Nm-Nano:一种机器学习框架,用于在纳米孔直接RNA测序数据集中的2'-O-甲基化 (Nm) 位点的转录组范围单分子映射

科学领域:

• 分子生物学分子生物学
• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.

背景情况:

• 2'-O-甲基化 (Nm) 是一种普遍存在的RNA修饰,对tRNA功能,mRNA稳定性和rRNA生物生成至关重要.
• 使用牛津纳米孔技术的直接RNA测序可以直接检测RNA修饰.
• 了解Nm的作用需要准确识别其修改位点.

研究的目的:

• 开发和验证Nm-Nano,这是一个生物计算框架,用于预测2'-O-甲基化 (Nm) 位点.
• 将Nm-Nano应用于来自人类细胞系 (HeLa和HEK293) 的直接RNA测序数据.
• 通过Nm修饰来调节的基因和生物通路的识别.

主要方法:

• 开发了Nm-Nano,集成了极端梯度提升 (XGBoost) 和随机森林 (RF) 机器学习模型.
• 利用K-mer嵌入用于ML模型中的特征表示.
• 应用Nm-纳米导向来自HeLa和HEK293细胞系的RNA测序数据.

主要成果:

• 在预测Nm位点方面,Nm-Nano取得了很高的准确性 (XGBoost99%,RF92%).
• 在HeLa细胞中确定了125个频繁Nm修饰的基因,丰富了免疫反应和细胞过程.
• 在HEK293细胞中发现了61个频繁Nm修饰的基因,富含糖解和蛋白质定位.

结论:

• 在直接的RNA测序数据中,Nm-Nano提供了一种强大的方法来识别Nm位点.
• Nm修饰在细胞代谢,蛋白质降解和免疫反应中发挥着不同的调节作用.
• 这项研究强调了Nm在不同细胞类型的各种生物途径中的重要性.