在宫癌中使用基于深度学习的DNA甲基化检测,使用一热字符表示技术

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 宫癌是影响妇女的全球主要恶性瘤.
• 早期检测表观遗传变化,特别是脱氧核糖核酸 (DNA) 甲基化,对于改善临床结果至关重要.
• 识别甲基化模式可以提高诊断和预后能力.

研究的目的:

• 开发和验证一种新的深度学习框架,用于预测宫癌中的DNA甲基化.
• 评估不同编码策略和序列窗口大小用于甲基化预测的有效性.
• 评估框架对关键宫癌相关基因的促进区域的表现.

主要方法:

• 采用了UNet深度学习架构,与DNA序列的一次性字符编码技术集成.
• 单体和二极体编码策略使用不同的细胞因子-氨酸 (CG) 站点窗口大小 (100 bp, 200 bp, 300 bp) 和样本大小 (5000, 10,000, 20,000) 进行了比较.
• 模型的性能在5个与宫癌相关的基因的促进子区域上得到了验证:miR-100,miR-138,miR-484,hTERT和ERVH48-1.

主要成果:

• 最佳配置涉及300bp窗口和5000个CG站点的二元编码,达到91.60%的精度,96.71%的灵敏度,87.32%的特异性和96.53的AUROC得分.
• 拟议的框架显著超过了像卷积神经网络和移动网络这样的基准模型.
• 对促进区域的验证显示,在识别甲基化CG站点时,准确度为86.27%,AUROC得分为83.99.

结论:

• 基于UNet的深度学习框架显示出作为一种可靠和可扩展的工具,在宫癌中早期检测表观遗传修饰的巨大潜力.
• 这种方法有助于推进生物标志物发现和宫癌的诊断策略.
• 该研究强调了拟议的编码和架构对预测DNA甲基化模式的有效性.