Python 利用深度学习从序列预测子序列
我的数据如下所示: 它可以查看,并已包含在下面的代码中。 事实上,我有大约7000个样品(行) 任务是给定抗原,预测相应的表位。 所以表位总是抗原的一个精确的亚链。这相当于 。下面是我在Keras下运行的递归神经网络代码。它是根据模型建立的 我的问题是:Python 利用深度学习从序列预测子序列,python,theano,deep-learning,keras,Python,Theano,Deep Learning,Keras,我的数据如下所示: 它可以查看,并已包含在下面的代码中。 事实上,我有大约7000个样品(行) 任务是给定抗原,预测相应的表位。 所以表位总是抗原的一个精确的亚链。这相当于 。下面是我在Keras下运行的递归神经网络代码。它是根据模型建立的 我的问题是: RNN、LSTM或GRU能否用于预测上述子序列 如何提高代码的准确性 如何修改代码以使其运行更快 这是我的运行代码,它给出了非常差的准确度分数 #!/usr/bin/env python # -*- coding: utf-8 -*- fro
#!/usr/bin/env python
# -*- coding: utf-8 -*-
from __future__ import print_function
import sys
import json
import pandas as pd
from keras.models import Sequential
from keras.engine.training import slice_X
from keras.layers.core import Activation, RepeatVector, Dense
from keras.layers import recurrent, TimeDistributed
import numpy as np
from six.moves import range
class CharacterTable(object):
'''
Given a set of characters:
+ Encode them to a one hot integer representation
+ Decode the one hot integer representation to their character output
+ Decode a vector of probabilties to their character output
'''
def __init__(self, chars, maxlen):
self.chars = sorted(set(chars))
self.char_indices = dict((c, i) for i, c in enumerate(self.chars))
self.indices_char = dict((i, c) for i, c in enumerate(self.chars))
self.maxlen = maxlen
def encode(self, C, maxlen=None):
maxlen = maxlen if maxlen else self.maxlen
X = np.zeros((maxlen, len(self.chars)))
for i, c in enumerate(C):
X[i, self.char_indices[c]] = 1
return X
def decode(self, X, calc_argmax=True):
if calc_argmax:
X = X.argmax(axis=-1)
return ''.join(self.indices_char[x] for x in X)
class colors:
ok = '\033[92m'
fail = '\033[91m'
close = '\033[0m'
INVERT = True
HIDDEN_SIZE = 128
BATCH_SIZE = 64
LAYERS = 3
# Try replacing GRU, or SimpleRNN
RNN = recurrent.LSTM
def main():
"""
Epitope_core = answers
Antigen = questions
"""
epi_antigen_df = pd.io.parsers.read_table("http://dpaste.com/2PZ9WH6.txt")
antigens = epi_antigen_df["Antigen"].tolist()
epitopes = epi_antigen_df["Epitope Core"].tolist()
if INVERT:
antigens = [ x[::-1] for x in antigens]
allchars = "".join(antigens+epitopes)
allchars = list(set(allchars))
aa_chars = "".join(allchars)
sys.stderr.write(aa_chars + "\n")
max_antigen_len = len(max(antigens, key=len))
max_epitope_len = len(max(epitopes, key=len))
X = np.zeros((len(antigens),max_antigen_len, len(aa_chars)),dtype=np.bool)
y = np.zeros((len(epitopes),max_epitope_len, len(aa_chars)),dtype=np.bool)
ctable = CharacterTable(aa_chars, max_antigen_len)
sys.stderr.write("Begin vectorization\n")
for i, antigen in enumerate(antigens):
X[i] = ctable.encode(antigen, maxlen=max_antigen_len)
for i, epitope in enumerate(epitopes):
y[i] = ctable.encode(epitope, maxlen=max_epitope_len)
# Shuffle (X, y) in unison as the later parts of X will almost all be larger digits
indices = np.arange(len(y))
np.random.shuffle(indices)
X = X[indices]
y = y[indices]
# Explicitly set apart 10% for validation data that we never train over
split_at = len(X) - len(X) / 10
(X_train, X_val) = (slice_X(X, 0, split_at), slice_X(X, split_at))
(y_train, y_val) = (y[:split_at], y[split_at:])
sys.stderr.write("Build model\n")
model = Sequential()
# "Encode" the input sequence using an RNN, producing an output of HIDDEN_SIZE
# note: in a situation where your input sequences have a variable length,
# use input_shape=(None, nb_feature).
model.add(RNN(HIDDEN_SIZE, input_shape=(max_antigen_len, len(aa_chars))))
# For the decoder's input, we repeat the encoded input for each time step
model.add(RepeatVector(max_epitope_len))
# The decoder RNN could be multiple layers stacked or a single layer
for _ in range(LAYERS):
model.add(RNN(HIDDEN_SIZE, return_sequences=True))
# For each of step of the output sequence, decide which character should be chosen
model.add(TimeDistributed(Dense(len(aa_chars))))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'])
# Train the model each generation and show predictions against the validation dataset
for iteration in range(1, 200):
print()
print('-' * 50)
print('Iteration', iteration)
model.fit(X_train, y_train, batch_size=BATCH_SIZE, nb_epoch=5,
validation_data=(X_val, y_val))
###
# Select 10 samples from the validation set at random so we can visualize errors
for i in range(10):
ind = np.random.randint(0, len(X_val))
rowX, rowy = X_val[np.array([ind])], y_val[np.array([ind])]
preds = model.predict_classes(rowX, verbose=0)
q = ctable.decode(rowX[0])
correct = ctable.decode(rowy[0])
guess = ctable.decode(preds[0], calc_argmax=False)
# print('Q', q[::-1] if INVERT else q)
print('T', correct)
print(colors.ok + '☑' + colors.close if correct == guess else colors.fail + '☒' + colors.close, guess)
print('---')
if __name__ == '__main__':
main()
- 学习率太低(这不是问题,因为您使用的是Adam,一种每参数自适应学习率算法)
- 模型对于数据来说太简单(根本不是问题,因为您有一个非常复杂的模型和一个小的数据集)
- 您有消失的渐变(可能是因为您有一个3层RNN)。试着把层数减少到1(一般来说,从一个简单的模型开始工作,然后增加复杂性)是很好的,并且还考虑超参数搜索(例如128维隐藏状态可能太大-尝试30?)
如果您对合作感兴趣,请随时向我发送电子邮件(我个人资料中的地址)。该地址必须是抗原的精确子字符串,还是允许模糊匹配?这是个好问题!1.看起来抗原表位从来都不是抗原的精确子串?2.在这项任务中使用序列对序列学习是非常好的,但我的直觉是7000个示例太少了。3.你是如何处理表位的可变长度的?原始示例中填充了空格。4.你试过超参数搜索吗?5.模型是过拟合还是欠拟合(即,训练误差是好的,验证误差是坏的,还是两者都坏)?6.在运行时方面,代码中的瓶颈是什么?7.指向数据集的链接已断开。@1'':1。总是准确的。3.按原样对待可变长度。5.都不好。6.约7000个样本时,约20分钟/历元。7.链接已更新。我还包括了。如果匹配是准确的,字典搜索就足够了。这正是fgrep所做的:构建一个DFA,识别要在任何草堆中搜索的针的集合。预期的复杂度约为O log(M)*NK,其中M*为模式的典型大小(示例中约为15),N为干草堆的大小,K:=干草堆的数量。@无论如何,您可以尝试GRU而不是LSTM来加速,这可能会减少您遇到的不适。你能澄清一下“按原样对待可变长度”吗?我同意你应该尝试模拟两个切割点(表位的起始点和结束点)。您观察到的选择性是蛋白水解酶的选择性(以及它们的控制方式)@“1:您能否具体说明第2部分。两项任务的分类问题?示例代码?@”1:谢谢。但是
X_列,y_列
和X_测试,y_测试
看起来是什么样子?@neversaintX
和以前一样,但是y
是一个7000 X 2的矩阵。例如,y\u train[0]
可能是[0.3,0.7]
@neversaint这能回答你的问题吗?还有什么我可以澄清的吗?