，经过1201次迭代，训练的神经网络模型可以达到100%的准确度。

将DNA序列转换为蛋白质序列的结果如下：

利用步骤5的基因图表，可以确认神经网络准确的将DNA序列转换成了蛋白质序列。

代码如下：