iCRBP-LKHA:大型卷积内核和混合通道空间注意力用于识别circRNA-RBP相互作用位点
Lin Yuan1,2,3, Ling Zhao1,2,3, Jinling Lai1,2,3
1Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center, Qilu University of Technology (Shandong Academy of Sciences), Jinan, China.
PLoS computational biology
|August 22, 2024
概括
我们开发了iCRBP-LKHA,这是一个深度学习模型,用于识别循环RNA-RNA-结合蛋白 (circRNA-RBP) 相互作用部位. 这种方法有效地捕捉了长距离的依赖关系和多个特征的相互作用,优于现有的方法.
科学领域:
- 分子生物学分子生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 循环RNAs (circRNAs) 是基因表达在转录和转化水平的关键调节者.
- 识别circRNAs和RNA结合蛋白 (RBPs) 之间的相互作用对于理解细胞机制至关重要.
- 目前用于circRNA-RBP站点预测的深度学习方法在捕获远距离依赖性和整合多个特征方面存在局限性.
研究的目的:
- 提出一种基于深度学习 (DL) 的新型模型iCRBP-LKHA,用于准确识别circRNA-RBP交互点.
- 克服现有的DL方法在处理远程依赖和多特征相互作用方面的局限性.
- 通过深度混合网络架构,提高circRNA-RBP结合点的预测性能.
主要方法:
- 开发了iCRBP-LKHA,一个DL模型,采用五个编码方案和一个深度混合网络.
- 网络架构集成了一个大内核卷积神经网络 (LKCNN),一个卷积块注意模块与一维卷积 (CBAM-1D) 和一个双向门循环单元 (BiGRU).
- 对多个circRNA和线性RNA数据集的浅层学习算法和最先进的DL方法进行模型性能评估.
主要成果:
- 与浅层学习算法相比,iCRBP-LKHA在37个circRNA数据集 (标准和严格) 上表现出优异的性能.
- 该模型在37个circRNAs数据集 (标准和严格) 和31个线性RNA数据集上表现优于现有的最先进的DL方法.
- 拟议的架构有效地捕获了当地和全球背景信息,并利用了多功能交互.
结论:
- iCRBP-LKHA显著提高了circRNA-RBP相互作用地点的预测准确度.
- 该模型的架构结合了LKCNN,CBAM-1D和BiGRU,证明了对复杂的RNA-蛋白相互作用预测的有效性.
- iCRBP-LKHA显示出在识别其他RNA-RBP相互作用位点方面具有更广泛应用的潜力.
