iEnhancer-GDM:基于生成对抗网络和多头注意力机制的深度学习框架,用于识别增强器及其优势
Xiaomei Yang1, Meng Liao1, Bin Ye2,3
1College of Mathematics and System Sciences, Xinjiang University, Urumqi, 830017, China.
概括
这项研究介绍了iEnhancer-GDM,这是一种用于识别基因增强剂和预测其强度的新型预测器. 该模型使用先进的深度学习和数据增强来提高基因组分析的准确性.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 分子生物学分子生物学
背景情况:
- 增强剂是调控基因转录的调节性DNA元素.
- 识别增强剂和预测它们的强度对于理解基因调节和人类疾病至关重要.
- 由于增强器的可变性和有限的培训数据存在挑战.
研究的目的:
- 开发一个强大的预测器,iEnhancer-GDM,用于准确的增强器识别和强度预测.
- 通过使用先进的数据增强技术来解决数据限制.
- 提高对增强器功能及其基因组关联的理解.
主要方法:
- 用了Wasserstein生成对抗网络与梯度惩罚 (WGAN-GP) 来进行数据集增强.
- 采用dna2vec嵌入层用于DNA序列特征表示.
- 集成的多尺度卷积神经网络,双向长期短期记忆网络和多头注意力机制.
主要成果:
- 证明了WGAN-GP在数据增强,减轻过度匹配和提高分类准确性的有效性.
- 在一个独立的测试数据集上,iEnhancer-GDM实现了卓越的性能.
- 优于现有的模型,在增强剂识别 (2.45%) 和强度预测 (11.5%) 中显著改进.
结论:
- iEnhancer-GDM提供了一个强大的工具,用于精确的增强器识别和强度预测.
- 该模型的性能推进了基因组学和调控元件分析领域的发展.
- 有助于更深入地了解增强剂在基因调节和疾病关联中的作用.
