DeepLncPro:用于识别长非编码RNA启动子的可解释卷积神经网络模型

本文主要是介绍DeepLncPro:用于识别长非编码RNA启动子的可解释卷积神经网络模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

论文题目:

DeepLncPro: an interpretable convolutional neural network model for identifying long non-coding RNA promoters

期刊:Briefings in Bioinformatics

论文链接:https://doi.org/10.1093/bib/bbac447

代码链接: https://github.com/zhangtian-yang/DeepLncPro

背景

长链非编码RNA (Long non-coding RNA, lncRNA)是一种长度大于200个核苷酸的非编码RNA。启动子是位于转录起始位点(transcription start site, TSS)上游的调控元件,通过与转录因子的结合,启动并调控RNA的转录。

本文提出了一种基于卷积神经网络(CNN)的方法,称为DeepLncPro,在人和小鼠中识别lncRNA启动子。在DeepLncPro中,利用单核苷酸化学性质和二核苷酸物理化学性质对序列进行编码。为了获得鲁棒模型,对CNN进行超参数优化,获得最优超参数。

数据

来源:在真核启动子数据库(Eukaryotic promoter Database, EPD)中获得人和小鼠lncRNA启动子序列

特征表示

one-hot

将' A '编码为(1,0,0,0),' T '编码为(0,1,0,0),' G '编码为(0,0,1,0),' C '编码为(0,0,0,1)。因此,长度为L的DNA序列可以转化为4 × L矩阵A1.

NCP

这四种脱氧核糖核苷酸携带不同的碱基,在环结构、氢键强度和化学功能上存在差异。在环的数量方面,“A”和“G”包含两个环,而“C”和“T”包含一个环。在氢键强度方面,“a”和“T”之间形成弱氢键,而“C”和“G”之间形成强氢键。就化学成分而言,‘A’和‘C’属于氨基而‘G’和‘T’属于酮族。因此,' A '被编码为(1,1,1),' T '被编码为(0,1,0),' G '被编码为(1,0,0),' C '被编码为(0,0,1)。

I是脱氧核苷酸在序列中的位置;NCP1、NCP2、NCP3分别代表三种化学性质。利用NCP可以将长度为L的DNA序列转化为3 × L的矩阵A2。

DPCP

连续的脱氧核苷酸组合具有不同的物理化学性质,这是基因组功能元件鉴定[30]的重要特征,已被用于启动子预测。本研究使用twist、tilt、roll、shift、slide、rise 6个DPCP编码DNA序列。

它们的值是从之前的工作中获得的。由于其值在不同的范围内变化,采用最小-最大归一化方法将其缩放到[0,1]的范围内。基于这6个DPCP,长度为L的DNA序列可以转换为6 × (L−1)矩阵。为了确保矩阵的列数与矩阵A1和A2的列数相同,使用滑动二聚体窗口算法计算每个核苷酸的DPCP。

其中DPCPn(i)表示第i个核苷酸的第i个物理化学性质,Xn表示第n个(n = 1,2,…,6)二核苷酸理化性质,分别以前二聚体Di−1Di和后二聚体DiDi + 1为输入。两个末端核苷酸D1和DL分别只依赖于两端二核苷酸的数据。据此,得到了一个6 × L的矩阵A3,该矩阵描述了该序列的理化性质。

模型

DeepLncPro概述:

(A)数据集。该数据集包含2339个人类阳性和2339个阴性样本,3077个小鼠阳性和3077个阴性样本。每个样品在61 bp至301 bp的不同长度处截取,步长为40 bp。

(B)特征编码。使用三种特征编码方法对这些样本进行编码。编码后的特征被合并到一个13 × L矩阵中。

(C) DeepLncPro的框架。DeepLncPro基于卷积神经网络构建。每个样本都有一个预测分数,范围从0到1。如果评分为> 0.5,则预测该序列为lncRNA启动子;否则是非lncrna启动子。

超参数优化与模型选择

为了获得性能和泛化能力更好的模型,我们进行了超参数优化。为了使训练过程更加稳定,采用Adam算法基于批量梯度下降自动确定学习率。采用随机搜索方法确定学习速率、神经元数量、卷积层大小和滤波器数量等超参数。

在超参数优化过程中,我们首先通过在合理范围内选择一组超参数来训练一个基本模型。然后,通过保持其他超参数不变,在给定范围内搜索某个超参数。根据从验证数据集中获得的性能,选择最优超参数。重复这个过程,直到所有超参数都被优化。一旦确定了所有超参数,它们就被用于在训练和验证数据集上再次训练DeepLncPro。需要指出的是,只保留了验证集中精度最高的超参数组合。

绩效评估

结果与讨论

  1. 序列长度和编码方案对模型的影响

为了确定预测lncRNA启动子的最佳序列长度和编码方案,研究了序列长度和编码方案对模型性能的影响。为此,我们基于不同类型的序列长度和编码方案的组合建立了不同的模型。为了得到具有良好泛化能力的模型,将人和小鼠的训练数据结合起来进行训练。对每个模型的超参数,按照超参数优化与模型选择章节介绍的步骤进行优化。

基于不同序列长度和编码方案的模型性能。纵坐标表示从61到301 bp的序列长度。横坐标表示不同的编码方案,包括one-hot、NCP、DPCP及其组合。(A)不同模型识别人类lncRNA启动子的预测准确性;(B)不同模型在小鼠中鉴定lncRNA启动子的预测准确性

  1. 与经典机器学习方法的比较

考虑到机器学习方法在DNA序列元素识别中被广泛应用,我们将DeepLncPro与随机森林(RF)、逻辑回归(LR)、k-最近邻(KNN)、支持向量机(SVM)和极端梯度增强(XGBoost)这五种经典ML方法进行了比较。将DeepLncPro的三个输入矩阵化为一个13 x L维向量,分别作为RF、LR、KNN、SVM和XGBoost的输入。DeepLncPro和ML模型用于识别测试数据集中人类和小鼠lncRNA启动子的评估指标如表2所示。DeepLncPro在识别人和小鼠lncRNA启动子方面的准确率最高,分别为86.21%和86.82%。我们还在图3中绘制了DeepLncLoc和机器学习方法的ROC曲线。结果发现,DeepLncPro在预测人类和小鼠lncRNA启动子方面的auc分别为0.928和0.931,优于其他机器学习模型。

  1. 与现有预测器的比较

为了进一步说明其优越性,我们将DeepLncPro与现有的预测器ncPro-ML进行了比较。为了进行公平的比较,这两个预测器都在同一个测试集中进行了验证。如表3所示,DeepLncPro识别人、小鼠lncRNA启动子的准确率分别比ncPro-ML高4.57%和3.74%。相应的敏感性、特异性和Matthew’s相关系数在人组分别提高了8.47%、0.65%和0.10,在小鼠组分别提高了7.12%、0.36%和0.08。这些结果表明,DeepLncPro在鉴定人和小鼠lncRNA启动子方面更有优势。

  1. 模型解释与可视化

为了解释所提出的模型的性能,我们提取并可视化了DeepLncPro所有层的输入和输出,即原始输入、第一卷积层的输出、第二层卷积层的输出和全连接层的输出。为了便于理解这些特征,我们使用UMAP表示阳性和阴性样本的分布。结果发现,在原始输入特征形成的特征空间中,正样本和负样本无法分离(图4A)。然而,基于第一和第二卷积层的输出特征,正样本和负样本之间的边缘在特征空间中分离得更加清晰(图4B和C)

正、负样本在二维特征空间中的分布。蓝色和橙色的圆点分别代表阳性和阴性样本。(A)原始输入特征的特征空间。(B)基于第一卷积层输出的特征空间。(C)基于第二卷积层输出的特征空间。(D)基于全连接层输出的特征空间

这篇关于DeepLncPro:用于识别长非编码RNA启动子的可解释卷积神经网络模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/322534

相关文章

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

使用PyTorch实现手写数字识别功能

《使用PyTorch实现手写数字识别功能》在人工智能的世界里,计算机视觉是最具魅力的领域之一,通过PyTorch这一强大的深度学习框架,我们将在经典的MNIST数据集上,见证一个神经网络从零开始学会识... 目录当计算机学会“看”数字搭建开发环境MNIST数据集解析1. 认识手写数字数据库2. 数据预处理的

Pytorch微调BERT实现命名实体识别

《Pytorch微调BERT实现命名实体识别》命名实体识别(NER)是自然语言处理(NLP)中的一项关键任务,它涉及识别和分类文本中的关键实体,BERT是一种强大的语言表示模型,在各种NLP任务中显著... 目录环境准备加载预训练BERT模型准备数据集标记与对齐微调 BERT最后总结环境准备在继续之前,确

VSCode中C/C++编码乱码问题的两种解决方法

《VSCode中C/C++编码乱码问题的两种解决方法》在中国地区,Windows系统中的cmd和PowerShell默认编码是GBK,但VSCode默认使用UTF-8编码,这种编码不一致会导致在VSC... 目录问题方法一:通过 Code Runner 插件调整编码配置步骤方法二:在 PowerShell

讯飞webapi语音识别接口调用示例代码(python)

《讯飞webapi语音识别接口调用示例代码(python)》:本文主要介绍如何使用Python3调用讯飞WebAPI语音识别接口,重点解决了在处理语音识别结果时判断是否为最后一帧的问题,通过运行代... 目录前言一、环境二、引入库三、代码实例四、运行结果五、总结前言基于python3 讯飞webAPI语音

使用Python开发一个图像标注与OCR识别工具

《使用Python开发一个图像标注与OCR识别工具》:本文主要介绍一个使用Python开发的工具,允许用户在图像上进行矩形标注,使用OCR对标注区域进行文本识别,并将结果保存为Excel文件,感兴... 目录项目简介1. 图像加载与显示2. 矩形标注3. OCR识别4. 标注的保存与加载5. 裁剪与重置图像

Python如何实现读取csv文件时忽略文件的编码格式

《Python如何实现读取csv文件时忽略文件的编码格式》我们再日常读取csv文件的时候经常会发现csv文件的格式有多种,所以这篇文章为大家介绍了Python如何实现读取csv文件时忽略文件的编码格式... 目录1、背景介绍2、库的安装3、核心代码4、完整代码1、背景介绍我们再日常读取csv文件的时候经常

C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)

《C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)》本文主要介绍了C#集成DeepSeek模型实现AI私有化的方法,包括搭建基础环境,如安装Ollama和下载DeepS... 目录前言搭建基础环境1、安装 Ollama2、下载 DeepSeek R1 模型客户端 ChatBo

SpringBoot快速接入OpenAI大模型的方法(JDK8)

《SpringBoot快速接入OpenAI大模型的方法(JDK8)》本文介绍了如何使用AI4J快速接入OpenAI大模型,并展示了如何实现流式与非流式的输出,以及对函数调用的使用,AI4J支持JDK8... 目录使用AI4J快速接入OpenAI大模型介绍AI4J-github快速使用创建SpringBoot