DeepASDPred:一种基于CNN-LSTM的深度学习方法,用于自闭症谱系障碍风险RNA识别
Yongxian Fan1, Hui Xiong1, Guicong Sun2
1School of Computer Science and Information Security, Guilin University of Electronic Technology, Guilin, 541004, China.
BMC bioinformatics
|June 22, 2023
概括
这项研究介绍了DeepASDPred,这是一种用于识别自闭症谱系障碍 (ASD) 风险RNA的深度学习模型. 该预测器有效地识别了ASD风险RNA基因,优于现有方法.
科学领域:
- 遗传学和生物信息学
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
背景情况:
- 自闭症谱系障碍 (ASD) 是由遗传学影响的神经发育状况,影响沟通和行为.
- 蛋白质编码基因的新突变与自闭症相关,因此需要有效识别风险因素.
- 下一代测序有助于识别ASD风险RNA,但目前的方法资源密集.
研究的目的:
- 开发一个有效的计算模型来预测自闭症谱系障碍 (ASD) 风险RNA.
- 利用深度学习来提高ASD风险基因识别的准确性.
主要方法:
- 利用K-mer进行RNA转录序列特征编码.
- 整合基因表达值以创建特征矩阵.
- 用于特征选择的千平方测试和逻辑回归.
- 使用卷积神经网络 (CNN) 和长短期记忆 (LSTM) 开发了一种二进制分类模型.
主要成果:
- 在十倍交叉验证中,DeepASDPred与最先进的方法相比表现优越.
- 该模型有效地识别了ASD风险RNA基因.
- 开发的预测器在实验评估中取得了出色的表现.
结论:
- DeepASDPred提供了一种高效的计算方法来识别ASD风险RNA.
- 该研究强调了深度学习在推进自闭症研究方面的潜力.
