多層神經(jīng)網(wǎng)絡(luò)賦能RNA三級結(jié)構(gòu)預(yù)測：打分函數(shù)的構(gòu)建與應(yīng)用一、引言1.1RNA三級結(jié)構(gòu)預(yù)測的重要性RNA（核糖核酸）作為生物體內(nèi)一類至關(guān)重要的生物大分子，在諸多關(guān)鍵生物過程中發(fā)揮著不可或缺的作用。從遺傳信息的傳遞和表達，到蛋白質(zhì)的合成，再到細(xì)胞代謝的精細(xì)調(diào)控，RNA的身影無處不在。在遺傳信息傳遞方面，mRNA（信使RNA）猶如一位忠實的信使，將DNA中蘊含的遺傳指令精準(zhǔn)地轉(zhuǎn)錄出來，并攜帶至核糖體，指導(dǎo)蛋白質(zhì)的合成，從而實現(xiàn)遺傳信息從DNA到蛋白質(zhì)的傳遞，這一過程是生命活動得以正常進行的基礎(chǔ)。tRNA（轉(zhuǎn)運RNA）則像一位熟練的搬運工，識別mRNA上的密碼子，并將對應(yīng)的氨基酸轉(zhuǎn)運至核糖體，確保蛋白質(zhì)合成的準(zhǔn)確性和高效性。rRNA（核糖體RNA）構(gòu)成了核糖體的核心結(jié)構(gòu)，是蛋白質(zhì)合成的關(guān)鍵場所，其結(jié)構(gòu)和功能的正常與否直接影響著蛋白質(zhì)的合成效率和質(zhì)量。RNA的功能與其復(fù)雜的三維結(jié)構(gòu)密切相關(guān)。以參與基因表達調(diào)控的非編碼RNA為例，其獨特的三級結(jié)構(gòu)能夠使其與特定的蛋白質(zhì)或其他核酸分子相互作用，從而精準(zhǔn)地調(diào)控基因的表達水平，影響細(xì)胞的分化、發(fā)育以及對環(huán)境刺激的響應(yīng)。在病毒感染過程中，病毒RNA的三級結(jié)構(gòu)對于病毒的生命周期至關(guān)重要，它不僅決定了病毒的感染能力，還影響著病毒與宿主細(xì)胞之間的相互作用。比如，HIV病毒的RNA結(jié)構(gòu)對于其進入宿主細(xì)胞、逆轉(zhuǎn)錄以及整合到宿主基因組中起著關(guān)鍵作用。然而，實驗測定RNA三級結(jié)構(gòu)面臨著諸多挑戰(zhàn)。傳統(tǒng)的實驗技術(shù)，如X射線晶體學(xué)和核磁共振（NMR），雖然能夠提供高精度的結(jié)構(gòu)信息，但這些方法存在著顯著的局限性。X射線晶體學(xué)需要制備高質(zhì)量的晶體，而對于許多RNA分子來說，獲得合適的晶體是極其困難的，這一過程往往需要耗費大量的時間和精力，且成功率較低。NMR技術(shù)則受到樣品濃度、分子大小等因素的限制，對于較大的RNA分子或在溶液中構(gòu)象不穩(wěn)定的RNA，難以準(zhǔn)確測定其結(jié)構(gòu)。冷凍電鏡技術(shù)雖然在近年來取得了長足的進展，能夠解析一些復(fù)雜的RNA結(jié)構(gòu)，但仍面臨著樣品制備復(fù)雜、數(shù)據(jù)處理難度大以及成本高昂等問題。這些實驗技術(shù)的局限性使得通過實驗手段測定所有RNA的三級結(jié)構(gòu)變得幾乎不可能。因此，發(fā)展計算預(yù)測方法成為了獲取RNA三級結(jié)構(gòu)信息的重要途徑。計算預(yù)測方法能夠在短時間內(nèi)對大量RNA序列進行結(jié)構(gòu)預(yù)測，為研究RNA的功能和作用機制提供了有力的工具。通過構(gòu)建合理的模型和算法，可以從RNA的一級序列出發(fā)，預(yù)測其可能形成的三級結(jié)構(gòu)，從而彌補實驗測定的不足。在藥物研發(fā)領(lǐng)域，計算預(yù)測的RNA結(jié)構(gòu)可以幫助研究人員深入了解藥物與RNA靶點之間的相互作用，為設(shè)計高效、低毒的RNA靶向藥物提供關(guān)鍵的結(jié)構(gòu)信息，加速新藥研發(fā)的進程。1.2基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)研究背景近年來，多層神經(jīng)網(wǎng)絡(luò)作為一種強大的機器學(xué)習(xí)技術(shù)，在分子結(jié)構(gòu)預(yù)測領(lǐng)域異軍突起，為解決復(fù)雜的生物學(xué)問題提供了全新的思路和方法。多層神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元層組成，包括輸入層、隱藏層和輸出層，各層之間通過權(quán)重連接，能夠自動學(xué)習(xí)數(shù)據(jù)中的復(fù)雜模式和特征。在分子結(jié)構(gòu)預(yù)測中，多層神經(jīng)網(wǎng)絡(luò)可以處理高維、非線性的數(shù)據(jù)，對分子的結(jié)構(gòu)特征進行深度挖掘和分析。在蛋白質(zhì)結(jié)構(gòu)預(yù)測領(lǐng)域，多層神經(jīng)網(wǎng)絡(luò)取得了舉世矚目的成就。以AlphaFold2為代表的深度學(xué)習(xí)模型，通過對海量蛋白質(zhì)序列和結(jié)構(gòu)數(shù)據(jù)的學(xué)習(xí)，能夠高精度地預(yù)測蛋白質(zhì)的三維結(jié)構(gòu)，其預(yù)測精度甚至可與實驗測定相媲美。AlphaFold2利用了注意力機制和殘差網(wǎng)絡(luò)等技術(shù)，能夠有效地捕捉蛋白質(zhì)序列中的遠程相互作用信息，從而準(zhǔn)確地預(yù)測蛋白質(zhì)的折疊結(jié)構(gòu)。這一突破不僅推動了蛋白質(zhì)結(jié)構(gòu)研究的發(fā)展，也為其他分子結(jié)構(gòu)預(yù)測領(lǐng)域帶來了新的希望和啟示。受蛋白質(zhì)結(jié)構(gòu)預(yù)測領(lǐng)域成功的啟發(fā)，多層神經(jīng)網(wǎng)絡(luò)在RNA三級結(jié)構(gòu)預(yù)測中的應(yīng)用也逐漸受到廣泛關(guān)注。RNA三級結(jié)構(gòu)預(yù)測的核心任務(wù)是從RNA的一級序列出發(fā)，預(yù)測其在三維空間中的折疊構(gòu)象。在這一過程中，打分函數(shù)起著至關(guān)重要的作用。打分函數(shù)是一種量化評估RNA三維結(jié)構(gòu)合理性和穩(wěn)定性的數(shù)學(xué)模型，它通過對結(jié)構(gòu)的各種特征進行分析和計算，給出一個分?jǐn)?shù)來表示結(jié)構(gòu)的優(yōu)劣。一個準(zhǔn)確有效的打分函數(shù)能夠從眾多可能的結(jié)構(gòu)中篩選出最接近真實結(jié)構(gòu)的構(gòu)象，從而提高RNA三級結(jié)構(gòu)預(yù)測的準(zhǔn)確性。早期的RNA打分函數(shù)主要基于物理模型和經(jīng)驗勢能函數(shù)。物理模型從分子的物理相互作用出發(fā)，考慮原子間的靜電相互作用、范德華力等因素，通過求解物理方程來計算結(jié)構(gòu)的能量，以能量最低的結(jié)構(gòu)作為最優(yōu)結(jié)構(gòu)。經(jīng)驗勢能函數(shù)則是基于大量的實驗數(shù)據(jù)和統(tǒng)計分析，對RNA結(jié)構(gòu)中的各種相互作用進行參數(shù)化，建立起能量與結(jié)構(gòu)特征之間的經(jīng)驗關(guān)系。然而，這些傳統(tǒng)的打分函數(shù)存在諸多局限性。一方面，物理模型的計算過程通常非常復(fù)雜，需要耗費大量的計算資源和時間，且對計算精度要求極高，這使得其在實際應(yīng)用中受到很大限制。另一方面，經(jīng)驗勢能函數(shù)雖然計算相對簡單，但由于其依賴于特定的實驗數(shù)據(jù)和假設(shè)，對新的RNA序列和結(jié)構(gòu)的適應(yīng)性較差，泛化能力不足，難以準(zhǔn)確預(yù)測具有復(fù)雜結(jié)構(gòu)和功能的RNA分子。隨著機器學(xué)習(xí)技術(shù)的不斷發(fā)展，基于機器學(xué)習(xí)的RNA打分函數(shù)應(yīng)運而生。這類打分函數(shù)通過對大量已知RNA結(jié)構(gòu)及其對應(yīng)的實驗數(shù)據(jù)進行學(xué)習(xí)，自動提取結(jié)構(gòu)特征與能量之間的關(guān)系，從而構(gòu)建打分模型。與傳統(tǒng)打分函數(shù)相比，基于機器學(xué)習(xí)的打分函數(shù)具有更強的適應(yīng)性和泛化能力，能夠更好地處理復(fù)雜的RNA結(jié)構(gòu)數(shù)據(jù)。支持向量機（SVM）、隨機森林等傳統(tǒng)機器學(xué)習(xí)算法在RNA打分函數(shù)中得到了應(yīng)用，通過對結(jié)構(gòu)特征的提取和分類，實現(xiàn)對RNA結(jié)構(gòu)的評估。然而，這些傳統(tǒng)機器學(xué)習(xí)算法在處理高維、非線性數(shù)據(jù)時存在一定的局限性，難以充分挖掘RNA結(jié)構(gòu)中的復(fù)雜信息。近年來，深度學(xué)習(xí)技術(shù)的快速發(fā)展為RNA打分函數(shù)的研究帶來了新的機遇。深度學(xué)習(xí)模型，如多層感知機（MLP）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等，在RNA結(jié)構(gòu)預(yù)測中展現(xiàn)出了巨大的潛力。多層感知機是一種最簡單的前饋神經(jīng)網(wǎng)絡(luò)，它由輸入層、隱藏層和輸出層組成，通過對輸入數(shù)據(jù)進行非線性變換，實現(xiàn)對復(fù)雜模式的學(xué)習(xí)。在RNA打分函數(shù)中，多層感知機可以直接對RNA結(jié)構(gòu)的特征向量進行處理，學(xué)習(xí)結(jié)構(gòu)特征與打分之間的映射關(guān)系。卷積神經(jīng)網(wǎng)絡(luò)則擅長處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，通過卷積層、池化層和全連接層等組件，自動提取數(shù)據(jù)中的局部特征和全局特征。在RNA結(jié)構(gòu)預(yù)測中，卷積神經(jīng)網(wǎng)絡(luò)可以對RNA的三維結(jié)構(gòu)進行卷積操作，提取結(jié)構(gòu)中的幾何特征和拓?fù)涮卣?，從而對結(jié)構(gòu)進行評分。循環(huán)神經(jīng)網(wǎng)絡(luò)則特別適用于處理序列數(shù)據(jù)，能夠捕捉序列中的長期依賴關(guān)系。在RNA結(jié)構(gòu)預(yù)測中，循環(huán)神經(jīng)網(wǎng)絡(luò)可以對RNA的一級序列進行建模，學(xué)習(xí)序列中核苷酸之間的相互作用信息，進而預(yù)測RNA的三級結(jié)構(gòu)。這些深度學(xué)習(xí)模型能夠自動學(xué)習(xí)RNA結(jié)構(gòu)的復(fù)雜特征，避免了人工特征提取的繁瑣過程，且在預(yù)測準(zhǔn)確性和效率上都有顯著提升。然而，當(dāng)前基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)仍面臨著諸多挑戰(zhàn)。RNA結(jié)構(gòu)數(shù)據(jù)的質(zhì)量和數(shù)量對模型的性能有著至關(guān)重要的影響。高質(zhì)量的RNA結(jié)構(gòu)數(shù)據(jù)是訓(xùn)練準(zhǔn)確打分函數(shù)的基礎(chǔ)，但目前實驗測定的RNA結(jié)構(gòu)數(shù)據(jù)相對較少，且存在一定的誤差和不確定性，這限制了模型的訓(xùn)練和泛化能力。此外，RNA結(jié)構(gòu)的復(fù)雜性和多樣性使得模型難以準(zhǔn)確捕捉其所有特征。RNA分子不僅具有多種二級結(jié)構(gòu)，如莖環(huán)、發(fā)夾等，還存在著復(fù)雜的三級相互作用，如堿基堆積、氫鍵網(wǎng)絡(luò)等，如何有效地表示和學(xué)習(xí)這些復(fù)雜特征是當(dāng)前研究的難點之一。模型的可解釋性也是一個亟待解決的問題。深度學(xué)習(xí)模型通常被視為“黑箱”，其內(nèi)部的決策過程難以理解，這使得研究人員難以解釋模型的預(yù)測結(jié)果，也不利于對模型進行優(yōu)化和改進。盡管面臨挑戰(zhàn)，但基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)在RNA三級結(jié)構(gòu)預(yù)測中仍具有廣闊的發(fā)展前景。隨著數(shù)據(jù)采集和實驗技術(shù)的不斷進步，RNA結(jié)構(gòu)數(shù)據(jù)的規(guī)模和質(zhì)量將不斷提高，為模型的訓(xùn)練提供更豐富的素材。同時，深度學(xué)習(xí)算法的不斷創(chuàng)新和改進，如新型神經(jīng)網(wǎng)絡(luò)架構(gòu)的設(shè)計、多模態(tài)數(shù)據(jù)的融合等，將進一步提升模型的性能和泛化能力。未來，基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)有望成為RNA三級結(jié)構(gòu)預(yù)測的主流方法，為RNA結(jié)構(gòu)與功能的研究提供更強大的工具，推動RNA相關(guān)領(lǐng)域的發(fā)展。1.3研究目的與意義本研究旨在構(gòu)建一種基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)，以提升RNA三級結(jié)構(gòu)預(yù)測的準(zhǔn)確性和效率。具體而言，通過深入分析RNA的序列和結(jié)構(gòu)數(shù)據(jù)，利用多層神經(jīng)網(wǎng)絡(luò)強大的特征學(xué)習(xí)能力，自動提取RNA結(jié)構(gòu)中的關(guān)鍵特征，建立準(zhǔn)確的打分模型。該模型能夠?qū)︻A(yù)測得到的RNA三級結(jié)構(gòu)進行精準(zhǔn)評估，從眾多候選結(jié)構(gòu)中篩選出最接近真實結(jié)構(gòu)的構(gòu)象。RNA三級結(jié)構(gòu)預(yù)測是生物信息學(xué)領(lǐng)域的核心問題之一，對于深入理解RNA的功能和作用機制至關(guān)重要。準(zhǔn)確的RNA三級結(jié)構(gòu)預(yù)測能夠為基因表達調(diào)控、病毒感染機制、藥物研發(fā)等諸多領(lǐng)域提供關(guān)鍵的結(jié)構(gòu)信息，推動相關(guān)研究的深入開展。在基因表達調(diào)控研究中，了解RNA的三級結(jié)構(gòu)有助于揭示其與蛋白質(zhì)或其他核酸分子的相互作用方式，從而深入理解基因表達的調(diào)控機制，為治療基因相關(guān)疾病提供理論基礎(chǔ)。在病毒感染機制研究中，解析病毒RNA的三級結(jié)構(gòu)可以幫助我們明確病毒與宿主細(xì)胞的識別和結(jié)合位點，為開發(fā)抗病毒藥物提供精準(zhǔn)的靶點，加速新藥研發(fā)的進程。目前，RNA三級結(jié)構(gòu)預(yù)測仍面臨諸多挑戰(zhàn)，其中打分函數(shù)的準(zhǔn)確性和效率是制約預(yù)測精度的關(guān)鍵因素。傳統(tǒng)的打分函數(shù)存在計算復(fù)雜、泛化能力差等問題，難以滿足當(dāng)前RNA結(jié)構(gòu)研究的需求?；诙鄬由窠?jīng)網(wǎng)絡(luò)的RNA打分函數(shù)具有獨特的優(yōu)勢，它能夠自動學(xué)習(xí)RNA結(jié)構(gòu)的復(fù)雜特征，有效避免人工特征提取的局限性，提高打分的準(zhǔn)確性和效率。通過本研究，有望為RNA三級結(jié)構(gòu)預(yù)測提供一種更加準(zhǔn)確、高效的打分方法，推動RNA結(jié)構(gòu)預(yù)測領(lǐng)域的發(fā)展，為生命科學(xué)研究提供更有力的支持。二、相關(guān)理論基礎(chǔ)2.1RNA結(jié)構(gòu)基礎(chǔ)知識2.1.1RNA的組成與分類RNA的基本組成單元是核糖核苷酸，每個核糖核苷酸由核糖、磷酸和堿基三部分構(gòu)成。核糖是一種五碳糖，其在2'位置上的羥基賦予了RNA獨特的化學(xué)性質(zhì)，使其相較于DNA更具反應(yīng)活性。磷酸基團則通過磷酸二酯鍵將各個核糖核苷酸連接起來，形成RNA的骨架結(jié)構(gòu)，這種連接方式為RNA的信息傳遞和功能實現(xiàn)提供了穩(wěn)定的基礎(chǔ)。堿基是決定RNA遺傳信息的關(guān)鍵部分，RNA中含有四種堿基，分別是腺嘌呤（A）、鳥嘌呤（G）、胞嘧啶（C）和尿嘧啶（U）。這些堿基通過與核糖的1'碳原子相連，參與到RNA的結(jié)構(gòu)和功能中。不同堿基之間的互補配對原則（A與U配對，G與C配對）是RNA二級結(jié)構(gòu)和三級結(jié)構(gòu)形成的重要基礎(chǔ)，對RNA的折疊和功能起著決定性作用。在生物體內(nèi)，RNA存在多種類型，它們在遺傳信息傳遞和表達等過程中各自承擔(dān)著獨特的功能。mRNA是遺傳信息傳遞的關(guān)鍵載體，它以DNA為模板轉(zhuǎn)錄產(chǎn)生，攜帶了DNA的遺傳指令。mRNA上的密碼子序列決定了蛋白質(zhì)合成過程中氨基酸的排列順序，從而指導(dǎo)蛋白質(zhì)的合成，在真核生物中，mRNA在細(xì)胞核中合成后，會被轉(zhuǎn)運到細(xì)胞質(zhì)中的核糖體上，參與蛋白質(zhì)的翻譯過程。tRNA在蛋白質(zhì)合成中扮演著不可或缺的角色，它能夠識別mRNA上的密碼子，并將對應(yīng)的氨基酸轉(zhuǎn)運至核糖體，確保蛋白質(zhì)合成的準(zhǔn)確性。tRNA的結(jié)構(gòu)獨特，含有反密碼子環(huán)，反密碼子與mRNA上的密碼子互補配對，從而實現(xiàn)氨基酸的準(zhǔn)確轉(zhuǎn)運。rRNA是核糖體的主要組成成分，核糖體是蛋白質(zhì)合成的場所，rRNA與核糖體蛋白共同構(gòu)成核糖體的結(jié)構(gòu)，為蛋白質(zhì)合成提供了必要的環(huán)境和催化活性中心。在原核生物中，rRNA包括5S、16S和23S三種，它們在核糖體的組裝和蛋白質(zhì)合成過程中發(fā)揮著不同的作用；在真核生物中，rRNA則有5S、5.8S、18S和28S四種，這些rRNA通過復(fù)雜的相互作用，形成了核糖體的三維結(jié)構(gòu)，保障了蛋白質(zhì)合成的高效進行。除了上述常見的RNA類型外，還有小分子RNA（如snRNA、scRNA）、microRNA、小核仁RNA（snoRNA）、長鏈非編碼RNA（lncRNA）、端粒酶RNA、催化RNA（核酶）和環(huán)狀RNA（circRNA）等。小分子RNA參與RNA的剪接、加工和轉(zhuǎn)運等過程，在細(xì)胞的生命活動中起著重要的調(diào)控作用。snRNA是真核生物轉(zhuǎn)錄后加工過程中RNA剪接體的主要成分，參與mRNA前體的剪接，去除內(nèi)含子，連接外顯子，使mRNA成熟。scRNA主要位于細(xì)胞質(zhì)內(nèi)，參與蛋白質(zhì)的合成和運輸，SRP顆粒中的7SRNA與蛋白質(zhì)結(jié)合，能夠識別信號肽，并將核糖體引導(dǎo)到內(nèi)質(zhì)網(wǎng)，參與蛋白質(zhì)的分泌和膜蛋白的合成。microRNA是一類長度約為22個核苷酸的非編碼RNA，它通過與mRNA的互補配對，抑制mRNA的翻譯過程或促進mRNA的降解，從而實現(xiàn)對基因表達的調(diào)控。在細(xì)胞分化、發(fā)育、代謝等過程中，microRNA發(fā)揮著重要的調(diào)節(jié)作用，它們能夠根據(jù)細(xì)胞的需求，精準(zhǔn)地調(diào)控基因的表達水平，維持細(xì)胞的正常生理功能。snoRNA主要存在于細(xì)胞核仁中，參與rRNA前體的加工和修飾，通過對rRNA的化學(xué)修飾，如甲基化、假尿嘧啶化等，影響rRNA的結(jié)構(gòu)和功能，進而影響核糖體的組裝和蛋白質(zhì)合成的效率。lncRNA是長度大于200個核苷酸的非編碼RNA，它在劑量補償效應(yīng)、表觀遺傳調(diào)控、細(xì)胞周期調(diào)控和細(xì)胞分化調(diào)控等眾多生命活動中發(fā)揮著重要作用。lncRNA可以通過與DNA、RNA或蛋白質(zhì)相互作用，調(diào)節(jié)基因的表達，在腫瘤發(fā)生發(fā)展過程中，許多l(xiāng)ncRNA的表達水平發(fā)生異常，它們可能作為癌基因或抑癌基因，參與腫瘤細(xì)胞的增殖、凋亡、遷移和侵襲等過程。端粒酶RNA是端粒酶的組成部分，端粒酶能夠延長染色體末端的端粒，維持染色體的穩(wěn)定性和細(xì)胞的增殖能力，端粒酶RNA為端粒的合成提供了模板，保證了端粒的正確延伸。核酶是一類具有催化活性的RNA分子，能夠催化特定的化學(xué)反應(yīng)，如RNA的自我剪接、RNA的切割等，核酶的發(fā)現(xiàn)打破了酶都是蛋白質(zhì)的傳統(tǒng)觀念，為生命起源和進化的研究提供了新的視角。circRNA是一種環(huán)狀的非編碼RNA，它具有獨特的結(jié)構(gòu)和功能，在細(xì)胞中可能通過吸附miRNA，解除miRNA對靶基因的抑制作用，從而調(diào)控基因的表達，circRNA還可能參與蛋白質(zhì)的相互作用，影響蛋白質(zhì)的功能和細(xì)胞的生理過程。這些不同類型的RNA相互協(xié)作，共同維持著生物體內(nèi)復(fù)雜的生命活動。2.1.2RNA的二級和三級結(jié)構(gòu)RNA二級結(jié)構(gòu)的形成主要依賴于堿基互補配對原則。當(dāng)RNA單鏈中的某些區(qū)域堿基互補時，它們會通過氫鍵相互配對，形成雙鏈結(jié)構(gòu)，這些雙鏈結(jié)構(gòu)與未配對的單鏈區(qū)域相間排列，從而構(gòu)成了各種特征性的結(jié)構(gòu)單元，如莖環(huán)結(jié)構(gòu)、發(fā)夾結(jié)構(gòu)、內(nèi)部環(huán)和多分支環(huán)等。莖環(huán)結(jié)構(gòu)是RNA二級結(jié)構(gòu)中最為常見的結(jié)構(gòu)之一，它由一段雙鏈莖區(qū)和一個單鏈環(huán)區(qū)組成。在莖區(qū)，堿基通過互補配對形成穩(wěn)定的雙鏈結(jié)構(gòu)，A與U之間形成兩個氫鍵，G與C之間形成三個氫鍵，這些氫鍵的形成使得莖區(qū)具有較高的穩(wěn)定性；而在環(huán)區(qū)，由于堿基未配對，形成了單鏈結(jié)構(gòu)，環(huán)區(qū)的大小和序列對RNA的功能有著重要影響。發(fā)夾結(jié)構(gòu)則是一種特殊的莖環(huán)結(jié)構(gòu)，其莖區(qū)較短，環(huán)區(qū)相對較小，形似發(fā)夾，發(fā)夾結(jié)構(gòu)在RNA的折疊和功能調(diào)控中起著關(guān)鍵作用。內(nèi)部環(huán)是指在雙鏈莖區(qū)中出現(xiàn)的一段未配對的堿基對，它會使雙鏈結(jié)構(gòu)出現(xiàn)局部的扭曲，內(nèi)部環(huán)的存在增加了RNA二級結(jié)構(gòu)的復(fù)雜性，影響著RNA與其他分子的相互作用。多分支環(huán)則是由多個單鏈區(qū)域和雙鏈區(qū)域相互連接形成的復(fù)雜結(jié)構(gòu)，它在RNA的高級結(jié)構(gòu)形成和功能實現(xiàn)中發(fā)揮著重要作用，多分支環(huán)的結(jié)構(gòu)和組成決定了RNA的空間構(gòu)象和活性位點的分布。RNA二級結(jié)構(gòu)的預(yù)測方法主要包括基于最小自由能的算法和基于比較序列分析的方法。基于最小自由能的算法是目前應(yīng)用最為廣泛的方法之一，它基于熱力學(xué)原理，假設(shè)RNA分子在折疊過程中會趨向于形成自由能最低的結(jié)構(gòu)。通過計算不同堿基配對方式下的自由能變化，尋找自由能最低的結(jié)構(gòu)作為預(yù)測的二級結(jié)構(gòu)。在實際計算中，需要考慮堿基配對的能量、環(huán)區(qū)的大小和形狀等因素對自由能的影響。這種方法的優(yōu)點是計算速度較快，能夠?qū)蝹€RNA序列進行快速預(yù)測；但其局限性在于，它只考慮了RNA分子自身的熱力學(xué)穩(wěn)定性，忽略了與其他分子的相互作用以及進化信息等因素，因此對于一些復(fù)雜的RNA分子，預(yù)測結(jié)果可能不夠準(zhǔn)確。基于比較序列分析的方法則是利用多個同源RNA序列的比對信息來預(yù)測二級結(jié)構(gòu)。通過對多個同源序列的比對，可以發(fā)現(xiàn)保守的堿基配對區(qū)域和結(jié)構(gòu)元件，這些保守區(qū)域往往具有重要的生物學(xué)功能，在進化過程中得以保留。利用這些保守信息，可以更準(zhǔn)確地預(yù)測RNA的二級結(jié)構(gòu)。這種方法的優(yōu)點是能夠考慮進化信息，提高預(yù)測的準(zhǔn)確性；但其缺點是需要大量的同源序列數(shù)據(jù)，對于一些缺乏同源序列的RNA分子，該方法的應(yīng)用受到限制。RNA三級結(jié)構(gòu)是在二級結(jié)構(gòu)的基礎(chǔ)上，通過進一步的折疊和相互作用形成的三維空間構(gòu)象。RNA三級結(jié)構(gòu)的形成涉及多種相互作用，包括堿基堆積作用、氫鍵、靜電相互作用和范德華力等。堿基堆積作用是維持RNA三級結(jié)構(gòu)穩(wěn)定的重要因素之一，它是指相鄰堿基之間通過π-π堆積相互作用，形成緊密的堆積結(jié)構(gòu)，堿基堆積作用能夠增加RNA分子的穩(wěn)定性，減少分子的自由能。氫鍵在RNA三級結(jié)構(gòu)中也起著關(guān)鍵作用，除了二級結(jié)構(gòu)中堿基配對形成的氫鍵外，RNA分子中的其他原子之間也可以形成氫鍵，如核糖的羥基與堿基或磷酸基團之間的氫鍵，這些氫鍵能夠進一步穩(wěn)定RNA的三維結(jié)構(gòu)，影響RNA分子的折疊方式和空間構(gòu)象。靜電相互作用主要是指RNA分子中帶負(fù)電荷的磷酸基團之間的靜電排斥力以及與帶正電荷的離子（如鎂離子）之間的靜電吸引力，這些靜電相互作用對RNA的折疊和穩(wěn)定性有著重要影響。在生理條件下，鎂離子等陽離子能夠中和磷酸基團的負(fù)電荷，減少靜電排斥力，促進RNA分子的折疊和穩(wěn)定。范德華力則是分子間的一種弱相互作用，它在RNA三級結(jié)構(gòu)的形成和維持中也發(fā)揮著一定的作用，范德華力能夠使RNA分子中的原子之間保持適當(dāng)?shù)木嚯x，維持分子的整體結(jié)構(gòu)。RNA的三級結(jié)構(gòu)對其功能有著至關(guān)重要的影響。不同的三級結(jié)構(gòu)決定了RNA與其他分子（如蛋白質(zhì)、DNA或其他RNA分子）的相互作用方式和特異性。在蛋白質(zhì)合成過程中，tRNA的三級結(jié)構(gòu)使其能夠準(zhǔn)確地識別mRNA上的密碼子，并將對應(yīng)的氨基酸轉(zhuǎn)運至核糖體，tRNA的L形三維結(jié)構(gòu)使其反密碼子環(huán)和氨基酸接受臂處于合適的位置，便于與mRNA和氨基酸進行相互作用。在RNA干擾過程中，雙鏈RNA會被核酸酶切割成小干擾RNA（siRNA），siRNA的三級結(jié)構(gòu)決定了其與靶mRNA的互補配對能力和特異性，從而實現(xiàn)對靶基因的沉默。一些非編碼RNA通過特定的三級結(jié)構(gòu)與蛋白質(zhì)結(jié)合，形成核糖核蛋白復(fù)合物，參與基因表達調(diào)控、RNA加工等過程，在調(diào)控基因表達的過程中，非編碼RNA的三級結(jié)構(gòu)能夠識別并結(jié)合特定的轉(zhuǎn)錄因子或其他蛋白質(zhì)，影響基因的轉(zhuǎn)錄起始、延伸和終止，從而實現(xiàn)對基因表達的精細(xì)調(diào)控。2.2多層神經(jīng)網(wǎng)絡(luò)原理2.2.1神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)是一種模擬生物神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的計算模型，其基本組成單元是神經(jīng)元，這些神經(jīng)元按照層次結(jié)構(gòu)組織，形成了神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)，主要包括輸入層、隱藏層和輸出層。輸入層是神經(jīng)網(wǎng)絡(luò)與外部數(shù)據(jù)的接口，負(fù)責(zé)接收輸入數(shù)據(jù)，并將其傳遞給隱藏層。輸入數(shù)據(jù)可以是各種形式的特征向量，在RNA結(jié)構(gòu)預(yù)測中，輸入數(shù)據(jù)可能是RNA的序列信息、二級結(jié)構(gòu)特征或其他相關(guān)的生物學(xué)數(shù)據(jù)。隱藏層位于輸入層和輸出層之間，是神經(jīng)網(wǎng)絡(luò)進行特征學(xué)習(xí)和數(shù)據(jù)處理的核心部分。隱藏層可以包含多個神經(jīng)元，這些神經(jīng)元通過權(quán)重與輸入層和其他隱藏層的神經(jīng)元相連。權(quán)重是神經(jīng)網(wǎng)絡(luò)中的重要參數(shù)，它決定了神經(jīng)元之間信號傳遞的強度和方向，通過調(diào)整權(quán)重，神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)到輸入數(shù)據(jù)中的復(fù)雜模式和特征。在RNA結(jié)構(gòu)預(yù)測中，隱藏層的神經(jīng)元可以學(xué)習(xí)到RNA序列與結(jié)構(gòu)之間的關(guān)系，提取出對結(jié)構(gòu)預(yù)測有用的特征。輸出層是神經(jīng)網(wǎng)絡(luò)的最終輸出部分，它根據(jù)隱藏層的處理結(jié)果，輸出預(yù)測結(jié)果。在RNA結(jié)構(gòu)預(yù)測中，輸出層的輸出可能是RNA的三級結(jié)構(gòu)信息，如原子坐標(biāo)、堿基對相互作用等，或者是對RNA結(jié)構(gòu)穩(wěn)定性的評分，用于評估預(yù)測結(jié)構(gòu)的質(zhì)量。神經(jīng)元之間的連接方式和權(quán)重分配決定了神經(jīng)網(wǎng)絡(luò)的性能和功能。在全連接神經(jīng)網(wǎng)絡(luò)中，每個神經(jīng)元與相鄰層的所有神經(jīng)元都有連接，這種連接方式使得神經(jīng)網(wǎng)絡(luò)能夠充分學(xué)習(xí)到輸入數(shù)據(jù)的全局特征，但也會導(dǎo)致參數(shù)數(shù)量過多，計算復(fù)雜度增加。在實際應(yīng)用中，為了減少參數(shù)數(shù)量和計算復(fù)雜度，常常采用一些改進的連接方式，如卷積神經(jīng)網(wǎng)絡(luò)中的局部連接和共享權(quán)重，以及循環(huán)神經(jīng)網(wǎng)絡(luò)中的循環(huán)連接等。局部連接和共享權(quán)重可以減少參數(shù)數(shù)量，提高計算效率，同時能夠有效地提取數(shù)據(jù)的局部特征；循環(huán)連接則能夠處理序列數(shù)據(jù)中的長期依賴關(guān)系，適用于對RNA序列進行建模。2.2.2多層神經(jīng)網(wǎng)絡(luò)的工作機制多層神經(jīng)網(wǎng)絡(luò)的工作過程主要包括前向傳播和反向傳播兩個階段。在前向傳播階段，輸入數(shù)據(jù)從輸入層開始，依次經(jīng)過隱藏層的處理，最終到達輸出層，產(chǎn)生預(yù)測結(jié)果。在這個過程中，每個神經(jīng)元接收來自前一層神經(jīng)元的輸入信號，并根據(jù)權(quán)重和激活函數(shù)對輸入信號進行計算和轉(zhuǎn)換，然后將輸出信號傳遞給下一層神經(jīng)元。激活函數(shù)是一種非線性函數(shù)，它能夠為神經(jīng)網(wǎng)絡(luò)引入非線性特性，使其能夠?qū)W習(xí)到復(fù)雜的模式和關(guān)系。常見的激活函數(shù)有Sigmoid函數(shù)、ReLU函數(shù)、tanh函數(shù)等。Sigmoid函數(shù)將輸入值映射到0到1之間，其公式為S(x)=\frac{1}{1+e^{-x}}，在早期的神經(jīng)網(wǎng)絡(luò)中應(yīng)用廣泛，但存在梯度消失問題，導(dǎo)致訓(xùn)練困難。ReLU函數(shù)則是目前應(yīng)用較為廣泛的激活函數(shù)，其公式為ReLU(x)=max(0,x)，它能夠有效地解決梯度消失問題，加速神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。tanh函數(shù)將輸入值映射到-1到1之間，公式為tanh(x)=\frac{e^{x}-e^{-x}}{e^{x}+e^{-x}}，在一些需要處理正負(fù)值的場景中表現(xiàn)較好。假設(shè)一個簡單的多層神經(jīng)網(wǎng)絡(luò)，包含一個輸入層、一個隱藏層和一個輸出層。輸入層有n個神經(jīng)元，隱藏層有m個神經(jīng)元，輸出層有k個神經(jīng)元。輸入層的輸入向量為X=(x_1,x_2,\cdots,x_n)，隱藏層的權(quán)重矩陣為W_1，其大小為m\timesn，偏置向量為b_1，大小為m\times1；輸出層的權(quán)重矩陣為W_2，大小為k\timesm，偏置向量為b_2，大小為k\times1。在隱藏層，神經(jīng)元的輸入z_1=W_1X+b_1，經(jīng)過激活函數(shù)f（如ReLU函數(shù)）處理后，得到隱藏層的輸出a_1=f(z_1)。在輸出層，神經(jīng)元的輸入z_2=W_2a_1+b_2，經(jīng)過激活函數(shù)（根據(jù)具體任務(wù)選擇，如回歸任務(wù)可能使用線性激活函數(shù)，分類任務(wù)可能使用Softmax函數(shù)）處理后，得到最終的輸出Y。反向傳播階段是神經(jīng)網(wǎng)絡(luò)進行參數(shù)更新和學(xué)習(xí)的關(guān)鍵過程。在反向傳播中，首先計算預(yù)測結(jié)果與真實標(biāo)簽之間的損失函數(shù)，損失函數(shù)用于衡量模型預(yù)測結(jié)果與真實值之間的差異，常見的損失函數(shù)有均方誤差（MSE）、交叉熵?fù)p失等。對于回歸問題，常用均方誤差作為損失函數(shù)，其公式為MSE=\frac{1}{N}\sum_{i=1}^{N}(y_i-\hat{y}_i)^2，其中y_i是真實值，\hat{y}_i是預(yù)測值，N是樣本數(shù)量；對于分類問題，常用交叉熵?fù)p失，如多分類問題的交叉熵?fù)p失公式為CE=-\sum_{i=1}^{N}\sum_{j=1}^{C}y_{ij}log(\hat{y}_{ij})，其中y_{ij}表示第i個樣本屬于第j類的真實概率（通常為0或1），\hat{y}_{ij}表示模型預(yù)測第i個樣本屬于第j類的概率，C是類別數(shù)。然后，通過鏈?zhǔn)椒▌t，從輸出層開始，將損失函數(shù)對各個權(quán)重和偏置的梯度反向傳播回前面的層，計算出每個權(quán)重和偏置的梯度。最后，根據(jù)計算得到的梯度，使用優(yōu)化算法（如隨機梯度下降（SGD）、Adagrad、Adadelta、Adam等）對權(quán)重和偏置進行更新，以減小損失函數(shù)的值，提高模型的預(yù)測準(zhǔn)確性。隨機梯度下降算法的更新公式為W=W-\eta\nablaL，其中W是權(quán)重，\eta是學(xué)習(xí)率，\nablaL是損失函數(shù)對權(quán)重的梯度。通過不斷地重復(fù)前向傳播和反向傳播過程，神經(jīng)網(wǎng)絡(luò)逐漸學(xué)習(xí)到輸入數(shù)據(jù)與輸出結(jié)果之間的映射關(guān)系，實現(xiàn)對復(fù)雜模式的識別和預(yù)測。2.2.3常用的神經(jīng)網(wǎng)絡(luò)模型在RNA結(jié)構(gòu)預(yù)測中，有多種神經(jīng)網(wǎng)絡(luò)模型展現(xiàn)出了獨特的優(yōu)勢和應(yīng)用潛力。卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為一種廣泛應(yīng)用的深度學(xué)習(xí)模型，在圖像識別、自然語言處理等領(lǐng)域取得了顯著成果，在RNA結(jié)構(gòu)預(yù)測中也具有重要的應(yīng)用價值。CNN的主要特點是具有卷積層、池化層和全連接層。卷積層通過卷積核在輸入數(shù)據(jù)上滑動，對局部區(qū)域進行卷積操作，提取數(shù)據(jù)的局部特征。卷積核中的權(quán)重是共享的，這大大減少了模型的參數(shù)數(shù)量，降低了計算復(fù)雜度，同時使得CNN能夠有效地提取數(shù)據(jù)中的局部模式和特征。在RNA結(jié)構(gòu)預(yù)測中，卷積層可以對RNA的三維結(jié)構(gòu)進行卷積操作，提取結(jié)構(gòu)中的幾何特征和拓?fù)涮卣?，如堿基對之間的距離、角度等信息。池化層則用于對卷積層的輸出進行下采樣，減少數(shù)據(jù)的維度，降低計算量，同時保留重要的特征信息。常見的池化操作有最大池化和平均池化，最大池化取局部區(qū)域中的最大值作為輸出，能夠突出數(shù)據(jù)的關(guān)鍵特征；平均池化則取局部區(qū)域的平均值作為輸出，對數(shù)據(jù)進行平滑處理。通過池化層，CNN可以有效地提取數(shù)據(jù)的全局特征，提高模型的泛化能力。全連接層則將池化層的輸出進行全連接，將提取到的特征映射到輸出空間，得到最終的預(yù)測結(jié)果。在RNA結(jié)構(gòu)預(yù)測中，全連接層可以根據(jù)卷積層和池化層提取的特征，對RNA的三級結(jié)構(gòu)進行預(yù)測或?qū)Y(jié)構(gòu)的穩(wěn)定性進行評分。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）特別適用于處理序列數(shù)據(jù)，能夠捕捉序列中的長期依賴關(guān)系，這一特性使得RNN在RNA結(jié)構(gòu)預(yù)測中具有重要的應(yīng)用。RNA的一級序列是一種典型的序列數(shù)據(jù)，其中核苷酸之間的相互作用和排列順序?qū)NA的二級和三級結(jié)構(gòu)形成起著關(guān)鍵作用。RNN通過循環(huán)連接的方式，將當(dāng)前時刻的輸入與上一時刻的隱藏狀態(tài)相結(jié)合，從而能夠?qū)W習(xí)到序列中的長期依賴信息。在RNN中，每個時間步的隱藏狀態(tài)不僅取決于當(dāng)前時刻的輸入，還取決于上一時刻的隱藏狀態(tài)，其計算公式為h_t=f(W_{xh}x_t+W_{hh}h_{t-1}+b_h)，其中h_t是當(dāng)前時刻的隱藏狀態(tài)，x_t是當(dāng)前時刻的輸入，W_{xh}是輸入到隱藏層的權(quán)重矩陣，W_{hh}是隱藏層到隱藏層的權(quán)重矩陣，b_h是偏置向量，f是激活函數(shù)。這種循環(huán)連接的結(jié)構(gòu)使得RNN能夠?qū)NA序列進行建模，學(xué)習(xí)到序列中核苷酸之間的相互作用模式，進而預(yù)測RNA的二級和三級結(jié)構(gòu)。然而，傳統(tǒng)的RNN存在梯度消失和梯度爆炸問題，導(dǎo)致在處理長序列時性能下降。為了解決這些問題，出現(xiàn)了一些改進的RNN模型，如長短期記憶網(wǎng)絡(luò)（LSTM）和門控循環(huán)單元（GRU）。LSTM引入了記憶單元和門控機制，通過輸入門、遺忘門和輸出門來控制信息的流入、流出和保留，能夠有效地處理長序列數(shù)據(jù)，在RNA結(jié)構(gòu)預(yù)測中表現(xiàn)出了較好的性能。GRU則是一種簡化的LSTM模型，它將輸入門和遺忘門合并為更新門，減少了模型的參數(shù)數(shù)量，提高了計算效率，同時在處理長序列時也具有較好的表現(xiàn)。多層感知機（MLP）是一種最簡單的前饋神經(jīng)網(wǎng)絡(luò)，它由輸入層、隱藏層和輸出層組成，各層之間通過全連接的方式連接。MLP可以直接對輸入數(shù)據(jù)進行非線性變換，學(xué)習(xí)數(shù)據(jù)中的復(fù)雜模式和特征。在RNA打分函數(shù)中，MLP可以將RNA結(jié)構(gòu)的特征向量作為輸入，通過隱藏層的非線性變換，學(xué)習(xí)結(jié)構(gòu)特征與打分之間的映射關(guān)系，最終輸出對RNA結(jié)構(gòu)的評分。MLP的優(yōu)點是結(jié)構(gòu)簡單，易于實現(xiàn)和訓(xùn)練，能夠處理各種類型的輸入數(shù)據(jù)；但其缺點是對于高維數(shù)據(jù)和復(fù)雜模式的學(xué)習(xí)能力相對較弱，容易出現(xiàn)過擬合問題。在實際應(yīng)用中，通常會通過增加隱藏層的數(shù)量和神經(jīng)元的個數(shù)來提高MLP的表達能力，但這也會增加模型的訓(xùn)練難度和計算復(fù)雜度。2.3RNA打分函數(shù)原理2.3.1打分函數(shù)的作用在RNA三級結(jié)構(gòu)預(yù)測中，打分函數(shù)扮演著至關(guān)重要的角色，其核心作用是量化評估不同RNA結(jié)構(gòu)模型的優(yōu)劣程度。由于RNA分子可以折疊成多種可能的三維構(gòu)象，從理論上來說，一個RNA序列可能對應(yīng)無數(shù)種不同的三級結(jié)構(gòu)。然而，在這些眾多的結(jié)構(gòu)模型中，只有一種或極少數(shù)幾種結(jié)構(gòu)是在生物體內(nèi)真實存在并具有生物學(xué)功能的，因此，需要一種有效的方法來判斷這些結(jié)構(gòu)模型與真實結(jié)構(gòu)的接近程度。打分函數(shù)通過對RNA結(jié)構(gòu)的各種特征進行綜合分析和計算，為每個結(jié)構(gòu)模型賦予一個分?jǐn)?shù)。這個分?jǐn)?shù)反映了結(jié)構(gòu)模型的合理性和穩(wěn)定性，分?jǐn)?shù)越高，表示結(jié)構(gòu)越接近真實結(jié)構(gòu)，穩(wěn)定性越好；分?jǐn)?shù)越低，則表示結(jié)構(gòu)越不合理，穩(wěn)定性越差。在實際的RNA三級結(jié)構(gòu)預(yù)測過程中，首先會通過各種計算方法生成大量的候選結(jié)構(gòu)模型，這些候選結(jié)構(gòu)模型可能是基于不同的算法、參數(shù)或假設(shè)生成的，它們的結(jié)構(gòu)特征和穩(wěn)定性各不相同。然后，利用打分函數(shù)對這些候選結(jié)構(gòu)進行評估，計算出每個結(jié)構(gòu)的得分。最后，根據(jù)得分對候選結(jié)構(gòu)進行排序，篩選出得分較高的結(jié)構(gòu)作為最終的預(yù)測結(jié)果。打分函數(shù)的準(zhǔn)確性直接影響著RNA三級結(jié)構(gòu)預(yù)測的精度。一個準(zhǔn)確的打分函數(shù)能夠從眾多候選結(jié)構(gòu)中準(zhǔn)確地篩選出最接近真實結(jié)構(gòu)的模型，從而提高預(yù)測的成功率。在藥物研發(fā)中，準(zhǔn)確的RNA結(jié)構(gòu)預(yù)測可以幫助研究人員更好地理解藥物與RNA靶點之間的相互作用，為設(shè)計高效的RNA靶向藥物提供關(guān)鍵的結(jié)構(gòu)信息。如果打分函數(shù)不準(zhǔn)確，可能會導(dǎo)致篩選出的結(jié)構(gòu)與真實結(jié)構(gòu)相差甚遠，從而使后續(xù)的研究和應(yīng)用受到嚴(yán)重影響。例如，在基于結(jié)構(gòu)的藥物設(shè)計中，如果使用了不準(zhǔn)確的RNA結(jié)構(gòu)模型，可能會導(dǎo)致藥物設(shè)計的失敗，浪費大量的時間和資源。2.3.2傳統(tǒng)打分函數(shù)的類型與局限性傳統(tǒng)的RNA打分函數(shù)主要分為基于統(tǒng)計的打分函數(shù)和基于第一性原理的打分函數(shù)?；诮y(tǒng)計的打分函數(shù)是通過對大量已知RNA結(jié)構(gòu)數(shù)據(jù)的統(tǒng)計分析，建立起結(jié)構(gòu)特征與能量之間的經(jīng)驗關(guān)系。這類打分函數(shù)假設(shè)RNA結(jié)構(gòu)中的各種相互作用（如堿基堆積、氫鍵等）在不同的RNA分子中具有相似的統(tǒng)計規(guī)律，通過對這些統(tǒng)計規(guī)律的總結(jié)和歸納，構(gòu)建出打分模型。在構(gòu)建基于統(tǒng)計的打分函數(shù)時，通常會對RNA結(jié)構(gòu)中的堿基對、堿基堆積模式、環(huán)區(qū)大小等特征進行統(tǒng)計分析，根據(jù)這些特征在已知結(jié)構(gòu)中的出現(xiàn)頻率和分布情況，為不同的特征賦予相應(yīng)的能量值。當(dāng)對一個新的RNA結(jié)構(gòu)進行評分時，根據(jù)該結(jié)構(gòu)中各種特征的組合情況，計算出其總能量值，作為該結(jié)構(gòu)的得分?；诮y(tǒng)計的打分函數(shù)計算相對簡單，計算效率較高，能夠快速對大量的RNA結(jié)構(gòu)進行評估。由于其依賴于已知的結(jié)構(gòu)數(shù)據(jù)，對于一些具有特殊結(jié)構(gòu)或新出現(xiàn)的RNA序列，其泛化能力較差，難以準(zhǔn)確評估這些結(jié)構(gòu)的穩(wěn)定性。當(dāng)遇到一種新的RNA分子，其結(jié)構(gòu)特征與已知數(shù)據(jù)中的結(jié)構(gòu)有較大差異時，基于統(tǒng)計的打分函數(shù)可能無法準(zhǔn)確地給出合理的評分，導(dǎo)致對該RNA結(jié)構(gòu)的預(yù)測出現(xiàn)偏差。基于第一性原理的打分函數(shù)則是從分子的物理相互作用出發(fā)，考慮原子間的靜電相互作用、范德華力、氫鍵等因素，通過求解物理方程來計算RNA結(jié)構(gòu)的能量。這類打分函數(shù)基于量子力學(xué)和分子力學(xué)的原理，對RNA分子的原子結(jié)構(gòu)進行精確建模，能夠較為準(zhǔn)確地描述RNA分子的物理性質(zhì)和相互作用。在基于第一性原理的打分函數(shù)中，通常會使用分子力學(xué)力場來描述原子間的相互作用，力場中包含了各種相互作用的參數(shù)，如鍵長、鍵角、扭轉(zhuǎn)角等。通過對這些參數(shù)的優(yōu)化和調(diào)整，使計算得到的能量值能夠準(zhǔn)確反映RNA結(jié)構(gòu)的穩(wěn)定性。在計算RNA結(jié)構(gòu)的能量時，會考慮每個原子的位置、電荷以及與其他原子之間的相互作用，通過求解復(fù)雜的物理方程來得到結(jié)構(gòu)的總能量?；诘谝恍栽淼拇蚍趾瘮?shù)具有較高的準(zhǔn)確性，能夠?qū)NA結(jié)構(gòu)的穩(wěn)定性進行較為精確的評估。然而，由于其計算過程涉及到復(fù)雜的物理方程求解和大量的原子間相互作用計算，計算量非常大，需要耗費大量的計算資源和時間，這使得其在實際應(yīng)用中受到很大限制。對于一個較大的RNA分子，使用基于第一性原理的打分函數(shù)進行計算可能需要數(shù)小時甚至數(shù)天的時間，這對于需要快速獲得RNA結(jié)構(gòu)信息的研究來說是難以接受的。除了上述兩種主要類型的傳統(tǒng)打分函數(shù)外，還有一些其他類型的打分函數(shù)，如基于知識的打分函數(shù)和基于機器學(xué)習(xí)的傳統(tǒng)打分函數(shù)等。基于知識的打分函數(shù)是利用已有的生物學(xué)知識和實驗數(shù)據(jù)，對RNA結(jié)構(gòu)中的各種特征進行定性或定量的描述，從而構(gòu)建打分模型。這種打分函數(shù)通常依賴于專家的經(jīng)驗和知識，對于一些已知的結(jié)構(gòu)特征和相互作用能夠給出較為合理的評分，但對于未知的結(jié)構(gòu)和新的RNA序列，其適應(yīng)性較差?；跈C器學(xué)習(xí)的傳統(tǒng)打分函數(shù)則是利用傳統(tǒng)的機器學(xué)習(xí)算法（如支持向量機、隨機森林等），對RNA結(jié)構(gòu)的特征進行分類和回歸分析，從而實現(xiàn)對RNA結(jié)構(gòu)的評估。這些傳統(tǒng)機器學(xué)習(xí)算法在處理高維、非線性數(shù)據(jù)時存在一定的局限性，難以充分挖掘RNA結(jié)構(gòu)中的復(fù)雜信息，且模型的泛化能力和可解釋性也有待提高。傳統(tǒng)打分函數(shù)在準(zhǔn)確性、計算效率和對復(fù)雜結(jié)構(gòu)處理能力等方面存在諸多局限性。這些局限性限制了RNA三級結(jié)構(gòu)預(yù)測的精度和效率，難以滿足當(dāng)前生命科學(xué)研究對RNA結(jié)構(gòu)信息的需求。隨著機器學(xué)習(xí)技術(shù)的不斷發(fā)展，特別是深度學(xué)習(xí)技術(shù)的興起，基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)應(yīng)運而生，為解決傳統(tǒng)打分函數(shù)的局限性提供了新的思路和方法。三、基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)構(gòu)建3.1數(shù)據(jù)集的收集與預(yù)處理3.1.1數(shù)據(jù)來源本研究的數(shù)據(jù)主要來源于多個公共數(shù)據(jù)庫，其中PDB（ProteinDataBank）是全球最為權(quán)威的大分子結(jié)構(gòu)數(shù)據(jù)庫之一，它存儲了大量通過實驗測定的RNA三維結(jié)構(gòu)數(shù)據(jù)。在PDB數(shù)據(jù)庫中，每個RNA結(jié)構(gòu)都有詳細(xì)的原子坐標(biāo)信息，這些坐標(biāo)精確地描述了RNA分子中各個原子在三維空間中的位置，為研究RNA的結(jié)構(gòu)和功能提供了直接的依據(jù)。同時，PDB還提供了結(jié)構(gòu)的分辨率、實驗方法等注釋信息，這些信息對于評估結(jié)構(gòu)的質(zhì)量和可靠性至關(guān)重要。分辨率反映了實驗測定結(jié)構(gòu)的精確程度，高分辨率的結(jié)構(gòu)能夠提供更詳細(xì)的原子間相互作用信息；實驗方法則決定了數(shù)據(jù)的獲取方式，不同的實驗方法可能會對結(jié)構(gòu)的測定產(chǎn)生不同的影響。RNACentral是一個整合了多個數(shù)據(jù)庫非編碼RNA信息的綜合性數(shù)據(jù)庫，它涵蓋了廣泛的RNA序列數(shù)據(jù)及其相關(guān)注釋。在RNACentral中，不僅包含了各種類型RNA的序列信息，還提供了RNA的分類、功能注釋等信息。這些注釋信息有助于我們更好地理解RNA的生物學(xué)功能和作用機制，在研究某種非編碼RNA時，RNACentral中的功能注釋可以幫助我們了解它在細(xì)胞內(nèi)的作用通路和調(diào)控機制，從而為后續(xù)的研究提供方向。為了獲取RNA的實驗數(shù)據(jù)和注釋信息，我們使用了數(shù)據(jù)庫提供的API（ApplicationProgrammingInterface）或數(shù)據(jù)下載工具。以PDB數(shù)據(jù)庫為例，我們可以通過其官方提供的API，按照特定的查詢語句來獲取所需的RNA結(jié)構(gòu)數(shù)據(jù)。通過設(shè)置查詢條件，如RNA的類型、序列長度、分辨率范圍等，能夠精準(zhǔn)地篩選出符合要求的RNA結(jié)構(gòu)數(shù)據(jù)。對于RNACentral數(shù)據(jù)庫，我們可以利用其提供的數(shù)據(jù)下載工具，將所需的RNA序列數(shù)據(jù)和注釋信息下載到本地進行后續(xù)處理。在下載過程中，需要注意數(shù)據(jù)的格式和完整性，確保下載的數(shù)據(jù)能夠正確地被后續(xù)程序讀取和處理。除了上述兩個主要數(shù)據(jù)庫外，我們還參考了其他一些相關(guān)數(shù)據(jù)庫，如Rfam數(shù)據(jù)庫。Rfam是一個專門收集RNA家族信息的數(shù)據(jù)庫，它包含了大量RNA家族的比對數(shù)據(jù)和二級結(jié)構(gòu)模型。通過Rfam數(shù)據(jù)庫，我們可以獲取特定RNA家族的保守序列和結(jié)構(gòu)信息，這些信息對于分析RNA的進化關(guān)系和結(jié)構(gòu)保守性具有重要意義。在研究某個RNA家族時，Rfam中的比對數(shù)據(jù)可以幫助我們發(fā)現(xiàn)家族成員之間的序列相似性和差異，從而推斷其進化歷程；二級結(jié)構(gòu)模型則可以為我們預(yù)測RNA的二級結(jié)構(gòu)提供參考，提高預(yù)測的準(zhǔn)確性。3.1.2數(shù)據(jù)清洗與標(biāo)注在數(shù)據(jù)清洗過程中，我們采用了多種方法來去除冗余和錯誤數(shù)據(jù)。為了去除冗余數(shù)據(jù)，我們使用了序列比對工具，如BLAST（BasicLocalAlignmentSearchTool）。BLAST能夠快速地對RNA序列進行比對，計算序列之間的相似性。通過設(shè)定相似性閾值，我們可以將相似性高于閾值的序列視為冗余序列，并從中選擇一個代表性序列保留，其余冗余序列則被去除。如果兩條RNA序列的相似性達到95%以上，我們認(rèn)為它們是冗余的，只保留其中一條序列。這種方法能夠有效地減少數(shù)據(jù)集中的冗余信息，降低數(shù)據(jù)的復(fù)雜性，提高后續(xù)模型訓(xùn)練的效率。同時，我們還考慮了RNA結(jié)構(gòu)的相似性，對于結(jié)構(gòu)相似的RNA，也進行了冗余去除處理，以確保數(shù)據(jù)的多樣性。對于錯誤數(shù)據(jù)的檢測，我們主要通過檢查結(jié)構(gòu)的完整性和合理性來實現(xiàn)。在RNA結(jié)構(gòu)中，原子坐標(biāo)的合理性是判斷結(jié)構(gòu)是否正確的重要依據(jù)。我們檢查RNA結(jié)構(gòu)中原子的坐標(biāo)是否在合理的范圍內(nèi)，是否存在原子重疊或距離過近等不合理情況。如果發(fā)現(xiàn)某個RNA結(jié)構(gòu)中存在原子坐標(biāo)異常，如某個原子的坐標(biāo)超出了正常的化學(xué)空間范圍，或者兩個原子之間的距離小于其范德華半徑之和，我們將該結(jié)構(gòu)視為錯誤數(shù)據(jù)并予以去除。此外，我們還檢查了結(jié)構(gòu)的注釋信息是否完整和準(zhǔn)確，對于注釋信息缺失或錯誤的數(shù)據(jù)，也進行了相應(yīng)的處理。在數(shù)據(jù)標(biāo)注方面，我們主要標(biāo)記了RNA的正確三級結(jié)構(gòu)和特征信息。對于正確的三級結(jié)構(gòu)，我們以實驗測定的結(jié)構(gòu)作為標(biāo)準(zhǔn)，將其標(biāo)記為真實結(jié)構(gòu)。在PDB數(shù)據(jù)庫中，經(jīng)過嚴(yán)格實驗測定的RNA結(jié)構(gòu)被認(rèn)為是真實結(jié)構(gòu)，我們將這些結(jié)構(gòu)的原子坐標(biāo)和相關(guān)信息進行提取和整理，并標(biāo)記為正確的三級結(jié)構(gòu)。這些真實結(jié)構(gòu)將作為模型訓(xùn)練的參考，用于指導(dǎo)模型學(xué)習(xí)RNA結(jié)構(gòu)的特征和規(guī)律。對于RNA的特征信息標(biāo)注，我們提取了多種結(jié)構(gòu)特征。我們計算了堿基對之間的距離和角度，這些幾何特征能夠反映RNA結(jié)構(gòu)的空間構(gòu)象。通過分析堿基對之間的距離和角度，我們可以了解RNA分子中不同區(qū)域之間的相互作用和空間關(guān)系。堿基對之間的距離和角度的變化可能會影響RNA與其他分子的結(jié)合能力，從而影響其生物學(xué)功能。我們還標(biāo)注了RNA的二級結(jié)構(gòu)信息，如莖環(huán)、發(fā)夾等結(jié)構(gòu)單元的位置和類型。二級結(jié)構(gòu)是RNA三級結(jié)構(gòu)形成的基礎(chǔ)，標(biāo)注二級結(jié)構(gòu)信息有助于模型更好地理解RNA結(jié)構(gòu)的層次和形成機制。此外，我們還考慮了RNA分子中的氫鍵、堿基堆積等相互作用信息，將其作為特征進行標(biāo)注。3.1.3數(shù)據(jù)劃分為了確保模型的訓(xùn)練、調(diào)優(yōu)和評估的有效性，我們將數(shù)據(jù)集按照一定的比例劃分為訓(xùn)練集、驗證集和測試集。在劃分過程中，我們采用了隨機劃分的方法，以保證每個子集的數(shù)據(jù)分布具有隨機性和代表性。具體而言，我們將數(shù)據(jù)集的70%劃分為訓(xùn)練集，20%劃分為驗證集，10%劃分為測試集。訓(xùn)練集用于模型的訓(xùn)練，通過大量的數(shù)據(jù)學(xué)習(xí)，模型能夠逐漸掌握RNA結(jié)構(gòu)特征與打分之間的映射關(guān)系。在訓(xùn)練過程中，模型會不斷調(diào)整自身的參數(shù)，以最小化預(yù)測結(jié)果與真實標(biāo)簽之間的差異。驗證集則用于模型的調(diào)優(yōu)，在訓(xùn)練過程中，我們會定期使用驗證集來評估模型的性能，觀察模型在驗證集上的損失函數(shù)值和準(zhǔn)確率等指標(biāo)的變化情況。根據(jù)驗證集的評估結(jié)果，我們可以調(diào)整模型的超參數(shù)，如學(xué)習(xí)率、隱藏層神經(jīng)元數(shù)量等，以避免模型過擬合或欠擬合，提高模型的泛化能力。測試集則用于評估模型在未見過的數(shù)據(jù)上的性能，在模型訓(xùn)練和調(diào)優(yōu)完成后，我們使用測試集對模型進行最終的評估，通過計算模型在測試集上的各項性能指標(biāo)，如均方誤差、準(zhǔn)確率等，來判斷模型的預(yù)測能力和泛化能力。測試集的數(shù)據(jù)在整個模型訓(xùn)練過程中從未被使用過，因此能夠真實地反映模型在實際應(yīng)用中的表現(xiàn)。在劃分過程中，我們還注意保持每個子集的類別分布均衡。由于數(shù)據(jù)集中可能包含不同類型的RNA，如mRNA、tRNA、rRNA等，我們確保每個子集都包含各種類型的RNA，且比例與原始數(shù)據(jù)集相似。這樣可以避免模型在訓(xùn)練過程中對某些類型的RNA過度學(xué)習(xí)，而對其他類型的RNA表現(xiàn)不佳，從而提高模型對不同類型RNA的適應(yīng)性和預(yù)測能力。3.2多層神經(jīng)網(wǎng)絡(luò)模型的設(shè)計3.2.1網(wǎng)絡(luò)架構(gòu)選擇在RNA結(jié)構(gòu)預(yù)測領(lǐng)域，不同的神經(jīng)網(wǎng)絡(luò)架構(gòu)展現(xiàn)出各自獨特的優(yōu)勢和適用性。卷積神經(jīng)網(wǎng)絡(luò)（CNN）憑借其在處理具有網(wǎng)格結(jié)構(gòu)數(shù)據(jù)方面的卓越能力，在RNA結(jié)構(gòu)預(yù)測中具有重要的應(yīng)用價值。RNA的三維結(jié)構(gòu)可以被視為一種具有特定幾何特征和拓?fù)潢P(guān)系的網(wǎng)格數(shù)據(jù)，CNN能夠通過卷積層中的卷積核在RNA結(jié)構(gòu)上滑動，對局部區(qū)域進行卷積操作，從而自動提取出結(jié)構(gòu)中的幾何特征，如堿基對之間的距離、角度等信息，以及拓?fù)涮卣鳎缜o環(huán)、發(fā)夾等結(jié)構(gòu)單元的分布和連接方式。這些特征對于準(zhǔn)確評估RNA結(jié)構(gòu)的穩(wěn)定性和合理性至關(guān)重要，能夠為RNA打分函數(shù)提供關(guān)鍵的輸入信息。在比較不同神經(jīng)網(wǎng)絡(luò)架構(gòu)在RNA結(jié)構(gòu)預(yù)測中的性能時，我們進行了一系列的實驗。以RNA-Puzzles數(shù)據(jù)集為例，我們分別使用CNN、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和多層感知機（MLP）構(gòu)建打分函數(shù)，并對數(shù)據(jù)集中的RNA結(jié)構(gòu)進行預(yù)測和評分。實驗結(jié)果表明，CNN在預(yù)測準(zhǔn)確性上表現(xiàn)出色，能夠從眾多候選結(jié)構(gòu)中更準(zhǔn)確地篩選出接近真實結(jié)構(gòu)的構(gòu)象。這是因為CNN的卷積操作能夠有效地捕捉RNA結(jié)構(gòu)的局部特征，并且通過共享權(quán)重機制，大大減少了模型的參數(shù)數(shù)量，降低了計算復(fù)雜度，提高了模型的泛化能力。相比之下，RNN雖然擅長處理序列數(shù)據(jù)，但在處理RNA結(jié)構(gòu)的空間特征時存在一定的局限性，其預(yù)測準(zhǔn)確性相對較低。MLP則由于缺乏對數(shù)據(jù)局部特征的有效提取能力，在處理高維、復(fù)雜的RNA結(jié)構(gòu)數(shù)據(jù)時，容易出現(xiàn)過擬合問題，導(dǎo)致預(yù)測性能不佳。綜合考慮各種因素，我們選擇基于卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)來構(gòu)建RNA打分函數(shù)。這種架構(gòu)能夠充分利用RNA結(jié)構(gòu)的空間信息，有效地提取結(jié)構(gòu)特征，為打分函數(shù)提供準(zhǔn)確的輸入，從而提高RNA三級結(jié)構(gòu)預(yù)測的準(zhǔn)確性。為了進一步優(yōu)化模型性能，我們對基本的CNN架構(gòu)進行了改進和擴展。引入了殘差連接，通過在網(wǎng)絡(luò)中添加跳躍連接，使得網(wǎng)絡(luò)能夠更容易地學(xué)習(xí)到深層次的特征，緩解了梯度消失問題，提高了模型的訓(xùn)練效率和預(yù)測準(zhǔn)確性。我們還采用了多尺度卷積核，不同大小的卷積核能夠提取不同尺度的結(jié)構(gòu)特征，從而更全面地描述RNA結(jié)構(gòu)的復(fù)雜性。3.2.2網(wǎng)絡(luò)參數(shù)設(shè)置網(wǎng)絡(luò)層數(shù)和神經(jīng)元數(shù)量的確定是一個關(guān)鍵而復(fù)雜的過程，需要綜合考慮多個因素。網(wǎng)絡(luò)層數(shù)的增加能夠使模型學(xué)習(xí)到更復(fù)雜的特征表示，但同時也會帶來計算復(fù)雜度的增加和過擬合的風(fēng)險。神經(jīng)元數(shù)量的多少則直接影響模型的表達能力，過多的神經(jīng)元可能導(dǎo)致過擬合，而過少的神經(jīng)元則可能使模型無法學(xué)習(xí)到足夠的特征。為了確定合適的網(wǎng)絡(luò)層數(shù)和神經(jīng)元數(shù)量，我們采用了實驗對比和交叉驗證的方法。我們構(gòu)建了一系列不同層數(shù)和神經(jīng)元數(shù)量的卷積神經(jīng)網(wǎng)絡(luò)模型。對于網(wǎng)絡(luò)層數(shù)，我們分別測試了包含3層、5層、7層卷積層的模型；對于神經(jīng)元數(shù)量，在每個卷積層中，我們設(shè)置了不同數(shù)量的神經(jīng)元，如64、128、256等。然后，使用這些模型對訓(xùn)練集和驗證集進行訓(xùn)練和評估。在訓(xùn)練過程中，我們觀察模型的損失函數(shù)值和準(zhǔn)確率等指標(biāo)的變化情況。隨著網(wǎng)絡(luò)層數(shù)的增加，模型在訓(xùn)練集上的準(zhǔn)確率逐漸提高，但在驗證集上的準(zhǔn)確率在達到一定層數(shù)后開始下降，這表明模型出現(xiàn)了過擬合現(xiàn)象。通過分析不同模型在驗證集上的性能，我們發(fā)現(xiàn)當(dāng)網(wǎng)絡(luò)層數(shù)為5層時，模型在驗證集上的表現(xiàn)最佳，既能夠?qū)W習(xí)到足夠的特征，又能避免過擬合。在確定神經(jīng)元數(shù)量時，我們同樣通過實驗對比發(fā)現(xiàn)，當(dāng)每個卷積層中的神經(jīng)元數(shù)量為128時，模型的性能較為理想。過多的神經(jīng)元會導(dǎo)致模型在訓(xùn)練集上過度擬合，而較少的神經(jīng)元則會使模型的表達能力不足，無法準(zhǔn)確學(xué)習(xí)到RNA結(jié)構(gòu)的特征。因此，綜合考慮計算效率和模型性能，我們最終確定了網(wǎng)絡(luò)的層數(shù)為5層，每個卷積層的神經(jīng)元數(shù)量為128。激活函數(shù)的選擇對于模型的性能也具有重要影響。不同的激活函數(shù)具有不同的特性，會影響模型的學(xué)習(xí)能力和訓(xùn)練效率。常見的激活函數(shù)有Sigmoid函數(shù)、ReLU函數(shù)和tanh函數(shù)等。Sigmoid函數(shù)將輸入值映射到0到1之間，其公式為S(x)=\frac{1}{1+e^{-x}}，在早期的神經(jīng)網(wǎng)絡(luò)中應(yīng)用廣泛，但它存在梯度消失問題，當(dāng)輸入值較大或較小時，梯度會趨近于0，導(dǎo)致模型訓(xùn)練困難。ReLU函數(shù)則能夠有效地解決梯度消失問題，其公式為ReLU(x)=max(0,x)，它在輸入值大于0時，直接輸出輸入值，在輸入值小于0時，輸出0。ReLU函數(shù)的這種特性使得模型在訓(xùn)練過程中能夠更快地收斂，提高訓(xùn)練效率。tanh函數(shù)將輸入值映射到-1到1之間，公式為tanh(x)=\frac{e^{x}-e^{-x}}{e^{x}+e^{-x}}，它在處理正負(fù)值數(shù)據(jù)時表現(xiàn)較好，但同樣存在梯度消失問題。在本研究中，經(jīng)過對不同激活函數(shù)的測試和比較，我們選擇ReLU函數(shù)作為卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。實驗結(jié)果表明，使用ReLU函數(shù)的模型在訓(xùn)練過程中收斂速度更快，能夠更快地學(xué)習(xí)到RNA結(jié)構(gòu)的特征，并且在預(yù)測準(zhǔn)確性上也有明顯的提升。在處理RNA結(jié)構(gòu)數(shù)據(jù)時，ReLU函數(shù)能夠有效地激活神經(jīng)元，提取出關(guān)鍵的特征信息，從而提高打分函數(shù)的性能。3.2.3模型訓(xùn)練與優(yōu)化在模型訓(xùn)練過程中，我們采用了Adam優(yōu)化算法，這是一種自適應(yīng)學(xué)習(xí)率的優(yōu)化算法，它結(jié)合了Adagrad和Adadelta算法的優(yōu)點，能夠根據(jù)每個參數(shù)的梯度自適應(yīng)地調(diào)整學(xué)習(xí)率。Adam算法通過計算梯度的一階矩估計和二階矩估計，動態(tài)地調(diào)整每個參數(shù)的學(xué)習(xí)率，使得模型在訓(xùn)練過程中能夠更快地收斂，并且能夠有效地避免梯度消失和梯度爆炸問題。在使用Adam優(yōu)化算法時，我們對其超參數(shù)進行了合理的調(diào)整。學(xué)習(xí)率是一個關(guān)鍵的超參數(shù)，它決定了模型在訓(xùn)練過程中參數(shù)更新的步長。如果學(xué)習(xí)率過大，模型可能會在訓(xùn)練過程中跳過最優(yōu)解，導(dǎo)致無法收斂；如果學(xué)習(xí)率過小，模型的訓(xùn)練速度會非常緩慢，需要更多的訓(xùn)練時間和計算資源。經(jīng)過多次實驗和調(diào)試，我們將學(xué)習(xí)率設(shè)置為0.001，這個值能夠使模型在訓(xùn)練過程中保持較好的收斂速度和穩(wěn)定性。β1和β2是Adam算法中用于計算梯度一階矩估計和二階矩估計的超參數(shù)，我們將β1設(shè)置為0.9，β2設(shè)置為0.999，這些值是經(jīng)過大量實驗驗證的，能夠使Adam算法在處理RNA結(jié)構(gòu)數(shù)據(jù)時表現(xiàn)出較好的性能。為了防止過擬合，我們采用了L2正則化和Dropout技術(shù)。L2正則化通過在損失函數(shù)中添加一個正則化項，對模型的參數(shù)進行約束，使得模型的參數(shù)值不會過大，從而避免過擬合。在本研究中，我們將L2正則化系數(shù)設(shè)置為0.0001，這個值能夠在保證模型學(xué)習(xí)能力的前提下，有效地抑制過擬合現(xiàn)象。Dropout技術(shù)則是在訓(xùn)練過程中隨機丟棄一部分神經(jīng)元，使得模型不會過度依賴某些特定的神經(jīng)元，從而提高模型的泛化能力。我們將Dropout的概率設(shè)置為0.2，即在訓(xùn)練過程中，每個神經(jīng)元有20%的概率被隨機丟棄。在訓(xùn)練過程中，我們還采用了早停法來進一步防止過擬合。早停法是指在模型訓(xùn)練過程中，當(dāng)驗證集上的損失函數(shù)值連續(xù)多個epoch不再下降時，停止訓(xùn)練，選擇此時的模型作為最優(yōu)模型。通過早停法，我們可以避免模型在訓(xùn)練集上過度訓(xùn)練，從而提高模型的泛化能力。在實際訓(xùn)練中，我們設(shè)置當(dāng)驗證集上的損失函數(shù)值連續(xù)10個epoch不再下降時，停止訓(xùn)練。3.3打分函數(shù)的實現(xiàn)與驗證3.3.1打分函數(shù)的數(shù)學(xué)表達式基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)的數(shù)學(xué)表達式如下：S=f(X;W,b)其中，S表示RNA結(jié)構(gòu)的得分，它反映了RNA結(jié)構(gòu)的穩(wěn)定性和合理性，得分越高表示結(jié)構(gòu)越穩(wěn)定、越接近真實結(jié)構(gòu)。X是輸入的RNA結(jié)構(gòu)特征向量，它包含了RNA的序列信息、二級結(jié)構(gòu)特征、堿基對之間的距離和角度等多種信息，這些特征是神經(jīng)網(wǎng)絡(luò)進行打分的依據(jù)。W和b分別是神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣和偏置向量，它們是神經(jīng)網(wǎng)絡(luò)的參數(shù)，通過訓(xùn)練過程不斷調(diào)整，以優(yōu)化打分函數(shù)的性能。f代表多層神經(jīng)網(wǎng)絡(luò)的映射函數(shù)，它通過多個神經(jīng)元層的非線性變換，將輸入特征向量X映射為得分S。以我們構(gòu)建的基于卷積神經(jīng)網(wǎng)絡(luò)的打分函數(shù)為例，假設(shè)卷積神經(jīng)網(wǎng)絡(luò)包含n個卷積層和m個全連接層。在卷積層，輸入特征圖X經(jīng)過卷積操作、激活函數(shù)處理和池化操作，逐步提取出更高級的特征。對于第i個卷積層，其輸出特征圖X_i的計算過程如下：X_i=f_{conv}(X_{i-1};W_{i}^{conv},b_{i}^{conv})其中，f_{conv}是卷積操作和激活函數(shù)的組合函數(shù)，W_{i}^{conv}是第i個卷積層的權(quán)重矩陣，b_{i}^{conv}是偏置向量。在全連接層，卷積層輸出的特征圖被展平為一維向量，然后經(jīng)過全連接層的線性變換和激活函數(shù)處理，最終得到RNA結(jié)構(gòu)的得分S。對于第j個全連接層，其輸出S_j的計算過程如下：S_j=f_{fc}(S_{j-1};W_{j}^{fc},b_{j}^{fc})其中，f_{fc}是全連接層的線性變換和激活函數(shù)的組合函數(shù)，W_{j}^{fc}是第j個全連接層的權(quán)重矩陣，b_{j}^{fc}是偏置向量。最終的得分S就是最后一個全連接層的輸出。通過這樣的數(shù)學(xué)表達式，多層神經(jīng)網(wǎng)絡(luò)能夠自動學(xué)習(xí)RNA結(jié)構(gòu)特征與得分之間的復(fù)雜關(guān)系，從而實現(xiàn)對RNA結(jié)構(gòu)的準(zhǔn)確打分。3.3.2模型驗證方法為了全面評估基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)的性能，我們采用了多種模型驗證方法，包括交叉驗證和獨立測試集驗證。交叉驗證是一種常用的模型驗證技術(shù)，它能夠有效地評估模型的泛化能力。在本研究中，我們采用了五折交叉驗證的方法。具體來說，我們將訓(xùn)練集隨機劃分為五個大小相等的子集，每次選取其中四個子集作為訓(xùn)練集，剩余的一個子集作為驗證集。通過這樣的方式，我們可以進行五次訓(xùn)練和驗證，每次使用不同的子集作為驗證集，從而得到五個不同的模型和對應(yīng)的驗證結(jié)果。在每次訓(xùn)練過程中，模型使用訓(xùn)練集進行參數(shù)更新和學(xué)習(xí)，然后在驗證集上進行評估。我們記錄模型在驗證集上的損失函數(shù)值和準(zhǔn)確率等指標(biāo)，通過對這五個模型的驗證結(jié)果進行平均，得到模型在交叉驗證中的性能指標(biāo)。這樣可以避免由于數(shù)據(jù)集劃分的隨機性導(dǎo)致的評估偏差，更準(zhǔn)確地評估模型的泛化能力。交叉驗證的優(yōu)點在于它充分利用了訓(xùn)練集中的所有數(shù)據(jù)，每個數(shù)據(jù)點都有機會被用于訓(xùn)練和驗證，從而提高了評估結(jié)果的可靠性。然而，交叉驗證也存在一定的局限性，它計算成本較高，需要多次訓(xùn)練模型，而且對于大規(guī)模數(shù)據(jù)集，計算時間會顯著增加。獨立測試集驗證是另一種重要的模型驗證方法。我們使用之前劃分好的測試集來評估模型的性能。測試集在整個模型訓(xùn)練過程中從未被使用過，它完全獨立于訓(xùn)練集和驗證集，因此能夠真實地反映模型在未見過的數(shù)據(jù)上的表現(xiàn)。在模型訓(xùn)練完成后，我們將測試集中的RNA結(jié)構(gòu)輸入到模型中，計算模型對這些結(jié)構(gòu)的打分，并與真實結(jié)構(gòu)進行比較。通過計算均方誤差、相關(guān)系數(shù)、準(zhǔn)確率等評估指標(biāo)，我們可以評估模型在測試集上的性能，判斷模型是否具有良好的泛化能力。在使用獨立測試集驗證時，需要注意測試集的代表性。測試集應(yīng)該包含各種不同類型的RNA結(jié)構(gòu)，涵蓋不同的序列長度、二級結(jié)構(gòu)和三級結(jié)構(gòu)特征，以確保能夠全面評估模型的性能。如果測試集的代表性不足，可能會導(dǎo)致對模型性能的評估不準(zhǔn)確，無法真實反映模型在實際應(yīng)用中的表現(xiàn)。3.3.3結(jié)果分析與評估指標(biāo)通過計算均方誤差（MSE）、相關(guān)系數(shù)（Pearsoncorrelationcoefficient）和準(zhǔn)確率（Accuracy）等評估指標(biāo)，我們對基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)的性能進行了全面分析。均方誤差用于衡量模型預(yù)測得分與真實得分之間的平均誤差平方。其計算公式為：MSE=\frac{1}{N}\sum_{i=1}^{N}(S_{i}^{pred}-S_{i}^{true})^2其中，N是樣本數(shù)量，S_{i}^{pred}是第i個樣本的預(yù)測得分，S_{i}^{true}是第i個樣本的真實得分。均方誤差越小，說明模型的預(yù)測得分與真實得分越接近，模型的預(yù)測準(zhǔn)確性越高。在本研究中，我們通過計算模型在測試集上的均方誤差，評估模型對RNA結(jié)構(gòu)打分的準(zhǔn)確性。相關(guān)系數(shù)用于衡量模型預(yù)測得分與真實得分之間的線性相關(guān)性。Pearson相關(guān)系數(shù)的計算公式為：r=\frac{\sum_{i=1}^{N}(S_{i}^{pred}-\overline{S^{pred}})(S_{i}^{true}-\overline{S^{true}})}{\sqrt{\sum_{i=1}^{N}(S_{i}^{pred}-\overline{S^{pred}})^2\sum_{i=1}^{N}(S_{i}^{true}-\overline{S^{true}})^2}}其中，\overline{S^{pred}}和\overline{S^{true}}分別是預(yù)測得分和真實得分的平均值。相關(guān)系數(shù)的取值范圍是[-1,1]，當(dāng)r=1時，表示預(yù)測得分與真實得分完全正相關(guān)；當(dāng)r=-1時，表示預(yù)測得分與真實得分完全負(fù)相關(guān)；當(dāng)r=0時，表示預(yù)測得分與真實得分之間不存在線性相關(guān)性。在RNA結(jié)構(gòu)打分函數(shù)中，相關(guān)系數(shù)越接近1，說明模型的預(yù)測得分與真實得分之間的線性相關(guān)性越強，模型能夠更好地捕捉RNA結(jié)構(gòu)特征與得分之間的關(guān)系。準(zhǔn)確率用于評估模型從眾多候選結(jié)構(gòu)中篩選出正確RNA三級結(jié)構(gòu)的能力。在本研究中，我們將模型打分最高的結(jié)構(gòu)視為預(yù)測的正確結(jié)構(gòu)，然后與真實結(jié)構(gòu)進行比較，計算準(zhǔn)確率。其計算公式為：Accuracy=\frac{?-￡???é￠??μ?????

·?????°}{????

·?????°}準(zhǔn)確率越高，說明模型在篩選正確RNA三級結(jié)構(gòu)方面的效果越好。通過對這些評估指標(biāo)的分析，我們可以全面了解模型的性能。在測試集上，我們的模型計算得到的均方誤差為[具體數(shù)值]，這表明模型的預(yù)測得分與真實得分之間的平均誤差較小，模型能夠較為準(zhǔn)確地對RNA結(jié)構(gòu)進行打分。相關(guān)系數(shù)為[具體數(shù)值]，接近1，說明模型的預(yù)測得分與真實得分之間具有較強的線性相關(guān)性，模型能夠有效地學(xué)習(xí)到RNA結(jié)構(gòu)特征與得分之間的關(guān)系。準(zhǔn)確率為[具體數(shù)值]，這意味著模型能夠從眾多候選結(jié)構(gòu)中準(zhǔn)確地篩選出大部分正確的RNA三級結(jié)構(gòu)，在RNA三級結(jié)構(gòu)預(yù)測中具有較好的應(yīng)用效果。我們還將本模型與其他傳統(tǒng)打分函數(shù)和基于機器學(xué)習(xí)的打分函數(shù)進行了對比。結(jié)果顯示，在均方誤差、相關(guān)系數(shù)和準(zhǔn)確率等指標(biāo)上，我們的模型均優(yōu)于其他對比模型。與基于統(tǒng)計的打分函數(shù)相比，我們的模型在均方誤差上降低了[X]%，相關(guān)系數(shù)提高了[X]%，準(zhǔn)確率提高了[X]%；與基于機器學(xué)習(xí)的傳統(tǒng)打分函數(shù)相比，我們的模型在均方誤差上降低了[X]%，相關(guān)系數(shù)提高了[X]%，準(zhǔn)確率提高了[X]%。這些結(jié)果充分證明了基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)在準(zhǔn)確性和性能上的優(yōu)勢，能夠為RNA三級結(jié)構(gòu)預(yù)測提供更有效的支持。四、案例分析4.1選擇代表性RNA序列進行預(yù)測4.1.1序列選擇依據(jù)為了全面評估基于多層神經(jīng)網(wǎng)絡(luò)的RNA打分函數(shù)在不同類型RNA結(jié)構(gòu)預(yù)測中的性能，我們精心選擇了具有不同功能和結(jié)構(gòu)特點的RNA序列作為案例。這些序列涵蓋了多種生物學(xué)功能，包括參與基因調(diào)控、催化反應(yīng)、蛋白質(zhì)合成等關(guān)鍵過程。參與基因調(diào)控的RNA在細(xì)胞內(nèi)發(fā)揮著至關(guān)重要的作用，它們通過與DNA、蛋白質(zhì)或其他RNA分子相互作用，精準(zhǔn)地調(diào)控基因的表達水平，影響細(xì)胞的分化、發(fā)育以及對環(huán)境刺激的響應(yīng)。如小干擾RNA（siRNA）能夠通過RNA干擾機制特異性地降解靶mRNA，從而抑制基因的表達，在基因功能研究和疾病治療中具有巨大的應(yīng)用潛力。選擇參與基因調(diào)控的RNA序列作為案例，能夠檢驗打分函數(shù)在預(yù)測這類具有重要生物學(xué)意義的RNA結(jié)構(gòu)時的準(zhǔn)確性，為深入研究基因調(diào)控機制提供有力的支持。具有催化活性的RNA，即核酶，能夠催化特定的化學(xué)反應(yīng)，在生物體內(nèi)扮演著類似酶的角色。錘頭狀核酶是一種常見的核酶，它能夠在特定條件下催化RNA分子的自我切割反應(yīng)，其催化活性依賴于特定的三級結(jié)構(gòu)。選擇核酶序列進行預(yù)測，可以考察打分函數(shù)對具有特殊催化功能的RNA結(jié)構(gòu)的預(yù)測能力，有助于揭示核酶的催化機制，為開發(fā)新型生物催化劑提供理論基礎(chǔ)。在蛋白質(zhì)合成過程中起關(guān)鍵作用的RNA，如轉(zhuǎn)運RNA（tRNA）和核糖體RNA（rRNA），也是我們選擇的重要對象。tRNA負(fù)責(zé)將氨基酸轉(zhuǎn)運至核糖體，其獨特的L形三級結(jié)構(gòu)使其能夠準(zhǔn)確地識別mRNA上的密碼子，并將對應(yīng)的氨基酸遞送至核糖體，參與蛋白質(zhì)的合成。rRNA則是核糖體的重要組成部分，參與蛋白質(zhì)合成的各個步驟，其復(fù)雜的三維結(jié)構(gòu)對于核糖體的功能至關(guān)重要。選擇tRNA和rRNA序列進行預(yù)測，能夠評估打分函數(shù)在預(yù)測與蛋白質(zhì)合成密切相關(guān)的RNA結(jié)構(gòu)時的性能，為深入理解蛋白質(zhì)合成機制提供關(guān)鍵的結(jié)構(gòu)信息。這些RNA序列在結(jié)構(gòu)上也具有多樣性，包括不同的二級結(jié)構(gòu)元件（如莖環(huán)、發(fā)夾、內(nèi)部環(huán)等）和復(fù)雜的三級相互作用（如堿基堆積、氫鍵網(wǎng)絡(luò)、金屬離子介導(dǎo)的相互作用等）。具有復(fù)雜莖環(huán)結(jié)構(gòu)的RNA，其莖環(huán)的大小、形狀和序列各不相同，這些差異會影響RNA的折疊方式和穩(wěn)定性。存在大量堿基堆積相互作用的RNA，其堿基堆積的模式和強度對RNA的三級結(jié)構(gòu)穩(wěn)定性起著關(guān)鍵作用。通過選擇具有不同結(jié)構(gòu)特點的RNA序列，能夠全面測試打分函數(shù)對各種結(jié)構(gòu)特征的識別和評估能力，驗證其在處理復(fù)雜RNA結(jié)構(gòu)時的有效性。4.1.2序列信息介紹我們選擇的第一個RNA序列是參與基因調(diào)控的miR-21，它是一種長度約為22個核苷酸的微小RNA，廣泛存在于多種生物體內(nèi)，在細(xì)胞增殖、凋亡、分化等過程中發(fā)揮著重要的調(diào)控作用。miR-21的二級結(jié)構(gòu)主要由一個發(fā)夾結(jié)構(gòu)組成，其莖區(qū)由互補的堿基對形成穩(wěn)定的雙鏈結(jié)構(gòu)，環(huán)區(qū)則包含幾個未配對的堿基。在三級結(jié)構(gòu)方面，miR-21通過堿基堆積和氫鍵等相互作用形成了緊湊的三維構(gòu)象，這種結(jié)構(gòu)使其能夠與靶mRNA特異性結(jié)合，從而實現(xiàn)對基因表達的調(diào)控。miR-21來源于人類基因組，在多種組織和細(xì)胞中均有表達，其表達水平的異常與多種疾病的發(fā)生發(fā)展密切相關(guān)，如腫瘤、心血管疾病等。錘頭狀核酶是我們選擇的第二個RNA序列，它是一種具有自我切割活性的核酶，廣泛存在于植物病毒、類病毒等生物中。錘頭狀核酶的長度通常在40-50個核苷酸左右，其二級結(jié)構(gòu)由三個莖區(qū)（P1、P2、P3）和一個環(huán)區(qū)組成，三個莖區(qū)圍繞著一個保守的催化核心區(qū)域，形成了獨特的錘頭狀結(jié)構(gòu)。在三級結(jié)構(gòu)上，錘頭狀核酶通過堿基堆積、氫鍵以及金屬離子（如鎂離子）的介導(dǎo)作用，形成了穩(wěn)定的催化活性中心，能夠在特定條件下催化RNA分子的自我切割反應(yīng)。錘頭狀核酶的來源多樣，我們選擇的序列來源于煙草環(huán)斑病毒衛(wèi)星RNA，其催化活性和結(jié)構(gòu)特征已經(jīng)得到了廣泛的研究。轉(zhuǎn)運RNA（tRNA）是蛋白質(zhì)合成過程中的重要參與者，我們選擇的tRNA序列為大腸桿菌的tRNA^Phe，它專門負(fù)責(zé)轉(zhuǎn)運苯丙氨酸。tRNA^Phe的長度約為76個核苷酸，其二級結(jié)構(gòu)呈現(xiàn)出典型的三葉草形，包含氨基酸接受臂、二氫尿嘧啶臂（D臂）、反密碼子臂和胸腺嘧啶假尿嘧啶胞嘧啶臂（TΨC臂）。在三級結(jié)構(gòu)上，tRNA^Phe通過堿基堆積、氫鍵以及特定的堿基配對相互作用，折疊成緊密的L形結(jié)構(gòu)，使得氨基酸接受臂和反密碼子臂處于合適的位置，便于與氨基酸和mRNA進行相互作用。tRNA^Phe來源于大腸桿菌，其結(jié)構(gòu)和功能已經(jīng)被深入研究，是研究tRNA結(jié)構(gòu)與功能關(guān)系的經(jīng)典模型。核糖體RNA（rRNA）在蛋白質(zhì)合成中起著核心作用，我們選擇的是大腸桿菌16SrRNA的部分序列，它是大腸桿菌核糖體小亞基的重要組成部分。16SrRNA的長度約為1500個核苷酸，其二級結(jié)構(gòu)非常復(fù)雜，包含多個莖環(huán)結(jié)構(gòu)和內(nèi)部環(huán)，這些結(jié)構(gòu)元件通過堿基互補配對形成了復(fù)雜的網(wǎng)絡(luò)。在三級結(jié)構(gòu)上，16SrRNA通過與核糖體蛋白相互作用以及自身的堿基堆積、氫鍵等相互作用，形成了特定的三維構(gòu)象，為核糖體的組裝和蛋白質(zhì)合成提供了必要的結(jié)構(gòu)基礎(chǔ)。大腸桿菌16SrRNA在原核生物蛋白質(zhì)合成中具有重要的功能，其結(jié)構(gòu)和功能的研究對于理解原核生物的蛋白質(zhì)合成機制具有重要意義。四、案例分析4.2使用構(gòu)建的打分函數(shù)進行三級結(jié)構(gòu)預(yù)測4.2.1預(yù)測流程使用構(gòu)建的打分函數(shù)對所選RNA序列進行三級結(jié)構(gòu)預(yù)測的過程，是一個系統(tǒng)且嚴(yán)謹(jǐn)?shù)牧鞒?，涵蓋了多個關(guān)鍵步驟，每個步驟都對最終預(yù)測結(jié)果的準(zhǔn)確性起著重要作用。結(jié)構(gòu)模型生成是預(yù)測流程的首要環(huán)節(jié)。在這一步驟中，我們運用了多種先進的算法，如分子動力學(xué)模擬和蒙特卡羅模擬，這些算法基于分子力學(xué)和統(tǒng)計學(xué)原理，能夠模擬RNA分子在不同條件下的動態(tài)行為和構(gòu)象變化。分子動力學(xué)模擬通過求解牛頓運動方程，計算RNA分子中各個原子在力場作用下的運動軌跡，從而模擬RNA分子的折疊過程。在模擬過程中，考慮了原子間的各種相互作用，如共價鍵、氫鍵、范德華力和靜電相互作用等，以確保模擬結(jié)果的真實性和可靠性。蒙特卡羅模擬則是一種基于隨機抽樣的算法，它通過隨機改變RNA分子的構(gòu)象，并根據(jù)一定的接受準(zhǔn)則來決定是否接受新的構(gòu)象，從而在構(gòu)象空間中進行搜索，尋找能量較低的構(gòu)象。在實際應(yīng)用中，通常會結(jié)合使用這兩種算法，以充分利用它們的優(yōu)勢，提高結(jié)構(gòu)模型生成的效率和準(zhǔn)確性。在生成結(jié)構(gòu)模型后，便進入打分環(huán)節(jié)。我們利用構(gòu)建的基于多層神經(jīng)網(wǎng)絡(luò)的打分函數(shù)對這些模型進行評估。將結(jié)構(gòu)模型的特征向量輸入到多層神經(jīng)網(wǎng)絡(luò)中，通過神經(jīng)網(wǎng)絡(luò)的前向傳播過程，計算出每個結(jié)構(gòu)模型的得分。這些特征向量包含了豐富的RNA結(jié)構(gòu)信息，如序列信息、二級結(jié)構(gòu)特征、堿基對之間的距離和角度等，這些信息是打分函數(shù)判斷結(jié)構(gòu)合理性和穩(wěn)定性的重要依據(jù)。打分函數(shù)中的多層神經(jīng)網(wǎng)絡(luò)通過對大量已知RNA結(jié)構(gòu)數(shù)據(jù)的學(xué)習(xí)，已經(jīng)掌握了結(jié)構(gòu)特征與得分之間的映射關(guān)系，能夠準(zhǔn)確地對新的結(jié)構(gòu)模型進行評分。篩選是預(yù)測流程的最后一個關(guān)鍵步驟。根據(jù)打分結(jié)果，我們對結(jié)構(gòu)模型進行排序，篩選出得分較高的模型作為最終的預(yù)測結(jié)果。得分較高的模型通常具有較低的能量和較高的穩(wěn)定性，更接近真實的RNA三級結(jié)構(gòu)。為了進一步提高預(yù)測的準(zhǔn)確性，我們還可以設(shè)置一定的閾值，只有得分超過閾值的模型才被認(rèn)為是可靠的預(yù)測結(jié)果。在實際篩選過程中，還可以結(jié)合其他因素，如模型的結(jié)構(gòu)合理性、與已知結(jié)構(gòu)的相似性等，綜合判斷模型的優(yōu)劣。以miR-21的預(yù)測為例，在結(jié)構(gòu)模型生成階段，通過分子動力學(xué)模擬和蒙特卡羅模擬，生成了1000個不同的結(jié)構(gòu)模型。然后，利用打分函數(shù)對這些模型進行打分，計算出每個模型的得分。經(jīng)過篩選，選擇得分最高的前10個模型進行進一步分析。通過對這10個模型的結(jié)構(gòu)特征和得分進行比較，最終確定得分最高的模型作為miR-21的預(yù)測三級結(jié)構(gòu)。4.2.2預(yù)測結(jié)果展示通過預(yù)測得到的RNA三級結(jié)構(gòu)模型，我們采用了多種直觀且有效的方式進行展示，以便更清晰地呈現(xiàn)預(yù)測結(jié)果的特征和信息。圖形展示是最直觀的方式之一，我們利用專業(yè)的分子可視化軟件，如PyMOL、VMD等，對預(yù)測得到的RNA三級結(jié)構(gòu)進行三維可視化呈現(xiàn)。在PyMOL軟件中，我們可以將RNA分子的原子坐標(biāo)信息導(dǎo)入，通過設(shè)置不同的顯示模式和顏色方案，清晰地展示RNA的整體結(jié)構(gòu)、二級結(jié)構(gòu)元件（如莖環(huán)、發(fā)夾等