Hi-Enhancer:基于Blending-KAN和Stacking-Auto模型的增强器预测和定位的两阶段框架
Aimin Li1, Haotian Zhou1, Rong Fei1
1Shaanxi Key Laboratory for Network Computing and Security Technology, Xi'an University of Technology, Xi'an, Shaanxi 710048, China.
Bioinformatics (Oxford, England)
|August 12, 2025
概括
我们开发了一个两阶段的框架,用于准确的增强器预测,使用灵活的表观遗传信号组合. 我们的模型实现了高准确性,并优于现有的方法来增强预测和定位.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 基因表达调节对于细胞功能至关重要.
- 增强剂在精确的基因表达控制中起着至关重要的作用.
- 现有的增强剂预测方法缺乏准确性或依赖于固定的表观遗传信号.
研究的目的:
- 为准确的增强器预测和本地化开发一种新的两阶段框架.
- 灵活整合多个表观遗传信号,以提高预测能力.
- 克服现有方法在准确性和信号可用性方面的局限性.
主要方法:
- 实施了混合-科尔莫戈罗夫-阿诺德网络 (KAN) 模型,用于整合基准分类器和预测增强器.
- 使用DNABERT-2进行序列特征提取和一个堆叠自动模型进行增强器定位.
- 对多个表观遗传信号采用灵活的组合策略.
主要成果:
- 混合-KAN模型在五个表观遗传信号下实现了99.69%的准确性,在噪声和跨细胞线预测下保持了高性能.
- 堆叠自动模型的准确度达到80.50%,超过了现有的17种方法.
- 通过结合表观遗传信号,证明了灵活而准确的增强剂预测和定位.
结论:
- 拟议的两阶段框架提供了一个强大而灵活的方法来提高预测.
- 这些模型显示了与现有方法相比的显著改进,增强了基因组分析.
- 这一框架有助于精确识别和定位增强剂,以便进行进一步的生物研究.
