深度神经网络 - - 通过对ATAC-Seq和RNA-Seq的组合分析,挖掘响应大米干旱的TF-TAG模块
Jingpeng Liu1, Ximiao Shi1, Zhitai Zhang1
1Fujian Provincial Key Laboratory of Plant Functional Biology, Fujian Agriculture and Forestry University, Fuzhou, China.
Plant, cell & environment
|April 1, 2025
概括
这项研究开发了一种深度学习模型TFBind,用于识别大米中对干旱反应的转录因子及其向基因. 这些发现揭示了干旱压力下蛋白质运输和分配的关键因素.
科学领域:
- 植物分子生物学 植物分子生物学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 干旱压力极大地影响了大米的生长和产量.
- 以前的研究集中在个体转录因子上,对在多因素压力下对基因调节网络的理解有限.
研究的目的:
- 开发一种机器学习模型,用于预测转录因子结合部位.
- 通过综合方法在大米中识别干旱反应转录因子及其基因.
主要方法:
- 使用JASPAR数据库编制了植物基因组 (大米,阿拉比多普西斯,大麦) 的转录因子和结合点的综合数据集.
- 开发了TFBind,一个使用PyTorch进行转录因子结合预测的九层卷积深度神经网络.
- 综合权重基因同表达网络分析 (WGCNA) 与ATAC-seq数据,以确定与干旱压力下的开放色素区域相关的转录因子.
主要成果:
- 确定了15个与开放的染色体区域相关的干旱反应转录因子.
- TFBind模型预测了81%的转录因子与开放的基因直接结合.
- 丰富分析揭示了参与蛋白质运输,蛋白质分配和化合物运输的基因.
结论:
- 开发的TFBind模型是预测生物过程中转录因子-点基因相互作用的宝贵工具.
- 这项研究提供了对大米干旱反应的监管机制的见解,突出了关键的转录因子及其作用.
