通过在新型非促销者生成下基于罗网络的对比学习来识别蓝菌促销者

科学领域:

• 基因组学和生物信息学
• 分子生物学分子生物学
• 计算生物学 计算生物学

背景情况:

• 准确识别蓝菌促进体对于全基因组分析至关重要.
• 现有的促进者识别计算方法往往会在促进者和非促进者之间产生人工差异,导致过度乐观的预测.
• 目前的模型通常是为大肠杆菌或B. subtilis等生物体设计的,并且无法识别独特的蓝菌促进因子.

研究的目的:

• 开发一种新的非促销者生成策略,以消除促销者预测模型中的人工差异.
• 提出针对蓝藻细菌量身定制的先进促销者预测模型,能够发现新的动机.
• 为了提高在蓝藻细菌中计算促进体识别的准确性和可靠性.

主要方法:

• 引入了"幻影采样",一种用于生成非促销器序列的新策略,以减轻人工区别.
• 开发了SiamProm,这是一个使用罗网络架构的新型促销者预测模型.
• SiamProm分析了全球关联,上游/下游环境和k-mer代币邻里关系,以描述促销者序列.

主要成果:

• 幻影抽样有效地消除了促销商和产生的非促销商之间的虚假差异.
• 在促进者预测方面,SiamProm与最先进的方法相比,表现优越.
• 除研究和特征空间可视化证实了姆网络及其在SiamProm.中的组件的有效性.
• SiamProm与幻影采样相结合,确定了一种新型的蓝菌促进因子:"GCGATCGC".

结论:

• 拟议的幻影采样策略和SiamProm模型显著提高了蓝藻细菌促进体识别的准确性.
• SiamProm成功地发现了新的,独特的促销者动机,解决了现有工具的局限性.
• 新发现的"GCGATCGC"图案是以平行体模式,内容保存和位置转移为特征的,为蓝色细菌基因调节提供了新的见解.