4mC-CGRU:使用卷门循环单元识别N4-Methylcytosine (4mC) 位点在罗莎系的基因组中
Abida Sultana1, Sadia Jannat Mitu2, Md Naimul Pathan1
1Department of Computer Science and Engineering, Green University of Bangladesh, Dhaka, Bangladesh.
Computational biology and chemistry
|November 9, 2023
概括
这项研究介绍了4mC-CGRU,这是一种用于识别DNAN4-甲基细胞素 (4mC) 位点的深度学习模型. 该模型高效地提取来自罗莎属的基因组的特征,优于现有的方法.
科学领域:
- 基因组学就是基因组学.
- 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
- 生物信息学是一种生物信息学.
背景情况:
- DNA N4-甲基细胞素 (4mC) 是一种关键的表观遗传修饰,影响DNA结构和生物功能.
- 识别4mC地点的传统方法依赖于低效,昂贵,手工制作的特征.
- 准确的4mC位点识别对于理解基因调节和基因组稳定性至关重要.
研究的目的:
- 开发一种高效的深度学习模型,用于识别DNA序列中的4mC位点.
- 为了实现4mC地点检测的自主特征选择.
- 将该模型应用于罗莎属植物的基因组,特别是罗莎中国属植物和弗拉加利亚属植物.
主要方法:
- 提出了一个新的深度学习模型,4mC-CGRU,集成卷积神经网络 (CNN) 和门式循环单元 (GRU).
- 采用标准编码方法来表示DNA序列.
- 利用CNN进行特征提取,使用GRU进行序列分类.
主要成果:
- 4mC-CGRU模型展示了有效的自主特征提取,用于4mC部位识别.
- 该模型在检测Rosa chinensis和Fragaria vesca基因组中的4mC位点方面取得了卓越的性能.
- 对比分析证实,拟议模型的性能优于最先进的方法.
结论:
- 4mC-CGRU深度学习方法提供了一个高效和准确的方法来识别4mC站点.
- 这种计算模型通过自动化特征选择和提高植物基因组检测准确度来推进表观遗传学研究.
- 这些发现为在各种生物体中进行更复杂的表观遗传分析铺平了道路.
