简介基于序列的miRNA与gene关系预测是机器学习课程设计的典型课题这份资源包提供了从数据到模型再到说明文档的完整实现面向计算机相关专业学生、教师和开发者既可支撑课程设计、毕业设计答辩也适合初学者参照实践。压缩包内共11个文件核心为5个csv数据集、3个py脚本、1个m脚本、1个zip数据包和1份md说明总大小15.75MBcsv覆盖训练集、测试集、miRNA序列、基因序列等py与m脚本用于随机森林等模型实现zip内是超过25MB的原始数据。代码均运行测试通过作者课设答辩平均分94.5分两版底层实现中第一版理解尚不透彻第二版使用库中决策树完成基本预测但精度仍有提升空间适合在此基础上进行参数调优或算法扩展。当前已有220人浏览/学习是机器学习、数据分析乃至生物信息学方向值得参考的完整课设方案。1. 基于序列的 miRNA-基因关系预测机器学习课程设计里的一条完整闭环基于序列的 miRNA 和基因关系预测是机器学习课程设计里少见的能把数据集、特征、模型、交付全链路跑通的方向。核心问题很具体给一段 miRNA 成熟序列和一段基因的 3UTR 序列判断这对序列之间是否存在靶向调控关系并输出一个可量化的概率。这份资源把整条链路都封装好了——训练集、测试集、特征提取脚本、训练代码、训练好的模型权重、评估脚本。适合正在找机器学习课程设计或毕业设计题目的同学以及想进生物信息学方向但不想从数据库清洗开始折腾的新手。下面按拆包复现的顺序展开先看数据和预处理再讲特征工程然后是模型训练最后把几个坑单独列一节。2. 数据集结构与预处理正负样本怎么构造、序列怎么清洗2.1 正样本与负样本为什么随机配对是第一个坑解开 zip 后dataset 目录下一般是三到四个 csv 文件。以这类课程设计包最常见的组织方式为例文件内容规模参考dataset/train_pos.csv正样本已实验验证存在调控关系的 miRNA-基因对数千条dataset/train_neg.csv负样本无已知调控关系的配对与正样本等量dataset/test_pairs.csv待预测样本只有序列对没有标签数百条每一条记录的核心列是 mirna_seq 和 gene_seq。mirna_seq 是 miRNA 成熟序列长度一般在 18 到 24 个碱基gene_seq 是基因 3UTR 区域的序列长度从几百到几千碱基不等。正样本大多整理自 miRTarBase 这类实验验证数据库常见做法是把有过实验证据的 miRNA-靶基因关系直接导出为正例负样本则需要自己构造这一步是整个数据准备里最容易被低估的环节。我拆过不少同类课程设计发现一个普遍问题负样本直接随机配对——随机挑一个没有验证关系的 miRNA 和基因拼在一起就算负例。这样做的后果非常隐蔽模型训练时五折交叉验证 AUC 可能飙到 0.97看起来成绩很好但一放到新数据上就崩。原因在于随机配对让正负样本的序列分布差异过大模型学到的是这段序列像不像基因片段而不是这对序列有没有调控关系本质上是任务泄漏。听起来有点玄学但只要你对比过正负样本的 k-mer 分布一眼就能看出来。合格的负样本构造常见做法是让负样本的基因序列来自与正样本同源的基因池并控制两类样本的 GC 含量和长度分布尽量接近更严格一点可以用数据库里只有预测证据、没有实验验证的配对当难负样本。这份资源里如果提供的是随机负样本你要做的第一件事不是训练而是先检查分布。提示拿到任何序列预测项目的第一个动作都是先打印正负样本的 GC 含量和长度分布而不是直接跑训练。2.2 序列清洗与长度控制T 转 U、非法字符过滤、截断策略拿到原始 csv 之后第一步是清洗。miRNA 和基因序列来自不同数据库时碱基表示方式不统一有的是 DNA 序列用 T有的是 RNA 序列用 U有的带小写字母有的混进了 N 和空格。如果不统一后续 k-mer 统计会直接产生 NaN。我一般会先跑一段基础清洗脚本# preprocess.py import pandas as pd def clean_sequence(seq): 统一碱基字符集转大写、T 转 U、删除非法字符 seq str(seq).strip().upper().replace(T, U) seq .join(c for c in seq if c in ACGU) return seq def normalize_utr(seq, window1000): 3UTR 截取前 1000 个碱基不足 50 则丢弃 seq clean_sequence(seq) if len(seq) 50: return None return seq[:window] df pd.read_csv(dataset/train_pos.csv) df[mirna_seq] df[mirna_seq].apply(clean_sequence) df[gene_seq] df[gene_seq].apply(normalize_utr) df df.dropna(subset[gene_seq]) print(f清洗后剩余 {len(df)} 条)逻辑说明clean_sequence 做三件事——去掉首尾空格、统一大写、把 DNA 的 T 改成 RNA 的 U。normalize_utr 做两件事——过滤掉长度不足 50 的基因序列太短没法提取有意义的特征以及把 3UTR 截断到前 1000 个碱基。截断不是随便选的miRNA 结合位点虽然在理论上可以出现在 UTR 任意位置但大量研究里靠近 5 端的区域信号更稳定截断到 1000 可以覆盖大多数已知结合位点同时把特征计算量压下来。参数说明window 设为 1000 是折中值。设 2000 能覆盖更多结合位点但 k-mer 频率特征是整段统计长度翻倍对维度没有影响只影响统计稳定性和计算时间设 500 会更快但如果你的测试集里有结合位点靠后的基因可能漏信号。我见过有人把整条 UTR 不截断就送进模型样本量只有几千时这会让 k-mer 频率被长序列稀释效果反而不如统一截断。清洗完建议做一次分布自检把正负样本分开打印统计量# check_distribution.py def gc_ratio(seq): GC 含量正负样本分布校验的第一步 return (seq.count(G) seq.count(C)) / len(seq) pos_df pd.read_csv(dataset/train_pos.csv) neg_df pd.read_csv(dataset/train_neg.csv) print(正样本 gene GC 均值: %.3f % pos_df[gene_seq].apply(gc_ratio).mean()) print(负样本 gene GC 均值: %.3f % neg_df[gene_seq].apply(gc_ratio).mean()) print(正样本 gene 长度均值: %.1f % pos_df[gene_seq].str.len().mean()) print(负样本 gene 长度均值: %.1f % neg_df[gene_seq].str.len().mean())逻辑说明正负样本的 GC 含量和长度是两个最基础的分布指标。如果负样本是随机配对生成的这两个指标往往和正样本差异明显——比如正样本基因平均长度 1200负样本平均长度 800模型很容易靠长度就把两类分开。这两项分布接近才说明负样本构造是合格的。参数说明这里的 GC 比例只统计 G 和 CN 会被算进分母但不进分子所以如果某条序列 N 特别多它的 GC 值会被低估。严格一点可以先调 clean_sequence 过滤 N 再做统计但用于初步自检这个粗糙版本已经够用。这一步不在课程设计评分项里但它决定后面所有结果是否可信。3. 特征工程从序列到 84 维特征向量的提取与标准化3.1 k-mer 频率特征把碱基序列变成计数向量序列本身是字符串机器学习模型不认字符串第一步是把它变成定长数值向量。最常用的序列特征是 k-mer 频率统计一段序列里所有长度为 k 的相邻子串的出现次数并归一化。k2 时有 16 种二核苷酸k3 时有 64 种三核苷酸维度都不高。# feature_extract.py import numpy as np from itertools import product def kmer_features(seq, k3): 计算序列的 k-mer 频率向量输出长度为 4**k bases ACGU kmers [.join(p) for p in product(bases, repeatk)] kmer_dict {kmer: 0 for kmer in kmers} if len(seq) k: return np.zeros(len(kmers)) # 长度不足时返回全零向量 for i in range(len(seq) - k 1): sub seq[i:i k] if set(sub).issubset(bases): # 跳过含 N 的窗口 kmer_dict[sub] 1 total sum(kmer_dict.values()) 1e-6 # 平滑项避免除零 return np.array([kmer_dict[kmer] / total for kmer in kmers])逻辑说明先枚举 ACGU 的全部 4^k 种 k-mer 组合作为固定字典保证不同样本输出同一长度的向量然后滑窗统计每个 k-mer 出现次数除以总数得到频率。set(sub).issubset(bases) 是关键——清洗后序列里如果还残留 N含 N 的窗口直接跳过不让它污染字典计数。total 加 1e-6 是防止极端情况除零这个细节不处理后面特征矩阵里就会冒出 NaN。参数说明k 的选择直接决定特征维度这份资源里常见的做法是 miRNA 取 k364 维、基因序列取 k216 维合计 80 维。k4 对基因序列来说就是 256 维样本量只有几千时维度增长快、稀疏度高随机森林能扛但效果提升有限k1 只有 4 维信息量明显不够。经验值是 miRNA 序列短20 个碱基左右k2 到 k3 的正向收益最明显再往上序列太短、统计不稳定。3.2 种子区互补与 GC 特征把生物先验揉进模型输入k-mer 特征是纯序列统计它学不到 miRNA 靶向识别的核心机制。miRNA 靶向关系里最重要的先验是种子区互补——miRNA 5 端第 2 到第 8 位种子区与靶基因 UTR 的互补配对程度是决定调控关系强弱的第一信号。把种子区匹配分数作为显式特征加进去能显著拉高模型上限这是这类序列预测任务区别于普通文本分类的关键。def seed_match_score(mirna, utr, seed_len7): 计算 miRNA 种子区(第2-8位)与 UTR 的最高互补匹配比例 if len(mirna) seed_len 1 or len(utr) seed_len: return 0.0 seed mirna[1:1 seed_len] # 取第2到第8位 comp {A: U, U: A, G: C, C: G} # RNA 互补规则 best 0.0 for i in range(min(len(utr) - seed_len 1, 300)): # 前300碱基滑窗 window utr[i:i seed_len] match sum(1 for a, b in zip(seed, window) if comp[a] b) best max(best, match / seed_len) return best def gc_content(seq): GC 含量既当特征也做分布自检 if len(seq) 0: return 0.0 return (seq.count(G) seq.count(C)) / len(seq)逻辑说明seed_match_score 取 miRNA 第 2 到第 8 位作种子在 UTR 前 300 个碱基内逐窗口比对互补配对返回最高匹配比例。300 的滑窗范围是实用取法——完整 UTR 可能几千碱基全扫计算量不大但收益递减种子区结合位点高度集中在前几百碱基的结论在多数数据库统计里都成立。互补用字典 comp 表达A-U、U-A、G-C、C-G 是 RNA 配对的唯一合法组合。参数说明seed_len 默认 7对应经典种子区定义。有些工作把第 1 位和第 9 位也纳入做成扩展种子区第 1-9 位作为第二个特征如果这份资源只提取了标准种子区建议自己补一个扩展版本拼在后面通常能让 AUC 再涨一到两个点。gc_content 本身区分度不高但它在负样本分布校验时是个快速诊断指标保留成本低。3.3 特征拼接与标准化维度、数值范围与复现性把上面的特征组装成一个样本向量维度组成如下特征组维度说明miRNA k3 频率64三核苷酸频率基因 UTR k2 频率16二核苷酸频率标准种子区匹配分1第 2-8 位0 到 1扩展种子区匹配分1第 1-9 位可选项miRNA GC 含量10 到 1基因 GC 含量10 到 1合计83 / 84取决于是否加扩展种子区# build_dataset.py import numpy as np from sklearn.preprocessing import StandardScaler def build_feature_vector(mirna, utr, use_extended_seedTrue): feats [] feats.extend(kmer_features(mirna, 3)) # 64 维 feats.extend(kmer_features(utr, 2)) # 16 维 feats.append(seed_match_score(mirna, utr)) # 1 维 if use_extended_seed: feats.append(seed_match_score(mirna, utr, seed_len9)) # 1 维 feats.append(gc_content(mirna)) # 1 维 feats.append(gc_content(utr)) # 1 维 return np.array(feats, dtypenp.float32) X np.array([build_feature_vector(r[mirna_seq], r[gene_seq]) for _, r in df.iterrows()]) scaler StandardScaler() X_scaled scaler.fit_transform(X) np.save(features.npy, X_scaled) np.save(labels.npy, df[label].values)逻辑说明按固定顺序拼接所有特征再统一用 StandardScaler 标准化。特征顺序本身不重要但必须固定——训练和预测用同一套顺序否则模型读入的维度含义就错位了。StandardScaler 把每个特征拉成均值 0、方差 1对随机森林这种树模型理论上不是必需的但后面换成 SVM 或逻辑回归时不标准化会直接导致收敛慢和特征权重失衡。参数说明dtypenp.float32 是刻意选的——5000 条样本 84 维只占 1.6MB但如果特征维度放大到几百、样本放大到几万float64 和 float32 的内存差距就很明显float32 训练的随机森林也更快。scaler 保存这一步非常重要第 6 章预测新样本时要用训练时 fit 好的 scaler 去 transform 新数据而不是重新 fit这一点第 5 章的坑里还会专门讲。注意严格来说 scaler 应该在训练折内 fit、测试折内只 transform避免数据泄漏。随机森林对尺度不敏感课程设计里全量 fit 影响很小但报告里最好写明你用的是哪种方式。4. 模型训练与评估随机森林基线、五折交叉验证与 AUC 解读4.1 为什么课程设计首选随机森林而不是 SVM 或深度网络这类资源的模型选型常见配置是随机森林做基线、XGBoost 做进阶对比。选随机森林不是因为它最先进而是它在当前场景下性价比最高。先看数据形态几千条样本、84 维特征、正负样本基本平衡这是典型的小样本表格数据问题。随机森林对这类数据有三点天然优势。第一它对特征尺度不敏感。k-mer 频率有的接近 0.01种子区分数在 0 到 1 之间树模型按分裂点找阈值不需要特征在同一量纲。第二内置特征重要性。写报告解释哪些特征对预测贡献最大时直接从 model.feature_importances_ 拿省去单独做 permutation importance 的功夫。第三对特征间非线性交互的拟合能力强。miRNA 靶向预测里 k-mer 特征和种子区特征本身就有交互效应线性模型很难表达。相比之下SVM 在几千样本、80 多维特征上效果通常也不错但调参成本高——核函数、C、gamma 三个参数牵一发动全身而且不提供天然的特征重要性解释答辩时讲不清哪个特征起作用。XGBoost 精度上限更高、训练更快但对新手不友好正则参数一多就容易过拟合或训练时间失控。深度序列模型CNN 直接吃 one-hot 序列是这个方向的前沿做法但课程设计的数据量撑不起深度模型而且调参和训练时间会拖垮整个项目周期。我的习惯是先用随机森林把流程跑通、把指标基线立住再换 XGBoost 做对比报告里两张 AUC 表一放说服力直接拉满。4.2 训练脚本与参数随机森林和 XGBoost 的对比怎么搭# train_model.py import numpy as np from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import StratifiedKFold from sklearn.metrics import roc_auc_score X np.load(features.npy) y np.load(labels.npy) skf StratifiedKFold(n_splits5, shuffleTrue, random_state42) auc_scores, models [], [] for fold, (train_idx, test_idx) in enumerate(skf.split(X, y), 1): clf RandomForestClassifier( n_estimators500, max_depthNone, min_samples_leaf1, min_samples_split2, n_jobs-1, random_state42 ) clf.fit(X[train_idx], y[train_idx]) pred clf.predict_proba(X[test_idx])[:, 1] auc roc_auc_score(y[test_idx], pred) auc_scores.append(auc) models.append(clf) print(ffold {fold}: AUC {auc:.4f}) print(fmean AUC {np.mean(auc_scores):.4f} (± {np.std(auc_scores):.4f}))逻辑说明StratifiedKFold 做五折保证每一折里正负样本比例与全局一致这是分类任务的标准做法。每折都训一个新模型记录 AUC最后输出均值。models 列表把五折模型都留着最后预测新样本时取五折概率的平均比单模型稳定。参数说明n_estimators500 在这个规模下足够往上加到 1000 时间成本翻倍但 AUC 增益通常低于 0.005max_depthNone 让树完全生长靠 min_samples_leaf 控制过拟合这是随机森林比较稳的默认组合min_samples_leaf1 适合几千样本如果样本量只有几百可以调到 3 到 5 压方差。random_state 固定 42保证每次跑结果可复现课程设计报告里必须写清楚这一点。n_jobs-1 是用满所有 CPU 核心单机跑 500 棵树、几千样本通常一分钟内结束。如果这份包里给了 XGBoost 对比代码核心参数大概是这样的# train_xgb.py (对比实验) import xgboost as xgb xgb_model xgb.XGBClassifier( n_estimators500, max_depth6, learning_rate0.05, subsample0.8, colsample_bytree0.8, eval_metricauc, random_state42 )参数说明learning_rate 降到 0.05 时 n_estimators 要同步增大这是 XGBoost 的经典搭配subsample 和 colsample_bytree 都设 0.8给每棵树随机抽样本和特征抑制过拟合。对比实验的正确写法是让随机森林和 XGBoost 走同一个交叉验证流程、同一份数据只换模型对象这样报告里的对比才站得住。如果你的环境没装 xgboostpip install xgboost 装完再跑不影响其他脚本。4.3 指标不止 AUC正负样本不平衡时还要看 PR-AUC课程设计报告里最常见的指标组合是准确率、精确率、召回率、F1、AUC但有一个容易被忽略的点准确率在正负样本平衡时没有区分度随机猜是 50%而 AUC 只看排序质量、不看绝对概率。如果负样本构造得过于简单AUC 会虚高到接近 1这时真正有价值的是 PR-AUC精确率-召回率曲线下面积因为它直接衡量把正类排在前面的能力对负样本质量更敏感。我拿到这类资源后的习惯是训练脚本里同时输出 ROC-AUC 和 PR-AUCfrom sklearn.metrics import average_precision_score aps [] for fold, (train_idx, test_idx) in enumerate(skf.split(X, y), 1): clf.fit(X[train_idx], y[train_idx]) pred clf.predict_proba(X[test_idx])[:, 1] aps.append(average_precision_score(y[test_idx], pred)) print(fmean PR-AUC {np.mean(aps):.4f}) # 特征重要性写报告时直接引用取五折平均 importance np.mean([m.feature_importances_ for m in models], axis0) top_idx np.argsort(importance)[::-1][:5] print(top5 特征索引:, top_idx)逻辑说明average_precision_score 就是 PR-AUC值越高说明模型在正样本相对稀少的情况下仍能把正类排在前面。特征重要性取五折模型的平均比单折结果稳写进报告时说基于五折交叉验证平均的特征重要性排序审阅人无可挑剔。参数说明正负样本 1:1 时PR-AUC 的随机基线是 0.5这个项目的正常水平能跑到 0.7 到 0.9如果负样本改成 1:10 的不平衡构造PR-AUC 随机基线降到 0.09AUC 可能没怎么变但 PR-AUC 明显下降。这两个指标一起看才能判断模型到底是在学规律还是捡了负样本构造的便宜。5. 避坑与排查五个让模型分数虚高的真实翻车现场序列预测任务表面流程不复杂但每一步都有隐蔽的坑越隐蔽的坑越容易在答辩时被问穿。以下五条都是实际出现过的翻车场景按现象 → 原因 → 解决整理。5.1 AUC 虚高到 0.98换一组数据立刻崩到 0.7现象训练集五折交叉验证 AUC 高达 0.98自己采集了一组新的 miRNA-基因对放进模型AUC 直接掉到 0.7 左右。原因负样本是随机配对生成的正负样本的序列分布差异远远大于是否存在调控关系的真实信号模型实际上在学这是不是一条基因片段属于数据泄漏。解决重构负样本从与正样本相同的基因池里随机抽基因拼上无关 miRNA再控制 GC 含量和长度分布让正负样本在序列统计层面不可分、只有靶向关系可分。判断方法很直接训练前先算正负样本各自的平均 GC 和平均长度如果差异超过几个百分点负样本基本有问题。5.2 特征矩阵出现 NaN训练时 sklearn 直接报错现象跑 kmer_features 时部分样本的特征向量出现 NaNRandomForest 的输入检查直接抛错脚本中断。原因k-mer 统计时遇到含 N 的窗口或者序列长度小于 ktotal 为 0 导致除零另一个来源是 csv 里的空值没有 dropna空字符串传给 clean_sequence 后变成空序列。解决在 kmer_features 里对含 N 的窗口跳过并给 total 加 1e-6 平滑数据加载后统一执行 dropna。排查顺序是先检查原始序列的字符集合再检查 kmer_features 的返回值长度是否都是 4**k最后用 np.isnan(X).sum() 全矩阵扫一遍不要等模型报错才回头找。5.3 随机划分交叉验证正常按 miRNA 分组后明显下降现象随机打乱划分的五折交叉验证 AUC 有 0.92改成按 miRNA 分组每个 miRNA 的所有样本只进训练集或只进测试集后掉到 0.83。原因同一个 miRNA 的多个靶基因对同时出现在训练集和测试集模型在训练时见过这个 miRNA 的 k-mer 特征测试等于开卷考试。miRNA-基因关系预测这类任务的正确评估方式是按 miRNA 分组做 GroupKFold。解决用 sklearn 的 GroupKFoldgroups 传每行样本对应的 miRNA 成熟序列再对比两种划分方式的 AUC 差异——差异越大说明样本泄漏越严重。答辩时主动把这个对比讲出来反而是加分项说明你理解评估方式对结果的影响。5.4 one-hot 编码全序列16G 内存被吃满现象训练脚本跑起来后内存占用一路涨到 15G 以上机器直接卡死只能强杀进程。原因有人把 miRNA 和 3UTR 全序列做 one-hot 编码再拉平一条 1000nt 的 UTR 就是 4000 维5000 条样本就是几千万维的稠密矩阵内存撑爆。解决改用 k-mer 频率特征84 维就够如果一定要保留位置信息用截断窗口加计数特征而不是 one-hot 全序列。这条也提醒报告里的一个写作逻辑特征选型不只看精度还要写清楚计算代价和可复现性——我用 k-mer 频率替代 one-hot维度从几千万降到 84训练时间从小时级降到分钟级这句话比堆指标有说服力。5.5 预测全新 miRNA 时概率普遍偏低现象训练集指标很好但喂一个全新 miRNA 序列模型输出分数普遍在 0.1 到 0.3 之间没有一条超过 0.5。原因训练集里的 miRNA 种类覆盖有限新 miRNA 的 k-mer 分布不在训练分布内模型概率天然偏向 0。另一个常见原因是预测脚本里对特征重新做了 StandardScaler 拟合而不是使用训练时保存的 scaler导致特征数值范围错位。解决训练完成后用 joblib 把模型和 scaler 一起保存预测时只做 transform 不做 fit同时检查新 miRNA 与训练集 miRNA 的序列相似度如果最高相似度都低于 60%说明这个样本超出模型适用边界输出结果要标注低置信度而不是直接当成结论。6. 进阶把模型接到新 miRNA 上输出一份可交付的预测报告训练链路打通之后最后一步是工程交付怎么把训练好的模型用到一个真正没见过的 miRNA 上输出一份别人能直接看懂的预测结果。很多同学做到模型训练完就停了实际上资源包里的 predict.py 才是决定这个项目能不能落地的部分。6.1 模型持久化与预测脚本的标准写法训练完成后除了 features.npy、labels.npy还要把五折模型、scaler 和特征顺序一起持久化# save_model.py import joblib joblib.dump({ models: [m for m in models], # 第4章训练循环里收集的五折模型 scaler: scaler, # 第3章 fit 好的 StandardScaler feature_order: [mirna_k3, utr_k2, seed7, seed9, gc_mirna, gc_utr] }, model/miRNA_target_predictor.joblib) # predict.py 中的加载与预测 import joblib import numpy as np bundle joblib.load(model/miRNA_target_predictor.joblib) models, scaler bundle[models], bundle[scaler] def predict_pair(mirna_seq, gene_seq): mirna_seq clean_sequence(mirna_seq) # 复用训练时的清洗函数 gene_seq normalize_utr(gene_seq) # 同样截断到 1000 if gene_seq is None: return {score: None, warning: gene_seq too short} feat build_feature_vector(mirna_seq, gene_seq) feat_scaled scaler.transform(feat.reshape(1, -1)) # 只 transform不 fit probs np.mean([m.predict_proba(feat_scaled)[:, 1] for m in models], axis0) return {score: float(probs), warning: None}逻辑说明joblib 保存的是模型对象和 scaler 对象的打包字典里的 feature_order 是给排查用的——新样本维度对不上时直接拿这个列表比对。预测函数里最关键的是 clean_sequence、normalize_utr、build_feature_vector 全部复用训练脚本里的同一套函数新数据清洗、截断、提特征的参数和训练时完全一致。这一步是整个边界的核心任何一步不一致预测结果就不可信。参数说明五折平均是把五个模型对同一个样本的概率取均值比单模型稳定。输出带 warning 字段基因太短或特征异常时返回提示而不是抛异常批量预测几百个候选对时不会被一条脏数据中断整个流程。6.2 交付前固定执行的三个检查拿到几百个待预测样本时直接对 DataFrame 批量调用 predict_pair输出分数和警告列再把结果写进 csv就是一份可提交的预测报告。我自己的习惯是每次交付前强制走一遍三个检查第一用训练集前 50 条样本重跑预测比对预测分数与训练时五折输出的一致性验证保存和加载链路没断第二随机挑 5 条正样本、5 条负样本人工核对种子区匹配分是否和序列本身逻辑吻合——种子区完全互补的样本分数应该显著偏高这一步能快速暴露特征顺序错位的问题第三报告里同时贴 ROC-AUC 和 PR-AUC并注明负样本构造方式防止审阅人质疑数据可靠性。这三步走完模型才敢说能交付。这套流程跑通之后你会发现序列预测项目的骨架其实是通用的数据清洗、特征提取、交叉验证、模型持久化、新样本预测换一个物种、换一种小 RNA 都还是这套打法。资源包里的源码、数据集和模型权重覆盖了八成以上的工作剩下两成是你根据自己数据去调整负样本和特征参数的地方。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/10 1:35:44 · 阅读 1.2k 基于序列的miRNA-基因关系预测：机器学习课程设计全流程解析
简介基于序列的miRNA与gene关系预测是机器学习课程设计的典型课题这份资源包提供了从数据到模型再到说明文档的完整实现面向计算机相关专业学生、教师和开发者既可支撑课程设计、毕业设计答辩也适合初学者参照实践。压缩包内共11个文件核心为5个csv数据集、3个py脚本、1个m脚本、1个zip数据包和1份md说明总大小15.75MBcsv覆盖训练集、测试集、miRNA序列、基因序列等py与m脚本用于随机森林等模型实现zip内是超过25MB的原始数据。代码均运行测试通过作者课设答辩平均分94.5分两版底层实现中第一版理解尚不透彻第二版使用库中决策树完成基本预测但精度仍有提升空间适合在此基础上进行参数调优或算法扩展。当前已有220人浏览/学习是机器学习、数据分析乃至生物信息学方向值得参考的完整课设方案。1. 基于序列的 miRNA-基因关系预测机器学习课程设计里的一条完整闭环基于序列的 miRNA 和基因关系预测是机器学习课程设计里少见的能把数据集、特征、模型、交付全链路跑通的方向。核心问题很具体给一段 miRNA 成熟序列和一段基因的 3UTR 序列判断这对序列之间是否存在靶向调控关系并输出一个可量化的概率。这份资源把整条链路都封装好了——训练集、测试集、特征提取脚本、训练代码、训练好的模型权重、评估脚本。适合正在找机器学习课程设计或毕业设计题目的同学以及想进生物信息学方向但不想从数据库清洗开始折腾的新手。下面按拆包复现的顺序展开先看数据和预处理再讲特征工程然后是模型训练最后把几个坑单独列一节。2. 数据集结构与预处理正负样本怎么构造、序列怎么清洗2.1 正样本与负样本为什么随机配对是第一个坑解开 zip 后dataset 目录下一般是三到四个 csv 文件。以这类课程设计包最常见的组织方式为例文件内容规模参考dataset/train_pos.csv正样本已实验验证存在调控关系的 miRNA-基因对数千条dataset/train_neg.csv负样本无已知调控关系的配对与正样本等量dataset/test_pairs.csv待预测样本只有序列对没有标签数百条每一条记录的核心列是 mirna_seq 和 gene_seq。mirna_seq 是 miRNA 成熟序列长度一般在 18 到 24 个碱基gene_seq 是基因 3UTR 区域的序列长度从几百到几千碱基不等。正样本大多整理自 miRTarBase 这类实验验证数据库常见做法是把有过实验证据的 miRNA-靶基因关系直接导出为正例负样本则需要自己构造这一步是整个数据准备里最容易被低估的环节。我拆过不少同类课程设计发现一个普遍问题负样本直接随机配对——随机挑一个没有验证关系的 miRNA 和基因拼在一起就算负例。这样做的后果非常隐蔽模型训练时五折交叉验证 AUC 可能飙到 0.97看起来成绩很好但一放到新数据上就崩。原因在于随机配对让正负样本的序列分布差异过大模型学到的是这段序列像不像基因片段而不是这对序列有没有调控关系本质上是任务泄漏。听起来有点玄学但只要你对比过正负样本的 k-mer 分布一眼就能看出来。合格的负样本构造常见做法是让负样本的基因序列来自与正样本同源的基因池并控制两类样本的 GC 含量和长度分布尽量接近更严格一点可以用数据库里只有预测证据、没有实验验证的配对当难负样本。这份资源里如果提供的是随机负样本你要做的第一件事不是训练而是先检查分布。提示拿到任何序列预测项目的第一个动作都是先打印正负样本的 GC 含量和长度分布而不是直接跑训练。2.2 序列清洗与长度控制T 转 U、非法字符过滤、截断策略拿到原始 csv 之后第一步是清洗。miRNA 和基因序列来自不同数据库时碱基表示方式不统一有的是 DNA 序列用 T有的是 RNA 序列用 U有的带小写字母有的混进了 N 和空格。如果不统一后续 k-mer 统计会直接产生 NaN。我一般会先跑一段基础清洗脚本# preprocess.py import pandas as pd def clean_sequence(seq): 统一碱基字符集转大写、T 转 U、删除非法字符 seq str(seq).strip().upper().replace(T, U) seq .join(c for c in seq if c in ACGU) return seq def normalize_utr(seq, window1000): 3UTR 截取前 1000 个碱基不足 50 则丢弃 seq clean_sequence(seq) if len(seq) 50: return None return seq[:window] df pd.read_csv(dataset/train_pos.csv) df[mirna_seq] df[mirna_seq].apply(clean_sequence) df[gene_seq] df[gene_seq].apply(normalize_utr) df df.dropna(subset[gene_seq]) print(f清洗后剩余 {len(df)} 条)逻辑说明clean_sequence 做三件事——去掉首尾空格、统一大写、把 DNA 的 T 改成 RNA 的 U。normalize_utr 做两件事——过滤掉长度不足 50 的基因序列太短没法提取有意义的特征以及把 3UTR 截断到前 1000 个碱基。截断不是随便选的miRNA 结合位点虽然在理论上可以出现在 UTR 任意位置但大量研究里靠近 5 端的区域信号更稳定截断到 1000 可以覆盖大多数已知结合位点同时把特征计算量压下来。参数说明window 设为 1000 是折中值。设 2000 能覆盖更多结合位点但 k-mer 频率特征是整段统计长度翻倍对维度没有影响只影响统计稳定性和计算时间设 500 会更快但如果你的测试集里有结合位点靠后的基因可能漏信号。我见过有人把整条 UTR 不截断就送进模型样本量只有几千时这会让 k-mer 频率被长序列稀释效果反而不如统一截断。清洗完建议做一次分布自检把正负样本分开打印统计量# check_distribution.py def gc_ratio(seq): GC 含量正负样本分布校验的第一步 return (seq.count(G) seq.count(C)) / len(seq) pos_df pd.read_csv(dataset/train_pos.csv) neg_df pd.read_csv(dataset/train_neg.csv) print(正样本 gene GC 均值: %.3f % pos_df[gene_seq].apply(gc_ratio).mean()) print(负样本 gene GC 均值: %.3f % neg_df[gene_seq].apply(gc_ratio).mean()) print(正样本 gene 长度均值: %.1f % pos_df[gene_seq].str.len().mean()) print(负样本 gene 长度均值: %.1f % neg_df[gene_seq].str.len().mean())逻辑说明正负样本的 GC 含量和长度是两个最基础的分布指标。如果负样本是随机配对生成的这两个指标往往和正样本差异明显——比如正样本基因平均长度 1200负样本平均长度 800模型很容易靠长度就把两类分开。这两项分布接近才说明负样本构造是合格的。参数说明这里的 GC 比例只统计 G 和 CN 会被算进分母但不进分子所以如果某条序列 N 特别多它的 GC 值会被低估。严格一点可以先调 clean_sequence 过滤 N 再做统计但用于初步自检这个粗糙版本已经够用。这一步不在课程设计评分项里但它决定后面所有结果是否可信。3. 特征工程从序列到 84 维特征向量的提取与标准化3.1 k-mer 频率特征把碱基序列变成计数向量序列本身是字符串机器学习模型不认字符串第一步是把它变成定长数值向量。最常用的序列特征是 k-mer 频率统计一段序列里所有长度为 k 的相邻子串的出现次数并归一化。k2 时有 16 种二核苷酸k3 时有 64 种三核苷酸维度都不高。# feature_extract.py import numpy as np from itertools import product def kmer_features(seq, k3): 计算序列的 k-mer 频率向量输出长度为 4**k bases ACGU kmers [.join(p) for p in product(bases, repeatk)] kmer_dict {kmer: 0 for kmer in kmers} if len(seq) k: return np.zeros(len(kmers)) # 长度不足时返回全零向量 for i in range(len(seq) - k 1): sub seq[i:i k] if set(sub).issubset(bases): # 跳过含 N 的窗口 kmer_dict[sub] 1 total sum(kmer_dict.values()) 1e-6 # 平滑项避免除零 return np.array([kmer_dict[kmer] / total for kmer in kmers])逻辑说明先枚举 ACGU 的全部 4^k 种 k-mer 组合作为固定字典保证不同样本输出同一长度的向量然后滑窗统计每个 k-mer 出现次数除以总数得到频率。set(sub).issubset(bases) 是关键——清洗后序列里如果还残留 N含 N 的窗口直接跳过不让它污染字典计数。total 加 1e-6 是防止极端情况除零这个细节不处理后面特征矩阵里就会冒出 NaN。参数说明k 的选择直接决定特征维度这份资源里常见的做法是 miRNA 取 k364 维、基因序列取 k216 维合计 80 维。k4 对基因序列来说就是 256 维样本量只有几千时维度增长快、稀疏度高随机森林能扛但效果提升有限k1 只有 4 维信息量明显不够。经验值是 miRNA 序列短20 个碱基左右k2 到 k3 的正向收益最明显再往上序列太短、统计不稳定。3.2 种子区互补与 GC 特征把生物先验揉进模型输入k-mer 特征是纯序列统计它学不到 miRNA 靶向识别的核心机制。miRNA 靶向关系里最重要的先验是种子区互补——miRNA 5 端第 2 到第 8 位种子区与靶基因 UTR 的互补配对程度是决定调控关系强弱的第一信号。把种子区匹配分数作为显式特征加进去能显著拉高模型上限这是这类序列预测任务区别于普通文本分类的关键。def seed_match_score(mirna, utr, seed_len7): 计算 miRNA 种子区(第2-8位)与 UTR 的最高互补匹配比例 if len(mirna) seed_len 1 or len(utr) seed_len: return 0.0 seed mirna[1:1 seed_len] # 取第2到第8位 comp {A: U, U: A, G: C, C: G} # RNA 互补规则 best 0.0 for i in range(min(len(utr) - seed_len 1, 300)): # 前300碱基滑窗 window utr[i:i seed_len] match sum(1 for a, b in zip(seed, window) if comp[a] b) best max(best, match / seed_len) return best def gc_content(seq): GC 含量既当特征也做分布自检 if len(seq) 0: return 0.0 return (seq.count(G) seq.count(C)) / len(seq)逻辑说明seed_match_score 取 miRNA 第 2 到第 8 位作种子在 UTR 前 300 个碱基内逐窗口比对互补配对返回最高匹配比例。300 的滑窗范围是实用取法——完整 UTR 可能几千碱基全扫计算量不大但收益递减种子区结合位点高度集中在前几百碱基的结论在多数数据库统计里都成立。互补用字典 comp 表达A-U、U-A、G-C、C-G 是 RNA 配对的唯一合法组合。参数说明seed_len 默认 7对应经典种子区定义。有些工作把第 1 位和第 9 位也纳入做成扩展种子区第 1-9 位作为第二个特征如果这份资源只提取了标准种子区建议自己补一个扩展版本拼在后面通常能让 AUC 再涨一到两个点。gc_content 本身区分度不高但它在负样本分布校验时是个快速诊断指标保留成本低。3.3 特征拼接与标准化维度、数值范围与复现性把上面的特征组装成一个样本向量维度组成如下特征组维度说明miRNA k3 频率64三核苷酸频率基因 UTR k2 频率16二核苷酸频率标准种子区匹配分1第 2-8 位0 到 1扩展种子区匹配分1第 1-9 位可选项miRNA GC 含量10 到 1基因 GC 含量10 到 1合计83 / 84取决于是否加扩展种子区# build_dataset.py import numpy as np from sklearn.preprocessing import StandardScaler def build_feature_vector(mirna, utr, use_extended_seedTrue): feats [] feats.extend(kmer_features(mirna, 3)) # 64 维 feats.extend(kmer_features(utr, 2)) # 16 维 feats.append(seed_match_score(mirna, utr)) # 1 维 if use_extended_seed: feats.append(seed_match_score(mirna, utr, seed_len9)) # 1 维 feats.append(gc_content(mirna)) # 1 维 feats.append(gc_content(utr)) # 1 维 return np.array(feats, dtypenp.float32) X np.array([build_feature_vector(r[mirna_seq], r[gene_seq]) for _, r in df.iterrows()]) scaler StandardScaler() X_scaled scaler.fit_transform(X) np.save(features.npy, X_scaled) np.save(labels.npy, df[label].values)逻辑说明按固定顺序拼接所有特征再统一用 StandardScaler 标准化。特征顺序本身不重要但必须固定——训练和预测用同一套顺序否则模型读入的维度含义就错位了。StandardScaler 把每个特征拉成均值 0、方差 1对随机森林这种树模型理论上不是必需的但后面换成 SVM 或逻辑回归时不标准化会直接导致收敛慢和特征权重失衡。参数说明dtypenp.float32 是刻意选的——5000 条样本 84 维只占 1.6MB但如果特征维度放大到几百、样本放大到几万float64 和 float32 的内存差距就很明显float32 训练的随机森林也更快。scaler 保存这一步非常重要第 6 章预测新样本时要用训练时 fit 好的 scaler 去 transform 新数据而不是重新 fit这一点第 5 章的坑里还会专门讲。注意严格来说 scaler 应该在训练折内 fit、测试折内只 transform避免数据泄漏。随机森林对尺度不敏感课程设计里全量 fit 影响很小但报告里最好写明你用的是哪种方式。4. 模型训练与评估随机森林基线、五折交叉验证与 AUC 解读4.1 为什么课程设计首选随机森林而不是 SVM 或深度网络这类资源的模型选型常见配置是随机森林做基线、XGBoost 做进阶对比。选随机森林不是因为它最先进而是它在当前场景下性价比最高。先看数据形态几千条样本、84 维特征、正负样本基本平衡这是典型的小样本表格数据问题。随机森林对这类数据有三点天然优势。第一它对特征尺度不敏感。k-mer 频率有的接近 0.01种子区分数在 0 到 1 之间树模型按分裂点找阈值不需要特征在同一量纲。第二内置特征重要性。写报告解释哪些特征对预测贡献最大时直接从 model.feature_importances_ 拿省去单独做 permutation importance 的功夫。第三对特征间非线性交互的拟合能力强。miRNA 靶向预测里 k-mer 特征和种子区特征本身就有交互效应线性模型很难表达。相比之下SVM 在几千样本、80 多维特征上效果通常也不错但调参成本高——核函数、C、gamma 三个参数牵一发动全身而且不提供天然的特征重要性解释答辩时讲不清哪个特征起作用。XGBoost 精度上限更高、训练更快但对新手不友好正则参数一多就容易过拟合或训练时间失控。深度序列模型CNN 直接吃 one-hot 序列是这个方向的前沿做法但课程设计的数据量撑不起深度模型而且调参和训练时间会拖垮整个项目周期。我的习惯是先用随机森林把流程跑通、把指标基线立住再换 XGBoost 做对比报告里两张 AUC 表一放说服力直接拉满。4.2 训练脚本与参数随机森林和 XGBoost 的对比怎么搭# train_model.py import numpy as np from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import StratifiedKFold from sklearn.metrics import roc_auc_score X np.load(features.npy) y np.load(labels.npy) skf StratifiedKFold(n_splits5, shuffleTrue, random_state42) auc_scores, models [], [] for fold, (train_idx, test_idx) in enumerate(skf.split(X, y), 1): clf RandomForestClassifier( n_estimators500, max_depthNone, min_samples_leaf1, min_samples_split2, n_jobs-1, random_state42 ) clf.fit(X[train_idx], y[train_idx]) pred clf.predict_proba(X[test_idx])[:, 1] auc roc_auc_score(y[test_idx], pred) auc_scores.append(auc) models.append(clf) print(ffold {fold}: AUC {auc:.4f}) print(fmean AUC {np.mean(auc_scores):.4f} (± {np.std(auc_scores):.4f}))逻辑说明StratifiedKFold 做五折保证每一折里正负样本比例与全局一致这是分类任务的标准做法。每折都训一个新模型记录 AUC最后输出均值。models 列表把五折模型都留着最后预测新样本时取五折概率的平均比单模型稳定。参数说明n_estimators500 在这个规模下足够往上加到 1000 时间成本翻倍但 AUC 增益通常低于 0.005max_depthNone 让树完全生长靠 min_samples_leaf 控制过拟合这是随机森林比较稳的默认组合min_samples_leaf1 适合几千样本如果样本量只有几百可以调到 3 到 5 压方差。random_state 固定 42保证每次跑结果可复现课程设计报告里必须写清楚这一点。n_jobs-1 是用满所有 CPU 核心单机跑 500 棵树、几千样本通常一分钟内结束。如果这份包里给了 XGBoost 对比代码核心参数大概是这样的# train_xgb.py (对比实验) import xgboost as xgb xgb_model xgb.XGBClassifier( n_estimators500, max_depth6, learning_rate0.05, subsample0.8, colsample_bytree0.8, eval_metricauc, random_state42 )参数说明learning_rate 降到 0.05 时 n_estimators 要同步增大这是 XGBoost 的经典搭配subsample 和 colsample_bytree 都设 0.8给每棵树随机抽样本和特征抑制过拟合。对比实验的正确写法是让随机森林和 XGBoost 走同一个交叉验证流程、同一份数据只换模型对象这样报告里的对比才站得住。如果你的环境没装 xgboostpip install xgboost 装完再跑不影响其他脚本。4.3 指标不止 AUC正负样本不平衡时还要看 PR-AUC课程设计报告里最常见的指标组合是准确率、精确率、召回率、F1、AUC但有一个容易被忽略的点准确率在正负样本平衡时没有区分度随机猜是 50%而 AUC 只看排序质量、不看绝对概率。如果负样本构造得过于简单AUC 会虚高到接近 1这时真正有价值的是 PR-AUC精确率-召回率曲线下面积因为它直接衡量把正类排在前面的能力对负样本质量更敏感。我拿到这类资源后的习惯是训练脚本里同时输出 ROC-AUC 和 PR-AUCfrom sklearn.metrics import average_precision_score aps [] for fold, (train_idx, test_idx) in enumerate(skf.split(X, y), 1): clf.fit(X[train_idx], y[train_idx]) pred clf.predict_proba(X[test_idx])[:, 1] aps.append(average_precision_score(y[test_idx], pred)) print(fmean PR-AUC {np.mean(aps):.4f}) # 特征重要性写报告时直接引用取五折平均 importance np.mean([m.feature_importances_ for m in models], axis0) top_idx np.argsort(importance)[::-1][:5] print(top5 特征索引:, top_idx)逻辑说明average_precision_score 就是 PR-AUC值越高说明模型在正样本相对稀少的情况下仍能把正类排在前面。特征重要性取五折模型的平均比单折结果稳写进报告时说基于五折交叉验证平均的特征重要性排序审阅人无可挑剔。参数说明正负样本 1:1 时PR-AUC 的随机基线是 0.5这个项目的正常水平能跑到 0.7 到 0.9如果负样本改成 1:10 的不平衡构造PR-AUC 随机基线降到 0.09AUC 可能没怎么变但 PR-AUC 明显下降。这两个指标一起看才能判断模型到底是在学规律还是捡了负样本构造的便宜。5. 避坑与排查五个让模型分数虚高的真实翻车现场序列预测任务表面流程不复杂但每一步都有隐蔽的坑越隐蔽的坑越容易在答辩时被问穿。以下五条都是实际出现过的翻车场景按现象 → 原因 → 解决整理。5.1 AUC 虚高到 0.98换一组数据立刻崩到 0.7现象训练集五折交叉验证 AUC 高达 0.98自己采集了一组新的 miRNA-基因对放进模型AUC 直接掉到 0.7 左右。原因负样本是随机配对生成的正负样本的序列分布差异远远大于是否存在调控关系的真实信号模型实际上在学这是不是一条基因片段属于数据泄漏。解决重构负样本从与正样本相同的基因池里随机抽基因拼上无关 miRNA再控制 GC 含量和长度分布让正负样本在序列统计层面不可分、只有靶向关系可分。判断方法很直接训练前先算正负样本各自的平均 GC 和平均长度如果差异超过几个百分点负样本基本有问题。5.2 特征矩阵出现 NaN训练时 sklearn 直接报错现象跑 kmer_features 时部分样本的特征向量出现 NaNRandomForest 的输入检查直接抛错脚本中断。原因k-mer 统计时遇到含 N 的窗口或者序列长度小于 ktotal 为 0 导致除零另一个来源是 csv 里的空值没有 dropna空字符串传给 clean_sequence 后变成空序列。解决在 kmer_features 里对含 N 的窗口跳过并给 total 加 1e-6 平滑数据加载后统一执行 dropna。排查顺序是先检查原始序列的字符集合再检查 kmer_features 的返回值长度是否都是 4**k最后用 np.isnan(X).sum() 全矩阵扫一遍不要等模型报错才回头找。5.3 随机划分交叉验证正常按 miRNA 分组后明显下降现象随机打乱划分的五折交叉验证 AUC 有 0.92改成按 miRNA 分组每个 miRNA 的所有样本只进训练集或只进测试集后掉到 0.83。原因同一个 miRNA 的多个靶基因对同时出现在训练集和测试集模型在训练时见过这个 miRNA 的 k-mer 特征测试等于开卷考试。miRNA-基因关系预测这类任务的正确评估方式是按 miRNA 分组做 GroupKFold。解决用 sklearn 的 GroupKFoldgroups 传每行样本对应的 miRNA 成熟序列再对比两种划分方式的 AUC 差异——差异越大说明样本泄漏越严重。答辩时主动把这个对比讲出来反而是加分项说明你理解评估方式对结果的影响。5.4 one-hot 编码全序列16G 内存被吃满现象训练脚本跑起来后内存占用一路涨到 15G 以上机器直接卡死只能强杀进程。原因有人把 miRNA 和 3UTR 全序列做 one-hot 编码再拉平一条 1000nt 的 UTR 就是 4000 维5000 条样本就是几千万维的稠密矩阵内存撑爆。解决改用 k-mer 频率特征84 维就够如果一定要保留位置信息用截断窗口加计数特征而不是 one-hot 全序列。这条也提醒报告里的一个写作逻辑特征选型不只看精度还要写清楚计算代价和可复现性——我用 k-mer 频率替代 one-hot维度从几千万降到 84训练时间从小时级降到分钟级这句话比堆指标有说服力。5.5 预测全新 miRNA 时概率普遍偏低现象训练集指标很好但喂一个全新 miRNA 序列模型输出分数普遍在 0.1 到 0.3 之间没有一条超过 0.5。原因训练集里的 miRNA 种类覆盖有限新 miRNA 的 k-mer 分布不在训练分布内模型概率天然偏向 0。另一个常见原因是预测脚本里对特征重新做了 StandardScaler 拟合而不是使用训练时保存的 scaler导致特征数值范围错位。解决训练完成后用 joblib 把模型和 scaler 一起保存预测时只做 transform 不做 fit同时检查新 miRNA 与训练集 miRNA 的序列相似度如果最高相似度都低于 60%说明这个样本超出模型适用边界输出结果要标注低置信度而不是直接当成结论。6. 进阶把模型接到新 miRNA 上输出一份可交付的预测报告训练链路打通之后最后一步是工程交付怎么把训练好的模型用到一个真正没见过的 miRNA 上输出一份别人能直接看懂的预测结果。很多同学做到模型训练完就停了实际上资源包里的 predict.py 才是决定这个项目能不能落地的部分。6.1 模型持久化与预测脚本的标准写法训练完成后除了 features.npy、labels.npy还要把五折模型、scaler 和特征顺序一起持久化# save_model.py import joblib joblib.dump({ models: [m for m in models], # 第4章训练循环里收集的五折模型 scaler: scaler, # 第3章 fit 好的 StandardScaler feature_order: [mirna_k3, utr_k2, seed7, seed9, gc_mirna, gc_utr] }, model/miRNA_target_predictor.joblib) # predict.py 中的加载与预测 import joblib import numpy as np bundle joblib.load(model/miRNA_target_predictor.joblib) models, scaler bundle[models], bundle[scaler] def predict_pair(mirna_seq, gene_seq): mirna_seq clean_sequence(mirna_seq) # 复用训练时的清洗函数 gene_seq normalize_utr(gene_seq) # 同样截断到 1000 if gene_seq is None: return {score: None, warning: gene_seq too short} feat build_feature_vector(mirna_seq, gene_seq) feat_scaled scaler.transform(feat.reshape(1, -1)) # 只 transform不 fit probs np.mean([m.predict_proba(feat_scaled)[:, 1] for m in models], axis0) return {score: float(probs), warning: None}逻辑说明joblib 保存的是模型对象和 scaler 对象的打包字典里的 feature_order 是给排查用的——新样本维度对不上时直接拿这个列表比对。预测函数里最关键的是 clean_sequence、normalize_utr、build_feature_vector 全部复用训练脚本里的同一套函数新数据清洗、截断、提特征的参数和训练时完全一致。这一步是整个边界的核心任何一步不一致预测结果就不可信。参数说明五折平均是把五个模型对同一个样本的概率取均值比单模型稳定。输出带 warning 字段基因太短或特征异常时返回提示而不是抛异常批量预测几百个候选对时不会被一条脏数据中断整个流程。6.2 交付前固定执行的三个检查拿到几百个待预测样本时直接对 DataFrame 批量调用 predict_pair输出分数和警告列再把结果写进 csv就是一份可提交的预测报告。我自己的习惯是每次交付前强制走一遍三个检查第一用训练集前 50 条样本重跑预测比对预测分数与训练时五折输出的一致性验证保存和加载链路没断第二随机挑 5 条正样本、5 条负样本人工核对种子区匹配分是否和序列本身逻辑吻合——种子区完全互补的样本分数应该显著偏高这一步能快速暴露特征顺序错位的问题第三报告里同时贴 ROC-AUC 和 PR-AUC并注明负样本构造方式防止审阅人质疑数据可靠性。这三步走完模型才敢说能交付。这套流程跑通之后你会发现序列预测项目的骨架其实是通用的数据清洗、特征提取、交叉验证、模型持久化、新样本预测换一个物种、换一种小 RNA 都还是这套打法。资源包里的源码、数据集和模型权重覆盖了八成以上的工作剩下两成是你根据自己数据去调整负样本和特征参数的地方。希望帮到你。本文还有配套的精品资源点击获取