im7G-DCT:一个基于改进的DenseNet和m7G站点预测变压器的双分支战略模型
Rufeng Lei1, Jian Jia1, Lulu Qin2
1School of Mathematics, Northwest University, Xi'an 710127, China.
Computational biology and chemistry
|April 17, 2025
概括
N-7甲基瓜诺辛 (m7G) 是一种与疾病相关的关键RNA修饰. 我们的im7G-DCT深度学习模型准确地识别m7G站点,提高临床应用的预测准确度.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 分子生物学分子生物学
背景情况:
- N-7甲基瓜诺辛 (m7G) 是一种重要的RNA修饰,调节基因表达和细胞功能.
- m7G 修改与癌症,神经退行性疾病和病毒感染等疾病有关.
- 准确识别m7G部位对于临床应用和治疗开发至关重要.
研究的目的:
- 开发一个准确的深度学习模型来预测mRNA中的N-7甲基瓜诺辛 (m7G) 位点.
- 通过使用全新的深度学习架构,增强用于m7G站点预测的特征提取能力.
主要方法:
- 开发了im7G-DCT模型,集成了改进的密集连接卷积网络和变压器.
- 采用双分支策略,从序列数据中同时提取本地和全球特征.
- 利用深度学习进行并行特征提取,挖掘m7G位置序列的潜在特征信息.
主要成果:
- 在独立测试中,im7G-DCT模型取得了高性能:灵敏度为81.68%,特异性为90.52%,精度为86.10%,MCC为72.48%.
- 创新的特征提取策略增强了特征丰富性和预测准确性.
- 该模型在所有评估指标上显著优于现有的预测方法.
结论:
- im7G-DCT模型展示了重要的研究价值和生物信息学中的广泛应用前景.
- 这种深度学习方法为m7G网站识别提供了更高的准确性.
- 这些发现支持im7G-DCT的实用性,用于推进与m7G修饰有关的临床应用和治疗策略.
