siRNA设计课程

3.1 训练数据的制备

• 数据来源： siRNA数据库（如siRecords、siRNAdb）
• 数据预处理： 序列提取、特征表示（如GC含量、二级结构）
• 数据增强： 序列变异、合成数据

3.2 模型结构的设计

• 常用模型： 深度神经网络（DNN）、递归神经网络（RNN）、集成学习方法
• 具体实现：
  • 如何利用DNN进行高维特征学习
  • RNN处理序列信息

3.3 目标函数的设定

• 常用目标函数： 二分类交叉熵、均方误差（MSE）
• 具体场景：
  • 分类任务（如siRNA有效性预测）
  • 回归任务（如靶标敲除效率预测）

3.4 评估体系的构建

• 评估指标： 准确率、精确率、召回率、F1-score、AUC
• 验证方法： 交叉验证、独立验证集评估
• 实验分析： 模型性能对比，特征重要性分析