多核特征提取与动态融合和下方样本的残余特征嵌入,用于预测大米RNAN6-甲基氨酸位点

科学领域:

• 农业科学 农业科学
• 分子生物学分子生物学
• 生物信息学是一种生物信息学.

背景情况:

• RNA N$^{6}$-甲基氨酸 (m$^{6}$A) 是一种影响大米生长,发育和应激反应的关键表观遗传修饰.
• 准确的m$^{6}$识别对于米育种和理解表型调节至关重要.
• 现有的米 m$^{6}$A预测方法面临着变长序列的挑战,导致信息稀疏和特征提取精度降低.

研究的目的:

• 开发一个端到端的深度学习框架,MFDm$^{6}$ARice,用于精确预测米中的m$^{6}$A位置.
• 为了解决信息稀疏性,并提高特征提取精度在m$^{6}$A预测.
• 为了提高计算效率和概括m$^{6}$A预测模型.

主要方法:

• 开发了MFDm${6}$ARice,这是一种深度学习框架,包含了多核功能融合模块,用于增强信息挖掘.
• 实现了下采样剩余特征嵌入模块,以优化特征空间和计算性能.
• 利用多核特征提取和全球-本地动态融合来实现有效的信息传输.

主要成果:

• MFDm$^{6}$ARice在交叉验证和独立测试集 (相同和交叉物种) 中表现优于现有的方法.
• 该模型表现出良好的稳定性和一般化能力.
• 对玉米的应用 m$^{6}$ 一个预测表明了框架的可扩展性.

结论:

• 米有效地克服了传统米方法的局限性.
• 该框架的架构,包括多核融合和残余下采样,显著改善了特征表示和提取.
• MFDm$^{6}$ARice提供了一个强大的和可扩展的解决方案,用于m$^{6}$A场地预测,推进精确的米育种和分子研究.