使用卷积神经网络检测跨种类的积极选择

科学领域:

• 计算生物学 计算生物学
• 进化遗传学 进化遗传学
• 生物信息学是一种生物信息学.

背景情况:

• 传统的统计方法 (最大概率,贝叶斯推理) 检测正选择使用类型和编号对齐.
• 这些方法由于对齐错误而遭受错误的阳性,特别是高的分离率和分歧.
• 现有的框架很难有效地处理杂的序列数据和对齐错误.

研究的目的:

• 开发和评估卷积神经网络 (CNN) 模型,用于检测DNA序列中的正选择.
• 与传统的统计方法相比,提高准确性和可靠性,特别是与杂数据相比.
• 探索CNN的概括性和可扩展性,用于大规模的进化分析.

主要方法:

• 在模拟的密码子序列对齐上训练和测试CNN模型.
• 将CNN的表现与传统的统计方法在各种类遗传情景下进行比较.
• 利用突出地图来解释CNN的决策和探索网站智能的推断.

主要成果:

• CNN模型在检测正选择方面取得了更高的准确性,特别是在模拟的有误对齐的杂数据上.
• 在传统方法失败的情况下,CNN的方法证明了对对齐错误的稳定性.
• 训练有素的CNN模型在测试时在计算上更快,使得可扩展的大规模分析成为可能.

结论:

• CNNs为检测分子进化中的正选择提供了一个强大而准确的替代方案.
• 这种由人工智能驱动的方法可以更好地处理数据缺陷,例如错位.
• CNNs为进化基因组研究提供了一个可扩展的解决方案,具有特定地点选择推断的潜力.