DeepSATA:一个基于深度学习的序列分析器,结合了转录因子绑定亲和力,以剖析非编码遗传变异的影响
Wenlong Ma1,2, Yang Fu1,2, Yongzhou Bao1,2,3
1Shenzhen Branch, Guangdong Laboratory for Lingnan Modern Agriculture, Key Laboratory of Livestock and Poultry Multi-Omics of MARA, Agricultural Genomics Institute at Shenzhen, Chinese Academy of Agricultural Sciences, Shenzhen 518124, China.
International journal of molecular sciences
|August 12, 2023
概括
深度学习工具DeepSATA通过分析转录因子结合来预测物种间的基因组调节. 这促进了对动物表观遗传学和复杂特征的遗传变异的理解.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
背景情况:
- 对表观遗传学的深度学习模型通常需要广泛的特定物种数据,将其应用限制在研究不足的物种 (如牲畜) 上.
- 高质量的表观遗传数据的稀缺性阻碍了许多动物的非编码基因组分析可靠模型的开发.
研究的目的:
- 开发一个深度学习工具,DeepSATA,用于准确的跨物种预测染色质可访问性.
- 为了利用保存的转录因子结合偏好,进行增强的跨物种基因组分析.
主要方法:
- 开发了DeepSATA,这是一个集成转录因子结合亲和力的深度学习序列分析仪.
- 应用DeepSATA来分析猪,,牛,人类和小鼠的染色质可访问性.
- 利用转录因子的保存的DNA结合偏好来进行跨物种预测.
主要成果:
- DeepSATA提高了对包括牲畜在内的多种物种染色质可访问性的预测准确度.
- 证明了可靠的跨物种预测能力,特别是动物基因组.
- 成功分析了与经济特征相关的猪遗传变异,提高了基因组预测的准确性.
结论:
- DeepSATA为探索多样化的表观遗传学景观提供了一个有价值的工具.
- 该工具有助于识别与各种物种复杂特征相关的调节性DNA变异.
- 促进了牲畜基因组学的进步和对非编码基因组功能的理解.
更多相关视频
12:29Identifying Transcription Factor Olig2 Genomic Binding Sites in Acutely Purified PDGFRα+ Cells by Low-cell Chromatin Immunoprecipitation Sequencing Analysis
Published on: April 16, 2018
9.3K
12:54Real-time Analysis of Transcription Factor Binding, Transcription, Translation, and Turnover to Display Global Events During Cellular Activation
Published on: March 7, 2018
13.6K
