DRANetSplicer:一个基于深度剩余注意网络的拼接位置预测模型
Xueyan Liu1, Hongyan Zhang1, Ying Zeng2
1College of Information and Intelligence, Hunan Agricultural University, Changsha 410128, China.
Genes
|April 27, 2024
概括
一个新的深度学习模型,DRANetSplicer,准确地识别了跨生物体的基因拼接地点. 它的性能优于现有的方法,有助于基因注释,特别是对研究不足的物种.
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:
- 准确的拼接部位识别对于基因注释和理解基因结构/功能至关重要.
- 目前用于预测结合部位的方法在准确性和跨生物体适用性方面存在局限性.
研究的目的:
- 开发和评估DRANetSplicer,这是一个新的深度学习模型,用于精确的拼接位置识别.
- 评估DRANetSplicer的性能与多个生物体的基准方法进行比较.
- 为了研究DRANetSplicer的跨生物体预测能力.
主要方法:
- 开发了DRANetSplicer,这是一个集成残留学习和注意力机制的深度学习模型.
- 使用最近的基因组数据构建的训练数据集来自 *Oryza sativa japonica*, *Arabidopsis thaliana* 和 *Homo sapiens*.
- 使用已建立的拼接位置预测工具 (SpliceFinder,Splice2Deep,Deep Splicer,EnsembleSplice,DNABERT) 进行比较分析.
主要成果:
- 在三种生物体中,DRANetSplicer实现了高平均精度 (96.57%的捐赠者,95.82%的接受者).
- 与基准标准相比,表现出优异的预测性能,平均错误率降低了4.2%-11.6%.
- 展示了强大的跨生物体预测能力,甚至在非跨生物体预测中表现优于基准.
结论:
- DRANetSplicer为拼接部位识别提供了更高的准确性和稳定性.
- 该模型的跨生物体预测能力支持其用于对各种物种的基因注释,包括研究不足的物种.
- 模型的可解释性证实了其学习关键生物特征的能力,验证了其实际应用.
