TSSUNet-MB - 在使用深度多任务学习的Escherichia coli中初始识别s70促进者转录起点
Chung-En Ni1, Duy-Phuong Doan1, Yen-Jung Chiu1
1Institute of Biomedical Informatics, National Yang Ming Chiao Tung University, Taipei, Taiwan.
Computational biology and chemistry
|June 16, 2023
概括
TSSUNet-MB准确地识别了 prokaryotic 促进体中的转录起点 (TSS),超过了现有的计算促进体预测工具. 这种深度学习模型精确地定位TSS,改进了促进者区域分析.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 传统的计算促进器预测 (CPP) 工具假设固定转录开始地点 (TSS) 位置.
- 这种假设限制了它们的准确性和适合性,以确定 prokaryotic 促销器边界.
- 现有的CPP工具对TSS的位置变化敏感,从而降低了它们的可靠性.
研究的目的:
- 开发一种深度学习模型,用于精确识别 prokaryotic σ70 促进体中的 TSS.
- 克服现有的CPP工具在处理TSS位置变化的局限性.
- 提供一种可靠的方法来确定 prokaryotic 促销器边界和 TSS 位置.
主要方法:
- 开发了TSSUNet-MB,这是一个使用单核酸和可曲性序列编码的深度学习模型.
- 采用滑动窗口扫描方法来分析围绕真实发起者的序列.
- 为预测的TSS计算了可信度评分,以提高位置准确性.
主要成果:
- 与其他CPP工具相比,TSSUNet-MB在真实发起人社区序列上表现出了优越的性能.
- 在滑动序列上获得高灵敏度 (0.839) 和特异性 (0.768),保持一致的性能.
- 精确预测了70个TSS促销者位置,在10个基数窗口内准确率为77.6%.
结论:
- TSSUNet-MB是一个强大而准确的深度学习工具,用于识别70个推广者及其TSS.
- 该模型有效地解决了传统CPP工具在TSS位置变化方面的局限性.
- TSSUNet-MB可以更精确地确定 prokaryotic 促成者区域和 TSS 位置.
