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:

• 深度学习模型从DNA序列中预测表观遗传特征.
• 基因调节元素 (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具有显著的复杂疾病遗传性.

研究的目的:

• 在染色体可访问区域评估基因组深度学习模型.
• 比较一般用途与组织/特定任务的模型.
• 确定在特定细胞类型的区域中改善模型性能的策略.

主要方法:

• 评估深度学习模型在可访问区域的不同细胞类型特异性的性能.
• 将通用模型 (Enformer,Sei) 与量身定制的模型进行比较.
• 研究模型能力和培训策略对绩效的影响.

主要成果:

• 模型的准确性在全基因组范围内有所不同,在特定细胞类型的可访问区域下降.
• 增加模型容量 (单任务或高容量多任务) 提高了这些地区的性能.
• 参考序列预测的改进并不总是提高变异效应的预测.

结论:

• 基因组深度学习模型的性能在整个基因组中不均.
• 在特定细胞类型的可访问区域,性能显著下降.
• 现有策略可以提高细胞类型特定监管元素的模型性能.