MSlocPRED:基于深度转移学习的多标签mRNA亚细胞定位的识别
Yun Zuo1, Bangyi Zhang1, Wenying He2
1School of Artificial Intelligence and Computer Science, Jiangnan University, No. 1800 Lihu Avenue, Binhu District, Wuxi 214000, China.
Briefings in bioinformatics
|October 14, 2024
概括
这项研究介绍了MSlocPRED,这是一种用于预测多标签信使RNA (mRNA) 亚细胞定位的新型计算模型. MSlocPRED显著优于现有的工具,提高了我们对基因表达调节的理解.
科学领域:
- 分子生物学分子生物学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 传递 RNA (mRNA) 的亚细胞局部化对于调节基因表达至关重要.
- 对于mRNA本地化预测的现有计算方法通常与多标签注释和概括扎.
- 为了更深入地了解转化控制,需要对mRNA亚细胞局部化的改进预测.
研究的目的:
- 开发一种新的计算模型,MSlocPRED,用于预测多标签mRNA亚细胞局部化.
- 解决现有方法在处理多个本地化注释方面的局限性,并提高预测性能.
- 为分析大型生物数据集中的mRNA局部化模式提供一个强大的工具.
主要方法:
- mRNA序列被预处理并转化为图像表示.
- 一种新的MDNDO-SMDU重新采样技术用于数据集平衡.
- 深度转移学习被用来构建MSlocPRED模型用于多标签分类.
- 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).
主要成果:
- 在两个数据集中,MSlocPRED准确地预测了16和18类的多标签mRNA亚细胞局部化.
- 拟议的MDNDO-SMDU重新采样技术在数据预处理方面表现出卓越的性能.
- 在使用来自5'和3'未翻译区域 (NC末端) 的35个核酸时,获得了最佳的预测准确度.
- 在独立测试和交叉验证方面,MSlocPRED显著优于已有的预测工具.
结论:
- 在预测多标签mRNA亚细胞局部化方面,MSlocPRED提供了显著的进步.
- 开发的模型和重新采样技术为分子生物学研究提供了宝贵的工具.
- 该研究强调了定制预处理和深度学习对于复杂的生物预测的重要性.
