15、合成生物学与人工智能：CRISPR技术的前沿探索

合成生物学与人工智能：CRISPR技术的前沿探索

1. 数据处理与算法选择

1.1 数据精炼与呈现

在将识别的数据纳入学习数据库时，需依据特定标准进行精炼。对于序列数据而言，这尤为重要，因为大多数机器学习（ML）算法难以识别通用数据格式中某些数据的特异性。例如，DNA（或RNA）字母表中的所有核苷酸应表示为0到3的数字（A = 0，C = 1，G = 2，T = 3），不过这种表示方式不适用于处理连续变量的算法。此时，可采用“单热编码”程序，用0和1表示核苷酸，为序列中的每个位置和每个核苷酸设置一个特殊列。还可通过特征扩展这些过程，比如创建代表核苷酸对的新模式。

1.2 算法优缺点对比

当前，许多ML算法用于预测CRISPR，各有优劣。线性回归适用于CRISPR过程中的连续表示，逻辑回归则用于sgRNA设计。为避免手动转换，算法应支持非线性分离，如支持非线性分离的算法或向量机（SVMs）。经过训练的SVM模型，支持分类或回归，可使用sgRNA分数、sgRNA设计、ge - CRISPR或sgRNA 2.0评分器等。

算法名称	适用场景	优点	缺点
线性回归	CRISPR过程中的连续表示	适合连续数据处理	对非线性数据处理能力弱
逻辑回归