SENet:一个深度学习框架,通过序列信息来区分超级和典型增强器
1School of Computer Sciences, University of South China, Hengyang 421001, China.
Computational biology and chemistry
|June 22, 2023
概括
研究人员开发了SENet,这是一种深度学习方法,仅使用DNA序列信息来区分超级增强剂和典型增强剂. 这种方法避免了昂贵的实验,并实现了最先进的性能,为新的疾病见解铺平了道路.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 超级增强剂是定义细胞身份和基因表达的关键基因组调节元素.
- 它们与各种疾病有关,并为特征相关的遗传变异增添丰富.
- 目前用于超级增强剂识别的方法依赖于昂贵且耗时的实验数据.
研究的目的:
- 开发一种新的计算方法,仅使用DNA序列信息来区分超级增强剂和典型增强剂.
- 在增强器分类中绕过实验性高通量数据的需求.
- 为超级增强剂识别提供一个具有成本效益和效率的工具.
主要方法:
- 提出了深度神经网络模型SENet,该模型包含dna2vec用于特征嵌入.
- 利用卷积神经网络进行局部特征提取和注意力聚合,以获得精细的特征保留.
- 采用变压器架构,从序列数据中提取上下文信息.
主要成果:
- 与现有的最先进的计算方法相比,SENet实现了更高的性能.
- 该模型在跨物种验证中显示出令人满意的准确性.
- 仅使用序列信息,成功地将超级增强剂与典型增强剂区分开来.
结论:
- SENet代表了一种开创性的方法,用于基于序列数据的超级增强器识别.
- 该方法在增强器分析的效率和成本效益方面取得了显著的进步.
- 这项工作为了解超级增强剂在细胞调节和疾病中的作用开辟了新的途径.
相关概念视频
02:02Cis-regulatory Sequences
3.0K
3.0K
02:51Multi-species Conserved Sequences
4.0K
Next-generation sequencing technologies have created large genomic databases of a variety of animals and plants. Ever since the human genome project was completed, scientists studied the genome of primates, mammals, and other phylogenetically distant living beings. Such large-scale studies have provided new insights into the evolutionary relationship between organisms.
Although the genome of each species varies greatly from each other, a few sequences are highly conserved. Such conserved...
Although the genome of each species varies greatly from each other, a few sequences are highly conserved. Such conserved...
4.0K