PTF-Vāc:一种可解释和生成的深度共同学习编码解码系统,用于初步发现植物转录因子结合位点
Sagar Gupta1, Jyoti1, Umesh Bhati1
1Studio of Computational Biology & Bioinformatics, The Himalayan Centre for High-throughput Computational Biology, (HiCHiCoB, A BIC Supported by DBT, India), Biotechnology Division, CSIR-Institute of Himalayan Bioresource Technology (CSIR-IHBT), Palampur, HP 176061, India; Academy of Scientific and Innovative Research (AcSIR), Ghaziabad, Uttar Pradesh 201002, India.
一个新的AI系统,PTF-Vāc,准确地发现了植物转录因子结合点 (TFBS) 和基因. 这种通用模型克服了现有工具的局限性,使得TFBS可以发现无论物种或数据量如何.
科学领域:
- 植物基因组学 植物基因组学
- 生物信息学是一种生物信息学.
- 人工智能在生物学中的应用
背景情况:
- 发现植物转录因子结合点 (TFBS) 和动机是具有挑战性的,因为高跨物种变异性和上下文依赖的TF-DNA相互作用.
- 现有的TFBS查找工具面临着植物特定的挑战,未能捕捉变异性,TF结构相互依赖性和上下文特异性,限制了它们在基因组注释中的应用.
研究的目的:
- 开发一种新的,可解释的深度学习系统,PTF-Vāc,用于在植物中准确和普遍的初始TFBS发现.
- 通过脱模式发现和消除对TF特定模型的需求,克服当前TFBS工具的局限性.
主要方法:
- PTF-Vāc使用基于PTFSpot的编码器-解码器生成架构,这是TF-DNA相互作用的通用深度共同学习模型.
- 该系统的设计是独立于TF特异性图案模型和数据量,以TF-DNA结合的通用模型为指导.
主要成果:
- 在使用广泛实验数据的综合基准研究中,PTF-Vāc在与先进的 motif-finding 深度学习算法相比表现优异.
- 该系统成功地发现了TFBS和动机,无论数据量和类型如何,而不依赖TF特定模型.
结论:
- PTF-Vāc代表了初始TFBS发现的重大进步,为植物基因组学提供了通用和准确的解决方案.
- 生成型人工智能方法为了解TF-DNA相互作用开辟了新的途径,并促进了多种植物物种的基因组注释.
更多相关视频
12:29Identifying Transcription Factor Olig2 Genomic Binding Sites in Acutely Purified PDGFRα+ Cells by Low-cell Chromatin Immunoprecipitation Sequencing Analysis
Published on: April 16, 2018
06:38High Sensitivity Measurement of Transcription Factor-DNA Binding Affinities by Competitive Titration Using Fluorescence Microscopy
Published on: February 7, 2019
相关概念视频
Cooperative Binding of Transcription Regulators
Cooperative Binding of Transcription Regulators
General Transcription Factors
Transcription Factors
Co-activators and Co-repressors
Co-activators and Co-repressors
