面向认知表现预测的时-空共变混合深度学习模型

认知表现预测已经成为当前大脑研究的重要课题.功能磁共振成像技术由于同时具有较好的时间和空间分辨率,有潜力为认知表现预测提供数据支持.为了解决基于功能磁共振成像数据对认知表现进行预测时大脑所具有的时-空共变难刻画问题,提出了一种新型基于大脑学习机制的时-空共变混合深度学习模型,即深度稀疏自编码器与循环全连接网络混合模型,以混合神经网络模型的损失函数误差作为认知表现预测能力的评价标准.在人类连接组项目数据集上的实验结果表明,提出的时-空共变混合模型能够有效和稳健地预测认知表现,并提取到与人脑学习、记忆相关的有意义的脑影像特征,从而为认知表现预测提供技术支持.

一种快速比对非编码RNA序列-结构的算法

针对目前基于共变模型的非编码RNA序列搜索软件计算效率低的缺点,对非编码RNA家族的成员序列与家族共变模型的比对结果进行了分析.在传统共变模型中加入了RNA二级结构中结构单元的长度分布信息,设计了一种结构单元的长度限制算法,并根据各个结构单元的长度分布对家族中的序列在进化过程中出现插入和删除的次数进行了限定,从而显著降低了序列结构比对的计算时间.应用C++编写程序实现该方法并对非编码RNA进行搜索.测试结果表明,与基于传统共变模型的搜索方法相比,本方法在不影响搜索精度的同时,能够显著减少序列结构比对所需的计算时间.特别是对于包含大量核苷酸的序列,计算速度的提高更加明显,在对Lin-4家族搜索时,可获得90.76倍的加速效果.