核糖核酸(Ribonucleic Acid,简称RNA)是一种在生命体的各项生命活动中扮演着重获悉更多要的角色的遗传物质。对RNA结构的研究是解析基因表达规则、调控基因表达乃至改变生物体性状的基础。在过去的研究中,学界曾使用生物化学方法直接获取RNA二级结构,但这种方法由于效率低下、成本难以控制等问题导致其无法推广。为了填补RNA二级结构预测的巨大需求,一些计算方法出现了,其中以最小自由能算法使用最为广泛,它具有预测成本低的优点,并且在短序列的二级结构预测中效率很高。但是,由于其使用动态规划算法,随着序列长度的增加效率呈指数级下降,同时,最小自由能方法本身的预测准确率不高,并且其难以预测含有假结的RNA二级结构,因此无法满足实际需求。许多机器学习方法也被应用到这一领域,但精度并没有显著提升。综合过去的研究,并没有出现一种可以同时满足效率高、预测准并且可以预测含假结二级结构的解决方案。为了提升RNA二级结构的预测精度和效率,实现端到端地预测RNA二级结构,本文应用深度学习解决RNA二级结构预测,设计了一种名为LTPConstraint的方法。该方法使用Transformer、Generator等结构搭建神经网络来预测RNA二级结构,并根据RNA结构的天然特性,在网络的顶层设计约束层来收束预测的结果,使预测结果保持RNA结构的特性。复杂的神经网络模型需要使用大量数据的充分训练之后,才能实际应用。为了降低神经网络的数据依赖性,本文使用迁移学习的训练方法,将不同家族的数据设置为目标域,通过迁移预训练模型来训练得到适配目标域的模型。为了检验模型的效果,本文使用不同序列长度、不同PD-0332991 NMR序列数量的多个RNA家族数据库对模型进行了测试,同时使用5种经典RNA二级结构预测模型在同样的数据上进行了测试,concomitant pathology并作为对照组。结果显示,LTPConstraint方法在预测的准确性、稳定性上都有明显的提升。为了测试LTPConstraint预测含假结的RNA二级结构的能力,本文同样使用了相应的数据集进行测试,并使用Prob Knot、Knotty这两种可以预测假结结构的模型作为对照组,结果表明LTPConstraint方法训练的模型在预测假结结构时同样具有较好的准确性和稳定性,同时较另外两种模型有很大提升。为了检验迁移学习的作用,本文设置对照组,分别使用常规方法和迁移学习方法训练目标域的数据获得模型,实验结果表明,使用迁移学习方法得到的模型具有更好的预测准确性和稳定性,同时模型的鲁棒性更强,并间接降低了训练的计算成本。所有实验表明,LTPConstraint提高了RNA二级结构预测模型的准确性、稳定性和鲁棒性,这提高了推广该方法的可行性,在未来该方法将可能成为主流的预测方法。