miCGR:可解释的深度神经网络,用于预测微RNA的站点级和基因级功能目标
Xiaolong Wu1,2, Lehan Zhang2,3, Xiaochu Tong2,3
1School of Pharmacy, East China University of Science and Technology, 130 Meilong Road, Shanghai 200237, China.
Briefings in bioinformatics
|November 26, 2024
概括
我们开发了miCGR,这是一个使用增强的混沌游戏表示来准确预测微RNA (miRNA) 目标的深度学习工具. 这种方法提高了对疾病治疗的miRNA-mRNA相互作用的理解.
科学领域:
- 基因组学就是基因组学.
- 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:
- 微RNAs (miRNAs) 通过准信使RNAs (mRNAs) 来调节基因表达,在癌症等疾病中发挥作用.
- 准确的miRNA目标预测对于开发基于miRNA的新疗法至关重要.
- 现有的预测方法面临挑战,原因是有限的相互作用知识和缺乏可解释性.
研究的目的:
- 引入miCGR,一个端到端的深度学习框架,用于准确和可解释的miRNA目标预测.
- 通过结合序列组成和先前的生物学知识来解决传统方法的局限性.
主要方法:
- 利用了2D卷积神经网络,并增强了miRNA和目标站点序列的混乱游戏表示 (CGR).
- 将遗传序列转换为2D图形表示,捕捉组合和后续频率.
- 结合了种子区域和后续位置的先前知识,识别了除了简单的字符匹配之外的功能动机.
主要成果:
- 在网站和基因水平上预测功能性miRNA目标方面,MiCGR表现出比现有方法更好的性能.
- 通过评估后续贡献,沙普利的价值分析提高了模型的解释性.
- 观察到精度提高,特别是在放宽候选目标地点 (CTS) 选择标准的情况下.
结论:
- MiCGR提供了一种强大的,可解释的深度学习方法,用于miRNA目标预测.
- 该框架为设计优化的人工miRNA类似物用于治疗应用提供了洞察力.
- 案例研究证实了miCGR在推进基于miRNA的研究和开发方面的实际实用性.
