CAP-m7G:基于囊网络的框架,用于使用图像编码和重建层识别特定RNAN7-甲基瓜诺辛位点
Peilin Xie1,2, Jiahui Guan1,3, Xuxin He3
1Kobilka Institute of Innovative Drug Discovery, School of Medicine, The Chinese University of Hong Kong, Shenzhen, 2001 Longxiang Blvd, Longgang District, 518172, Shenzhen, China.
Computational and structural biotechnology journal
|March 20, 2025
概括
N7-甲基瓜诺辛 (m7G) 修改对RNA功能和基因调节至关重要. 一个新的AI模型,CAP-m7G,准确地预测m7G网站,帮助疾病研究,并提供一个用户友好的Web服务器.
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:
- N7-甲基瓜诺辛 (m7G) 修改对RNA稳定性,mRNA输出和蛋白质翻译至关重要,影响基因表达.
- m7G的失调与癌症和神经退行性疾病等疾病有关,这凸显了需要准确识别m7G位点的需要.
- 目前用于m7G网站预测的AI模型存在局限性,并且缺乏用户友好的Web服务器.
研究的目的:
- 开发一种先进的人工智能模型,用于准确预测N7-甲基瓜诺辛 (m7G) 位点.
- 为可访问的m7G网站预测创建一个用户友好的Web服务器.
- 提高对m7G修饰在生物过程和疾病中的作用的理解.
主要方法:
- 混沌游戏表示 (CGR) 与囊网络 (CapsNet) 和重建层的集成.
- 开发CAP-m7G模型用于基于序列的m7G地点预测.
- 在独立测试数据集上验证模型的性能.
主要成果:
- 在独立测试数据上,CAP-m7G实现了高精度 (96.63%),特异性 (95.07%) 和MCC (0.933).
- 该研究表明,CGR与CapsNet相结合有效地捕获对m7G站点至关重要的序列信息.
- 现在可以使用CAP-m7G的公开可访问的Web服务器.
结论:
- CAP-m7G模型在预测m7G地点方面取得了重大进展,超过了以前的AI方法.
- 整合CGR和CapsNet是分析RNA修饰模式的强大策略.
- 开发的Web服务器有助于研究m7G修饰的生物学作用和疾病影响.


