4mC网站识别算法基于预先训练的DNABert-Pruning模型和融合的人工特征编码

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:

• DNA 4mC对于基因表达至关重要,但当前的深度学习模型在DNA序列特征表示方面存在困难.
• 精确识别DNA4mC位点对于理解基因调节至关重要.

研究的目的:

• 开发一种先进的算法,用于识别DNA4mC位点,并改进特征表示能力.
• 解决现有的深度学习方法在捕获复杂的DNA序列信息方面的局限性.

主要方法:

• 提出了DNABert-4mC算法,将一个修剪的DNABert-Pruning模型与人工特征编码集成在一起.
• 开发了AFF-4mC融合策略,以结合人工特征和用于增强DNA序列表示的修剪模型.
• 针对4mC位点和序列内的核酸重要性进行了优化特征提取.

主要成果:

• DNABert-4mC算法在六个独立测试集中实现了高平均AUC93.81%.
• 与其他七种先进算法相比,表现出优越的性能,识别准确度得到了显著改进.
• 融合策略有效地增强了DNA序列的多语义空间表示.

结论:

• DNABert-4mC提供了一种更精确,更准确的方法来识别DNA4mC位点.
• 整合修剪的深度学习模型和人工特征代表了生物信息学工具开发的有希望的方向.
• 这种算法推进了表观遗传学分析和基因表达研究领域.