深度神经网络的快速和高效设计,用于预测使用autoBioSeqpy的N7-Methylguanosine站点
Yonglin Zhang1, Lezheng Yu2, Runyu Jing3
1Department of Pharmacy, Affiliated Hospital of North Sichuan Medical College, Nanchong 637000, China.
ACS omega
|June 12, 2023
概括
这项研究介绍了autoBioSeqpy,这是一种简化深度学习模型开发的工具,用于N7-甲基瓜诺辛 (m7G) 位点预测. 它提供了一种有效的方法来识别对基因表达调节至关重要的RNA修饰.
科学领域:
- 分子生物学分子生物学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- N7-甲基氨酸 (m7G) 是一个重要的转录后RNA修饰,调节基因表达.
- 准确的m7G部位识别对于理解其生物作用至关重要.
- 整个基因组测序是准确的,但对于m7G检测来说是昂贵和耗时的.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于使用autoBioSeqpy工具预测m7G网站.
- 为m7G网站识别提供简化和高效的计算方法.
- 为研究RNA修饰的研究人员提供实用指南和可访问的资源.
主要方法:
- 使用了autoBioSeqpy,这是一个DL框架用于生物序列分类.
- 专门为m7G站点预测开发,训练和微调的序列级DL模型.
- 应用DL模型来分析生物序列数据以识别m7G修饰位.
主要成果:
- 通过使用autoBioSeqpy.成功开发和评估了用于m7G站点预测的DL模型.
- 证明了autoBioSeqpy工具在简化DL模型创建方面的效率和有效性.
- 提供了详细的模型描述和逐步执行指南,以实现可重复性.
结论:
- autoBioSeqpy为开发DL模型用于RNA修饰部位预测提供了一个高效的解决方案.
- 该方法适用于除了m7G位点识别之外的各种生物序列分类任务.
- 自由可用的代码和数据促进了RNA修饰分析的进一步研究.
