i5mC-DCGA:基于CBAM注意力机制的改进混合网络框架,用于识别促进者5mC站点
Jianhua Jia1, Rufeng Lei2, Lulu Qin3
1School of Information Engineering, Jingdezhen Ceramic University, 333403, Jingdezhen, China. jjh163yx@163.com.
BMC genomics
|March 5, 2024
概括
一个新的深度学习模型,i5mC-DCGA,准确地识别了5-甲基细胞素 (5mC) 位点,这对基因稳定性和发育至关重要. 这种计算方法克服了5mC位点检测传统方法的局限性.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 5-甲基细胞氨酸 (5mC) 对基因稳定性,转录和发育至关重要.
- 准确的5mC位点识别对于遗传学和病理学研究至关重要.
- 对于5mC检测的传统实验方法是艰苦而昂贵的,需要计算解决方案.
研究的目的:
- 开发一种自动化的计算方法,用于准确的5mC地点识别.
- 解决生物研究中对高效,低成本的5mC检测的需求.
主要方法:
- 开发了一个深度学习组合模型,命名为i5mC-DCGA.
- 集成了卷积块注意模块 (CBAM) 与密集卷积网络 (DenseNet) 进行先进的本地特征提取.
- 用于全球特征提取的双向门式反复单元 (BiGRU) 和自我注意机制.
- 使用简单的序列编码来学习复杂的特征表示和解决样本不平衡.
主要成果:
- 该i5mC-DCGA模型实现了高性能指标:97.02%的灵敏度,96.52%的特异性,96.58%的准确性和85.58%的马修斯相关系数 (MCC).
- 证明模型能够从序列数据中学习复杂的特征表示.
- 成功解决了对基准数据集样本不平衡的挑战.
结论:
- 该i5mC-DCGA模型超越了现有的5mC地点预测工具.
- 它代表了一种领先的计算工具,用于预测促销者5mC站点.
- 基准数据集和源代码是公开可用于研究的.
更多相关视频
11:36Author Spotlight: An Integrated Workflow to Study the Promoter-Centric Spatio-Temporal Genome Architecture in Scarce Cell Populations
Published on: April 21, 2023
2.0K
12:39A Novel Bayesian Change-point Algorithm for Genome-wide Analysis of Diverse ChIPseq Data Types
Published on: December 10, 2012
11.4K
