DeepCRBP：利用深度特征学习改进了circRNA-RBP结合位点的预测功能

　　为了解决上述问题，作者提出了DeepCRBP来识别circRNA- rbp的结合位点，并且在circRNA数据集上的实验结果表明，DeepCRBP明显优于目前的方法，并且具有更好的鲁棒性和泛化性。

　　

越来越多的证据表明，预测circRNAs与RBP结合位点之间的相互作用对于诊断疾病和提供治疗疾病的潜在靶点至关重要。许多研究利用基于每个RBP的circrna序列信息的深度学习方法预测了circrna -RBP的结合位点。然而，以往的研究大多只提取序列特征，缺乏从包含丰富空间信息的二级结构中挖掘必要的拓扑信息。

为了解决这些问题，由张文领导的一个研究小组于2024年4月15日在高等教育出版社和施普林格·自然联合出版的《计算机科学前沿》杂志上发表了他们的新研究。

该团队提出了一种名为DeepCRBP的新型深度特征学习方法，以学习circrna的表示，从而更好地预测circrna - rbp的结合位点。DeepCRBP由空间编码模块和序列编码模块组成，空间编码模块捕获circRNA序列中的局部和全局上下文特征，具有丰富的语义和较高的识别能力，并协同构建分子图来表示circRNA的二级结构，以获得必要的拓扑信息。DeepCRBP的性能优于几种最先进的基线方法。

DeepCRBP由空间编码模块、序列编码模块和预测模块组成。在空间编码模块中，将circRNA序列转换成分子图，然后利用GCN捕获突出的结构信息。在序列编码模块中，DeepCRBP采用多种序列编码策略，分别获取局部模式的短期依赖信息和全局模式的长期依赖信息。在预测模块中，从上述模块中提取的表征被连接并输入到2层mlp中，以预测circrna - rbp的结合位点。

未来的工作可侧重于将DeepCRBP应用于lncRNA或其他RNA结合位点的鉴定和开发通用预测软件。