Nanopore base-calling from a perspective of instance segmentation
思想:将碱基检测任务当做一种多类标签分割任务。
2 方法
流程有两个:
1. UR-net分割信号和碱基检测;
2. 后处理,负责合并碱基成完整的read。
后处理
这个简单所以先介绍这个。后处理有两步。首先,接收网络输出的标签,并将连续重复的标签折叠为一个,然后,将标签映射到
A
,
C
,
G
,
T
{A,C,G,T}
A,C,G,T。
其中网络的输出碱基值值范围有:(
A
1
,
A
2
,
C
1
,
C
2
,
G
1
,
G
2
,
T
1
,
T
2
A_1,A_2,C_1,C_2,G_1,G_2,T_1,T_2
A1,A2,C1,C2,G1,G2,T1,T2)。每个碱基有两个预测值的原因是为了避免在后处理时将例如AAA这一类的预测碱基对进行合并成A。因为原文的后处理过程会将AA,CC,GG,TT等连续重复的碱基进行合并。所以为了避免错误的合并了预测的AA组,作者使用
A
1
A
2
A_1A_2
A1A2表示真实的
A
A
AA
AA。
2.1 UR-net
上图就是作者提出的网络结构,其中绿色部分为相比U-net的创新部分:GRU。其分为两点:
1. 在每个Conv-BN-ReLu块后面都跟一个GRU,GRU的输出一个是池化,还有一个就是和后面的CNN进行拼接。
2. 最后的输出加了三个双向GRU,强调关注时序关系。
2.2 训练
Loss函数有两种,第一个是dice loss,第二个是分类熵loss。
dice loss:
形式为两者的交集除以并集,描述两者相似度。
categorical entropy loss:
一个用于多分类的loss。网络输出8类所以是8项的和。
2.3 同聚物重复的处理
上文介绍过了,就是通过 A 1 A 2 A_1A_2 A1A2来表示 A A AA AA。
2.4 合并滑窗的碱基为一个read
做法很简单,首先找相邻片段最大重复的,重复度最高的拼一块。其次,如果同一位置上有多个碱基值,找占比最大的作为最终的值。
作者在合并时去掉了每个base-call的头尾,因为两端的信号不完整,所以不用。
实验
3.1.1 数据
这里主要讲数据预处理的过程。原始信号减中位数除以绝对中位差。绝对中位差是原始数据减去中位数后的值,求这些值的中位数,就是绝对中位差。规范数据到[-2,+2],大于10的值扔掉不要了。
3.1.2 评价标准
1. NED:规范化编辑距离
2. 读取精度RA
3. 拼接后的相等率identity和相对长度relative length
**NED:**不重叠窗口中的base-call和标准(gold nucleotides)之间的编辑距离
**RA:**与reference相等的数量M除以(M+插入I+删除D+不匹配U)
identity和relative length:
后面就没啥了,最后谁能告诉我表格里相对长度的数据为什么是一百多,两个长度相除应该不会差太多吧?怎么就到了一百多了。