Basset：CNN学习新的染色体开放位点

尝试着将神经网络的元件与生物学意义联系起来。大胆假设，小心求证！

PMC | Genome Res. | GitHub

下载

从ENCODE Project Consortium下载125种细胞类型的数据。
从Roadmap Epigenomics Consortium下载39种细胞类型的数据。
数据形式为DNase-seq的peak信息，保存在BED格式的文件中。
使用未去重叠（overlap）的peak数据。

预处理

1. 以1%的FDR使用模拟方法修改原始数据集——robustness
2. 归并重叠的peaks共 $2,071,886$ 个峰，比对到hg19参考基因组
   • 标准输入为每个位点600bp的DNA序列长度
   • 标准标签为一个164维的二值向量，该向量表示这个峰（位点）在164种细胞类型中的开放情况（1为开放，0为不开放）
3. 将数据集切分为训练集、测试集和验证集
   • training data：训练模型参数
   • testing data：计算序列特异性参数
   • validation data：用于early stopping
4. 应模型后续分析需要，使用GENOME v18 reference catalog将位点分为promoter（转录起始位点周围2kb区域）、intragenic（与基因区域发生重叠）、intergenic（位于基因间区域内）三类

---

模型

训练模型和测试模型的用途有细微差别。

训练

训练模型是一个3CNN+2FC的简单神经网络，此项目的亮点不在神经网络的设计，而在于将神经网络的元件与生物学意义结合起来，这也是以往项目中我所想不透的地方。训练网络如下：

模型的输入是一个one-hot编码的 $4 times 600$ 的序列（与处理中已经将所有位点的序列长度截取到了600bp）。

the first CNN是本模型的重点，它包括了一个卷积层、一个激活层和一个池化层。

卷积层使用的是300个 $4 times M$ 的一维卷积核（filter，滤波器），其中 $M$ 长度跟motif长度相当（这里取19b）。作者在这里给每个filter赋予了生命力，认为它们不仅是一种网络元件。因为每个卷积核是基于所有序列优化得来的，所以我们认为卷积核代表了所有序列共有的一种信息，即模式。这是符合思考逻辑的。

简而言之，每个卷积核可能代表了一种motif，这个motif具体的生物学意义未知。此项目试图从蛋白质结合motif出发去验证卷积核中是否存在相应的结构与之对应。

这是一种不错的假设-验证思想。

模型的最后一层也就是第二个全连接层的输出是164个节点，分别代表了该600bp的序列在164种类型细胞种的开放情况。参考标准标签计算binary loss进行参数优化。

测试

测试阶段作者做了很有意思的事情。

为了计算卷积核（motif）对（预测的）开放性打分结果的影响程度，将第一CNN的输出结果（每个卷积核会将 $4 times 600$ 的序列转化为（600-19+1）维的向量）全部用其平均值替换，这将消除卷积核的特异性影响。用替换结果进行后续计算，将计算结果与未经替换的预测结果进行比较。计算差异的平方和，这个值作为该卷积核的influence值。

IC（Information Content）值得原文计算方法如下：
$$
mathrm{IC} = sum_{i,j}{m_{ij}log_2 m_{ij}} - sum_{i,j}{ b_j log_{2}b_{j}}
$$
写成这样似乎更清楚点：
$$
mathrm{IC} = sum_{i=1}^{19} sum_{j=1}^4 m_i^{(j)} log_2 m_i^{(j)} - 19sum_{j=1}^4 b^{(j)} log_2 b^{(j)}
$$

其中向量 $b$ 是四个碱基分布的背景值，向量 $m;(4 times 19)$ 是motif各个位置的碱基概率分布，等效于一个卷积核。

有趣的是，除了对卷积核进行上述操作计算IC值influence值，作者还直接从数据库中（CIS-BP数据库）下载已知的蛋白质motif代替卷积核进行计算，最后一同进行比较分析。