植物-LncPipe:一种计算管道,可以显著改善植物 lncRNA 识别
Xue-Chan Tian1, Zhao-Yang Chen1, Shuai Nie2
1State Key Laboratory of Tree Genetics and Breeding, National Engineering Research Center of Tree Breeding and Ecological Restoration, Beijing Advanced Innovation Center for Tree Breeding by Molecular Design, National Engineering Laboratory for Tree Breeding, Key Laboratory of Genetics and Breeding in Forest Trees and Ornamental Plants, Ministry of Education, College of Biological Sciences and Technology, Beijing Forestry University, Beijing 100083, China.
Horticulture research
|April 19, 2024
概括
鉴定植物长非编码RNA (lncRNAs) 是一个挑战. 用工厂数据重新训练现有模型显著提高了准确性,从而开发出高效的工厂-LncPipe管道用于lncRNA发现.
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.
- 植物生物学 植物生物学
背景情况:
- 长非编码RNAs (lncRNAs) 对植物发育和生物过程至关重要.
- 现有的lncRNA识别计算工具主要是为动物模型开发的,这限制了它们在植物中的准确性.
- 需要专门的和验证的方法来识别植物 lncRNA.
研究的目的:
- 评估和改进现有的机器学习模型的性能,用于植物 lncRNA识别.
- 为全面的植物 lncRNA 分析开发一个强大而高效的管道.
主要方法:
- 使用植物特定数据集重新训练现有的lncRNA识别模型 (CPAT,PLEK,LncFinder).
- 与已建立的 lncRNA 预测工具 (CPC2,CNCI,RNAplonc,LncADeep) 进行重新训练模型的性能比较.
- 开发了一种基于集体的管道 (Plant-LncPipe),集成了表现最好的再培训模型.
主要成果:
- 用植物数据重新训练模型显著提高了他们对植物 lncRNAs 的预测准确度.
- 经过重新训练的LncFinder工厂和CPAT工厂模型及其组合表现出卓越的性能.
- 植物-LncPipe为植物 lncRNA识别,分类和原产地分析提供了一个综合解决方案.
结论:
- 模型再培训对于准确的植物 lncRNA识别至关重要.
- 开发的Plant-LncPipe管道为植物 lncRNA 发现提供了一个高效和有效的工具.
- 这项工作解决了植物基因组学的一个关键挑战,促进了对lncRNA功能的进一步研究.
