使用深度学习来预测序列的子序列

Question

我有一个看起来像这样的数据：

它可以在这里查看，并已包含在下面的代码中。 实际上我有~7000个样本（行），也可以下载 。

任务给予抗原，预测相应的表位。 因此表位始终是抗原的精确子串。 这相当于序列到序列学习 。 这是我在Keras下的Recurrent Neural Network上运行的代码。 它是根据例子建模的。

我的问题是：

1. RNN，LSTM或GRU可用于预测上面提到的子序列吗？
2. 如何提高代码的准确性？
3. 如何修改我的代码以便它可以更快地运行？

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 -*-
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()

Answer 1

1. RNN，LSTM或GRU可用于预测上面提到的子序列吗？

是的，你可以使用其中任何一个。 LSTM和GRU是RNN的类型; 如果RNN你的意思是一个完全连接的RNN ，这些已经失宠，因为消失的梯度问题（ 1 ， 2 ）。 由于数据集中的示例数量相对较少，因此GRU可能优于LSTM，因为它的架构更简单。

2. 如何提高代码的准确性？

您提到培训和验证错误都很糟糕。 一般来说，这可能是由于以下几个因素之一：

• 学习速度太低（因为您使用的是Adam，一个每参数自适应学习速率算法，因此不是问题）
• 该模型对于数据而言过于简单（根本不是问题，因为您有一个非常复杂的模型和一个小数据集）
• 你有渐弱的渐变（可能是你有3层RNN的问题）。 尝试将层数减少到1（通常，最好先让简单的模型工作，然后增加复杂性），并考虑超参数搜索（例如128维隐藏状态可能太大 - 尝试30？ ）。

另一种选择，因为您的表位是您输入的子串，是预测抗原序列中表位的起始和终止指数 （可能通过抗原序列的长度标准化），而不是一次预测子字符串一个字符。 这将是两个任务的回归问题。 例如，如果抗原是FSKIAGLTVT（10个字母长）并且其表位是KIAGL（位置3到7，一个基础）那么输入将是FSKIAGLTVT并且输出将是0.3（第一任务）和0.7（第二任务） 。

另外，如果你可以让所有的抗原是相同的长度（与短抗原消除您的数据集的部件和/或斩去长抗原的两端假设你知道一个先验的表位附近没有结束），你可以将它作为一个分类问题，包括两个任务（开始和结束）和序列长度类，你试图在每个位置开始和结束时为抗原分配一个概率。

3. 如何修改我的代码以便它可以更快地运行？

减少层数将大大加快代码速度。 此外，由于结构更简单，GRU将比LSTM更快。 但是，两种类型的循环网络都比例如卷积网络慢。

如果您对合作感兴趣，请随时给我发送电子邮件（我的个人资料中的地址）。