プロモーター予測のための次元削減とクロスドメイン知識統合を伴うWord2Vec-ResNet転移学習モデル

科学分野:

• ゲノミクス
• バイオインフォマティクス
• 計算生物学

背景:

• プロモーター予測は、遺伝子調節を理解するために不可欠です。
• one-hotエンコーディングなどの従来のメソッドは、高次元性と限定的な知識統合という課題に直面しています。
• 単一ドメインの知識制約は、既存モデルの予測パフォーマンスを妨げます。

研究 の 目的:

• プロモーター予測のための高度な手法、Word2Vec-ResNetを提案すること。
• プロモーター予測における従来のエンコーディング戦略の限界に対処すること。
• 自然言語処理（NLP）とクロスドメイン転移学習を統合して、モデルの一般化能力を向上させること。

主な方法:

• ソースドメインデータでヌクレオチド配列の埋め込みを事前トレーニングするためにWord2Vecを使用しました。
• プロモーター予測のためにResNetアーキテクチャを実装しました。
• 事前トレーニングされた埋め込みをターゲットドメインに転送することにより、クロスドメイン転移学習を適用しました。
• Bacillus subtilis、Escherichia coli、Saccharomyces cerevisiae、Drosophila melanogasterの4つの異なる生物のプロモーターデータセットで方法を評価しました。

主要な成果:

• one-hotエンコーディングと比較して、エンコーディング次元を平均97.6%削減しました。
• ベースライン手法と比較して、予測精度を平均18.12%向上させました。
• 複数の種で大幅なパフォーマンス向上が見られ、モデルの一般化能力が強調されました。

結論:

• Word2Vec-ResNetは、プロモーター予測精度を向上させながら、エンコーディング次元を効果的に削減します。
• NLPとクロスドメイン転移学習の統合は、転写調節メカニズムを解読するための強力なアプローチを提供します。
• この方法は、ゲノム解析と遺伝子調節研究のための、より効率的で正確なツールを提供します。