Deep6mA:探索不同物种DNA N6甲基腺嘌呤位点相似模式的深度学习框架

最新推荐文章于 2023-02-19 09:21:20 发布

唐小星小宇宙

最新推荐文章于 2023-02-19 09:21:20 发布

阅读量1.4k

点赞数 1

文章标签：深度学习 python 机器学习

原文链接：https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1008767

版权

论文解读

Deep6mA: A deep learning framework forexploring similar

patterns in DNA N6-methyladenine sites across different species

Deep6mA:探索不同物种DNA N6甲基腺嘌呤位点相似模式的深度学习框架

文章地址：https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1008767

DOI：https://doi.org/10.1371/journal.pcbi.1008767

代码：https://github.com/Marscolono/Deep6mA

LSTM:https://blog.csdn.net/yingqubaifumei/article/details/100888147

1.摘要

N6-甲基腺嘌呤（6mA）是一种重要的DNA修饰方式，在基因组水平上准确识别6 mA位点对于理解6 mA的生物学功能至关重要。然而，现有的探测6 mA位点的实验技术是成本低的，这意味着迫切需要开发新的计算方法来解决这个问题。在本文中，我们开发了一个深度学习框架Deep6 mA来识别DNA 6 mA位点，它的性能优于其他DNA 6 mA预测工具，而不需要任何6 mA的先验知识和手工制作的序列特征。具体地说，在水稻基准数据集上进行5次交叉验证，Deep6 mA的灵敏度和特异度分别为92.96%和95.06%，总体预测准确率为94%。重要的是，我们发现具有6 mA位点的序列在不同物种之间具有相似的模式。该模型用水稻数据训练，对拟南芥、花旗菜和月季3种植物的6 mA位点进行了较好的预测，预测准确率在90%以上。此外，我们还发现：(1)6 mA倾向于出现在GAGG基序上，这意味着6 mA位点附近的序列可能是保守的；(2)6 mA富集在启动子的TATA盒中，这可能是其调控下游基因表达的主要来源。

DNA N6甲基腺嘌呤(6mA)是一种新发现的真核生物甲基化修饰。它广泛而保守地存在于生物体内，其修饰水平在整个生命周期内动态变化。本研究提出了一种基于深度学习框架(包括LSTM和CNN)的算法来预测6mA位点。结果表明，我们的方法能够准确预测不同物种中的6mA位点，这意味着物种间含有6mA位点的子序列具有一定的保守性。重要的是，我们发现在大多数不同物种中出现在GAGG基序上6mA甲基化的可能性更大。此外，我们还发现启动子的TATA盒中富含6mA，这可能是调控下游基因表达的一种机制

2.研究背景

N4-甲基胞嘧啶(4mC)、N6-甲基腺嘌呤(6mA)、5-甲基胞嘧啶(5mC)等DNA甲基化修饰在不改变序列的情况下，在基因表达的表观遗传调控中发挥重要作用，广泛分布于不同物种的基因组中。DNA N6-甲基腺嘌呤(6mA)是指腺嘌呤的6个氮原子的甲基化，近年来发现在真核生物DNA的表观遗传修饰中起重要作用。以往的研究表明，6mA在DNA修复、DNA复制、基因转录调控和基因表达调控中发挥重要作用。虽然6mA位点在整个基因组中分布不均匀，可能受到环境因素的影响，但甲基化保护是一种遗传状态，原核生物和真核生物中的6mA表现出相似的特征。基因组上的6mA对于揭示表观遗传修饰过程的细节至关重要。

循环神经网络(RNN)是一种特殊的神经网络结构，其灵感来自于人类的认知是基于过去的经验和记忆。与CNN不同，RNN不仅考虑了之前时刻的输入，还能有效地“记住”之前的内容。因此，RNN在分析包含定时信息的序列方面具有优势。目前，RNN已经广泛应用于自然语言处理、图像处理、机器翻译、语音识别和生物信息学等领域。然而，由于梯度消失或梯度爆炸，很难训练RNN。长短期记忆(LSTM)和门循环单位(GRU)被提出来克服这一困难，它们是最常用的神经网络。

在这项研究中，我们引入了一个新的深度学习框架Deep6mA来识别脱氧核糖核酸6mA位点。由一个CNN和一个双向LSTM模块组成的Deep6mA在6mA预测方面比其他方法具有更好的性能。有趣的是，我们发现在水稻、拟南芥、草莓和月季四种植物中，6mA甲基化频率最高的基序集中在GAGG上，这意味着6mA甲基化在不同物种之间具有相似的模式。这进一步证明了由水稻数据训练的模型对其他三个物种的6mA具有较高的预测精度。从这些结果中我们可以得出结论，不同物种间的6mA甲基化序列是保守的，Deep6mA也可以用于分析其他植物物种的6mA位点。更重要的是，我们发现启动子的TATA盒中普遍富集了6mA。这可能是6mA调控基因表达的重要途径。

3.评价指标与方法

本文所提出的模型使用四个度量标准进行评估，分别是准确性（ACC），敏感性（SN）,特异性（SP）和马修斯相关系数（MCC）。

4.材料和方法

1.数据集

数据集链接》》》http://www.pianlab.cn/deep6ma/download.html

2.序列表示

我们使用one-hot编码方法将序列转化为编码张量。具体地，将A,C,G,T和N编码为（1,0,0,0），这里字母“N”代表未测序的核苷酸（0,1,0,0）,（0,0,1,0）,（0, 0, 0,1）和（0,0,0,0）。这里字母“N”代表未测序的核苷酸。因此，输入的DNA序列被表示为一个4 × 41的编码矩阵，并被视为一个图像，这推动了我们的深度学习框架的设计。

3.Deep6mA 模型

Deep6mA由五层CNN、一层BLSTM和一层全连接层组成。CNN中的卷积层配置了256个滤波器，每个滤波器大小为10。在CNN层中使用ReLU作为激活函数

5.结果

5.1 CNN与CNN+LSTM的比较

在这一部分中，我们基于相同的训练数据，比较了CNN和CNN + LSTM在不同CNN设置下的性能。我们使用CNN相同架构来比较这两种方法，CNN和CNN+LSTM模型中的卷积层数设置为1、2或3，对应的卷积核大小设置为5、8、10或16，卷积核的数量设置为256。最后，CNN+LSTM模式中LSTM的单元号设置为32。表1显示了这两种方法在不同卷积层和内核大小下的性能。结果表明，CNN+ LSTM的性能优于CNN，这是因为LSTM能够学习序列背后的依赖结构。

此外，我们使用6mA-rice-Chen和Fragaria vesca数据作为额外的独立验证数据集来检验CNN + LSTM的这种边际改进是否适用于其他数据。来自S1和S2表的结果表明，当它们具有相同的CNN结构时，CNN + LSTM的性能优于CNN

5.2 CNN+LSTM的模型参数选择

CNN+LSTM框架的性能取决于滤波器大小和卷积层的卷积核数量，以及LSTM的隐藏单元数量。为了简化符号，我们将具有x卷积层、y卷积核、z滤波器大小和w隐藏单元的CNN+LSTM框架表示为具有参数x-y-z-w的CNN+LSTM。在这一部分，我们通过5倍交叉验证从参数x、y、z、w的30个不同设置中选择最佳CNN+LSTM模型。具体来说，我们从{1，2，3，4，5}中取x，从{64，256，512}中取y，从{16，32}中取w，将z固定在10。图1显示了CNN的预测性能

5.3 6mA位点的位置特征

在这一节中，我们研究了6mA位点的位置特征，也就是说，看看6mA甲基化是否在基因组的邻近区域富集。图A显示了12条染色体中相邻6mA位点之间的距离分布。根据研究结果，我们发现:(1)对于不同的染色体，相邻6mA位点之间的距离分布是相似的；(2)相邻6mA位点之间的平均距离大于64nt，这表明6mA位点很少出现在像5mC位点这样的连续区域内形成DMR。为了进一步研究确实聚集在一起的6mA位点的位置特征，我们观察了长度为30nt的具有超过5个6mA位点的子序列，并且发现这些子序列中几乎所有的6mA位点都位于启动子的TATA盒中。这意味着6mA通常可以在TATA盒中富集，TATA盒是启动子的重要功能成分。在RNA聚合酶与TATA盒紧密结合之前，转录过程不会开始。因此TATA盒上6mA甲基化的富集可能直接影响下游基因的表达。这可能是6mA甲基化修饰的重要调节功能。