使用混合深度神经网络预测circRNA-RBP结合点
Liwei Liu1,2, Yixin Wei1, Zhebin Tan3
1College of Science, Dalian Jiaotong University, Dalian, 116028, China.
Interdisciplinary sciences, computational life sciences
|February 21, 2024
概括
一个新的计算模型,circ-FHN,只使用circRNA序列,准确地预测循环RNA- (circRNA-) RNA结合蛋白 (RBP) 相互作用. 这种方法克服了以前方法的局限性,采用先进的特征提取和混合深度学习架构.
科学领域:
- 生物信息学是一种生物信息学.
- 分子生物学分子生物学
- 基因组学就是基因组学.
背景情况:
- 循环RNAs (circRNAs) 是生物过程和疾病的关键调节者,与RNA结合蛋白 (RBPs) 相互作用.
- 预测circRNA-RBP相互作用对于理解基因调节至关重要,但现有的计算方法通常依赖于有限的特征提取.
- 识别这些相互作用的传统实验方法耗时且昂贵.
研究的目的:
- 开发一种新的计算模型,circ-FHN,用于仅基于circRNA序列来预测circRNA-RBP相互作用.
- 通过解决单特征提取方法的局限性,提高circRNA-RBP相互作用预测的准确性和效率.
主要方法:
- 该circ-FHN模型使用混合深度学习架构,将卷积神经网络 (CNN) 结合起来,用于高级特征学习和双向门循环单元 (BiGRU) 来捕获顺序依赖.
- 使用四种不同的编码方法提取序列特征,这些方法包含circRNA序列的物理化学特性.
主要成果:
- 与现有的计算方法相比,circ-FHN在16个不同的数据集中表现出卓越的性能.
- 废弃实验和模式分析验证了拟议的特征提取和混合深度学习方法的有效性.
- 该模型在预测circRNA-RBP相互作用方面取得了非常高的准确性.
结论:
- 该circ-FHN模型提供了一个强大而准确的计算工具,用于仅使用序列信息来预测circRNA-RBP相互作用.
- 这种方法为研究circRNA功能和疾病相关性的实验方法提供了成本效益高效的替代方案.
- 开发的模型及其源代码是公开可用的,用于进一步的研究和应用.


