使用机器学习,深度学习和混合方法进行基因调控网络预测
Sai Teja Mummadi1, Md Khairul Islam2, Victor Busov3
1Department of Computer Science, Michigan Technological University, Houghton, MI, USA.
Forestry research
|September 19, 2025
概括
混合和转移学习模型准确地预测了植物中的基因调节网络 (GRNs). 这些先进的方法提高了对植物基因调节的理解,即使在非模型物种的有限数据.
科学领域:
- 植物生物学 植物生物学
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
背景情况:
- 基因调节网络 (GRNs) 对于理解生物过程至关重要.
- 阐明GRN有助于破译代谢途径和复杂的特征.
研究的目的:
- 开发和评估机器学习,深度学习和GRN构建的混合方法.
- 将先前的知识与来自不同植物物种的大规模转录基因数据相结合.
主要方法:
- 利用卷积神经网络与混合模型的机器学习相结合.
- 应用转移学习用于跨物种的GRN推断,特别是对于非模型物种.
- 集成的先前知识和Arabidopsis thaliana,树和玉米的转录基因数据.
主要成果:
- 混合模型的准确度超过95%,超过了传统方法.
- 确定了素生物合成的关键调节剂,包括MYB46,MYB83和VND,NST,SND家族.
- 转移学习成功地使GRN在具有有限数据的物种中得出结论.
结论:
- 混合和转移学习方法对于GRN预测非常有效.
- 开发了一个可扩展的框架,用于阐明模型和非模型物种中的植物监管机制.


