目前的基因组深度学习模型显示,细胞类型特定的可访问区域的性能下降

科学领域:

• 基因组学就是基因组学.
• 计算生物学 计算生物学
• 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.

背景情况:

• 深度学习模型预测了表观遗传特征,例如DNA序列的染色质可访问性.
• 调节元件 (CREs) 对于基因调节至关重要,但构成很小的基因组分数.
• 细胞类型特定的CREs对于复杂疾病的遗传性至关重要.

研究的目的:

• 在细胞类型特定的染色质可访问区域中评估基因组深度学习模型.
• 将通用模型与组织/任务特定模型进行比较.
• 确定在功能重要基因组区域改善模型性能的策略.

主要方法:

• 评估了Enformer和Sei模型在不同细胞类型特异性的性能.
• 将通用模型与单任务和高容量的多任务模型进行比较.
• 在一般的全基因组和特定可访问区域分析了模型性能.

主要成果:

• 基因组深度学习模型的准确性在整个基因组中各不相同,在特定细胞类型的可访问区域下降.
• 单任务学习和高容量的多任务模型提高了特定细胞类型区域的性能.
• 改进的参考序列预测并没有持续增强变异效应预测.

结论:

• 基因组深度学习模型的性能在特定细胞类型的可访问区域下降.
• 增加模型能力等策略可以提高这些关键监管区域的绩效.
• 需要新的方法来提高变异效应预测的准确性.