DNA呼吸与深度学习的整合基础模型推进了全基因组绑定预测人类转录因子的预测
Anowarul Kabir1,2, Manish Bhattarai1, Selma Peterson1
1Theoretical Division, Los Alamos National Laboratory, Los Alamos, 87544 NM, USA.
我们开发了EPBDxDNABERT-2,一种深度学习模型,将DNA呼吸动态与转录因子 (TF) 结合联系起来. 这种模型显著改善了TF-DNA结合预测,有助于理解与疾病相关的遗传变异.
科学领域:
- 基因组学就是基因组学.
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 在DNA呼吸,热力学稳定性,转录活性和转录因子 (TF) 结合之间存在功能相关性.
- 了解TF结合和DNA呼吸之间的精确关系对于破译基因调节至关重要.
研究的目的:
- 开发一种多模态深度学习模型,EPBDxDNABERT-2,将DNA生物物理特性与序列信息相结合,以预测TF-DNA结合.
- 通过使用ChIP-Seq和HT-SELEX数据集对现有方法进行模型性能评估.
主要方法:
- 开发EPBDxDNABERT-2,这是一个基于扩展Peyrard-Bishop-Dauxois (EPBD) 非线性DNA动态模型的深度学习模型.
- 在690个ChIP-Seq实验的大量数据集上训练模型,跨越161个TF和91种人类细胞类型.
- 使用215个TF的体外HT-SELEX数据集进行验证,并与已建立的框架进行比较.
主要成果:
- EPBDxDNABERT-2显著改善了660多个TF-DNA结合事件的预测,与基线模型相比,AUROC增加了高达9.6%.
- 将DNA呼吸特征与DNABERT-2基础模型的整合大大提高了TF结合预测.
- 该模型在多个物种的基因组上进行了训练,具有交叉注意力机制,证明了改进的预测能力.
结论:
- EPBDxDNABERT-2有效地将DNA的生物物理特性与基于序列的模型集成在一起,以增强TF-DNA结合预测.
- 该模型提供了通过全基因组关联研究识别的与疾病相关的非编码变异机制的见解.
更多相关视频
12:29Identifying Transcription Factor Olig2 Genomic Binding Sites in Acutely Purified PDGFRα+ Cells by Low-cell Chromatin Immunoprecipitation Sequencing Analysis
Published on: April 16, 2018
06:38High Sensitivity Measurement of Transcription Factor-DNA Binding Affinities by Competitive Titration Using Fluorescence Microscopy
Published on: February 7, 2019
相关概念视频
Transcription Factors
Cooperative Binding of Transcription Regulators
General Transcription Factors
Combinatorial Gene Control
The expression of more than 30,000 genes is controlled by approximately 2000-3000 transcription factors. This is possible because a single transcription factor can recognize more than one regulatory sequence. The specificity in gene...
Co-activators and Co-repressors
RNA Polymerase II Accessory Proteins
