摘要
本发明提出一种基于曼巴模型与半监督学习的RNA序列分类方法，属于生物信息学领域。首先，对RNA序列提取多尺度稀疏特征，并通过编码器网络将高维特征压缩至低维潜在空间向量，同时进行L2归一化以增强特征可分性。其次，在残差结构中引入基于选择性状态空间模型的曼巴模型，以低复杂度高效建模长程依赖关系。最后通过构建编码器‑解码器结构，实现无监督特征重建与有监督分类的半监督学习，并采用加权损失函数提升模型在小样本条件下的泛化性能。实验结果表明，本方法在多类RNA序列分类任务中显著提升了F1分数。本发明降低了长序列建模和标注的成本，适用于RNA功能预测、生物医学研究及疾病诊断等领域。
