通过信号分解和多尺度的注意力来克服高分辨率增强的Hi-C数据中的人工结构

科学领域:

• 基因组学就是基因组学.
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 染色体构造捕获 (Hi-C) 数据提供了对3D基因组组织的见解,但通常具有有限的分辨率.
• 计算增强对于从Hi-C数据中推断高分辨率的基因组特征至关重要.
• 现有的深度学习方法可以引入人工结构,并专注于局部模式,限制其有效性.

研究的目的:

• 开发一种新的计算方法,SHARP,用于准确的高分辨率增强Hi-C数据.
• 解决当前深度学习方法的局限性,例如补丁诱导的文物和全球模式的不足捕获.
• 改进显著基因组相互作用的识别及其与染色质状态的关系.

主要方法:

• SHARP将Hi-C数据分解成三种信号类型:1D近距离,连续域和细结构.
• 深度学习选择性地应用于细结构信号,以避免与补丁相关的工件.
• 结合了本地和全球注意力机制,以捕获多个规模的上下文信息,以增强模式识别.

主要成果:

• 与最先进的方法相比,SHARP在分辨率增强精度方面表现出卓越的表现.
• 该方法有效地避免了经常在深度学习增强的Hi-C数据中看到的人工结构的创建.
• 在不同数据集和物种中,SHARP显示了对不同染色质状态的显著相互作用和丰富的改进识别.

结论:

• SHARP提供了一种强大而准确的方法来提高Hi-C数据分辨率,克服以前方法的局限性.
• 在SHARP中,信号分解策略和注意力机制使得可以更可靠地推断出3D基因组组织.
• 这种方法推进了Hi-C数据的分析,促进了对基因组结构和功能的更深入理解.