CytoLNCpred-一种用于预测15个细胞系中细胞质相关的长非编码RNA的计算方法

科学领域:

• 分子生物学分子生物学
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 长非编码RNAs (lncRNAs) 的功能严重依赖于它们的亚细胞局部.
• 现有的预测方法受到噪音数据集的影响,并排除了具有微妙局部差异的lncRNA.

研究的目的:

• 开发和评估一种可靠的方法来预测15个人类细胞系的细胞质相关 lncRNA.
• 与核相比,在细胞质中丰富度更高的lncRNAs的识别.

主要方法:

• 使用传统特征 (组成,相关性) 开发机器学习 (ML) 和深度学习模型.
• 利用来自大型语言模型DNABERT-2的嵌入功能来开发ML模型.
• 使用五倍交叉验证和独立验证数据集进行性能比较,测量曲线下的面积 (AUC).

主要成果:

• 使用组合和相关性特征的ML模型实现了平均AUC分别为0.7049和0.7089.
• DNABERT-2嵌入特征的结果是平均AUC为0.665.
• 微调的DNABERT-2实现了0.6336的平均AUC,表明基于ML的相关性特征在此任务中优于基于LLM的方法.

结论:

• 使用基于关联的特征的机器学习模型在预测差异性lncRNA本地化方面表现优异,与基于LLM的模型相比.
• 开发的细胞系特异模型和一个网络服务器是公开可用的,用于预测lncRNA本地化.