MLSNet:一种用于预测转录因子结合位点的深度学习模型
Yuchuan Zhang1, Zhikang Wang2, Fang Ge3
1School of Computer Science and Engineering, Nanjing University of Science and Technology, 200 Xiaolingwei, Nanjing 210094, China.
我们开发了MLSNet,这是一种深度学习模型,通过整合序列和形状特征,准确预测转录因子结合位点 (TFBS). MLSNet的性能优于现有的方法,推进了基因调节研究.
科学领域:
- 计算生物学 计算生物学
- 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:
- 准确预测转录因子结合位点 (TFBS) 对于理解基因调节和疾病机制至关重要.
- 目前用于TFBS预测的深度学习模型显示出有希望的结果,但有能力提高性能.
研究的目的:
- 引入MLSNet,这是一种用于增强TFBS预测的新型深度学习架构.
- 为了利用多尺寸卷积融合,LSTM和DNA形状特征来提高精度.
主要方法:
- 开发了MLSNet,将多尺寸卷积融合与LSTM网络集成在一起.
- 整合了超级代币注意力和Bi-LSTM来提取更高阶的DNA形状特征.
- 根据最先进的算法对165个ChIP-seq数据集进行了MLSNet的验证.
主要成果:
- 在多个指标 (ACC,AUROC,AUPRC) 中,MLSNet在TFBS预测方面表现出卓越的表现.
- 实现了0.8306 (ACC),0.8992 (AUROC) 和0.9035 (AUPRC) 的平均指标.
- 显著优于第二好的方法 (1.82%的ACC,1.68%的AUROC,1.54%的AUPRC).
结论:
- 结合多大小的卷积层,LSTM和DNA形状特征,有效地提高了TFBS预测的准确性.
- MLSNet提供了一个强大的方法来预测TFBS,在各种细胞系和转录因子中具有一致的性能.
- 这项研究强调了先进的深度学习架构在计算生物学中的潜力.
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
03:37Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers
Published on: March 1, 2024
相关概念视频
Transcription Factors
Conserved Binding Sites
Binding sites are often located in large pockets, and if their location on a protein’s surface is unknown, it can be predicted using various approaches. The energetic method computationally...
Cooperative Binding of Transcription Regulators
General Transcription Factors
Master Transcription Regulators
RNA Polymerase II Accessory Proteins
