功能模型:将上游和下游监管网络的多原子特征集成到机器学习框架中,以识别功能性 lncRNA

科学领域:

• 基因组学就是基因组学.
• 计算生物学 计算生物学
• 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.

背景情况:

• 长非编码RNAs (lncRNAs) 在生物过程中至关重要,但它们的功能尚未完全理解.
• 在预测 lncRNA 功能时,现有的方法往往忽略了上游表观遗传调节器.
• 利用多原子调节网络可以提高 lncRNA 角色的预测.

研究的目的:

• 开发FunlncModel,一个可解释的机器学习框架,用于预测功能 lncRNA.
• 从监管网络中整合多样化的 (epi) 遗传和功能基因组特征.
• 识别新的功能性 lncRNA,并提高对它们在细胞过程中的作用的理解.

主要方法:

• 利用随机森林算法对11种数据类型的2000多个数据集进行分析.
• 综合特征包括转录因子,基因组修饰,增强剂,甲基化位点和mRNAs.
• 开发了一个计算框架,集成上游/下游的多原子监管网络.

主要成果:

• FunlncModel 在人类胚胎干细胞中获得了高分类性能 (AUROC=0.95,AUPRC=0.97).
• 该模型成功识别了已知的并发现了新的功能性lncRNAs.
• 在27个与癌症相关的功能预测任务中验证了有效性,突出了表观遗传特征作为强有力的预测因素.

结论:

• FunlncModel是一个强大而稳定的预测模型,用于在特定的细胞环境中识别功能 lncRNA.
• 表观遗传调节特征,如转录因子和基因组修饰,是lncRNA功能的关键预测因素.
• 该框架为分子生物学和疾病中的lncRNA研究提供了宝贵的资源.